基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化 PID 神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的 PID 神经网络控制器具有逼近控制目标更快,响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于混沌粒子群的神经网络主汽温控制系统

研究火电厂锅炉主蒸汽温度控制优化问题,针对主汽温对象具有大惯性、大迟延、时变性和非线性系统,由于存在实时性和实时性差,传统的PID控制难以获得很好的控制效果,提出一种混沌粒子群优化神经网络的主汽温控制方法。采用RBF神经网络对PID参数进行在线整定,并通过混沌粒子群算法对RBF神经网络初始参数进行优化,不仅具有RBF神经网络的自适应能力,同时具有常规PID串级控制的特性,增强了系统对不确定因素的适应性。仿真结果表明,控制算法具有较好的鲁棒性和控制品质,抗干扰能力强,可为锅炉主蒸汽温度优化控制提供参考。     

基于Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。     

基于PID控制器的铝热连轧张力控制系统的设计与实现

针对PID控制器在铝热连轧张力控制系统中收敛速度慢的问题,提出一种自适应权值粒子群算法优化神经网络PID控制器的设计方法,该方法采用自适应权值粒子群算法优化神经网络的权值和阈值,使它们在调节PID控制器时找到最优参数,仿真结果表明,在铝热连轧张力控制系统中,自适应粒子群算法优化的神经网络PID控制器与其他PID控制器相比能更快地使张力达到稳定状态、缩短响应时间、改善板形。     

基于RBF网络的PID参数自整定控制器在恒压供水系统中的应用

针对变频恒压供水对象的非线性、不确定、大滞后的特点,设计了基于RBF网络的PID参数自整定控制器,该控制器能根据RBF网络辨识的Jacobian信息,采用梯度下降算法自动在线调整PID控制器的参数,达到自适应控制的目的,克服了传统PID控制设计中的参数调整困难的问题,同时控制系统的动态和静态性能有较大的提高。通过仿真验证了控制系统的有效性。     

基于混合粒子群算法的多变量解耦控制器优化

研究薄膜厚度系统控制器优化问题,由于神经网络初始权值难以确定,使PID神经网络对控制器参数的自适应、自学习能力变差,最终导致控制效果不理想.为了解决这一问题,提出一种混合的粒子群算法,用来优化神经网络初始权值,进而实现控制器的优化,并应用于薄膜厚度控制系统.仿真结果表明:与PID神经网络控制器相比,优化后的控制器更好的实现了多变量控制系统的解耦控制,提高了控制器参数的自适应自学习能力,控制效果明显,并且系统的鲁棒性较好.     

智能PID控制器优化仿真研究

研究PID控制器优化问题,现代工业控制过程中,由于许多被控对象受到于扰因素影响,具有高度非线性和不确定性,常规PID控制精度低,提出一种遗传算法、粒子群算法和RBF神经网络相融合的PID控制器设计方法(GA-PSO-RBF).首先采用遗传算法选择PID控制参数初始值,然后采用粒子群算法优化RBF神经网络参数,采用优后的RBF神经网络辨识控制对象的输出对输入的变化灵敏度,最后采用单神经元对PID控制器进行在线性调整,得到理想的控制效果.仿真结果表明,GA-PSO-RBF神经网络PID控制器的超调量小,响应速度快,提高了系统的控制精度.     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。     

原油含水率测量PSO-BP非线性校正技术

针对电容法测量原油含水率过程中存在的测量误差大、精度低等问题,提出了一种基于神经网络的非线性校正技术。此方法结合了微粒群(PSO)算法与BP网络在全局搜索与局部搜索上的优势,克服了以往方法的不足,可使原油含水率测量结果的校正过程具有寻优全局性和精确性,并能加快其收敛速度。仿真结果表明:该方法能有效消除非目标参量对传感器输出结果的影响,在工程上具有一定的应用价值。     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于灰关联分析方法

针对一致关联度算法不具有普遍性和动态改变惯性权的自适应粒子群算法(DCW)不易跳出局部收敛能力的缺陷,本文提出了完全关联度算法和自适应变异的动态粒子群优化算法。完全关联度算法主要用来选择软测量的辅助变量。在改进的粒子群优化算法中,除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。为了构造一种性能较好的神经网络,采用改进的粒子群优化算法来优化神经网络所有的权值参数,并将提出的软测量建模方法预测延迟焦化的汽油干点,实验结果表明,与DCW算法优化神经网络(DCWNN)的建模方法相比,该算法不仅具有较好的泛化性能,而且具有较高的精度和良好的应用前景。     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

Adaptive fuzzy APSO based inverse tracking-controller with an application to DC motors

This paper introduces the use of the adaptive particle swarm optimization (APSO) for adapting the weights of fuzzy neural networks (FNN) on line. The fuzzy neural network is used for identification of the dynamics of a DC motor with nonlinear load torque. Then the motor speed is controlled using an inverse controller to follow a required speed trajectory. The parameters of the DC motor are assumed unknown as well as the nonlinear load torque characteristics. In the first stage a nonlinear fuzzy neural network (FNN) is used to approximate the motor control voltage as a function of the motor speed samples. In the second stage, the above mentioned approximator is used to calculate the control signal (the motor voltage) as a function of the speed samples and the required reference trajectory. Unlike the conventional back-propagation technique, the adaptation of the weights of the FNN approximator is done on-line using adaptive particle swarm optimization (APSO). The APSO is based on the least squares error minimization with random initial condition and without any off-line pre-training. Simulation results are presented to prove the effectiveness of the proposed control technique in achieving the tracking performance.     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

基于动态邻域微粒群的Smith预估双控制器设计

针对模型未知时滞系统的预测补偿控制,提出一种基于动态邻域拓扑微粒群算法以优化动态神经网络的参数,并将其作为预估器和辨识器应用于一种新的Smith预估双控制器结构设计.利用微粒群算法空间搜索能力指标,动态建立邻域拓扑结构,优化神经网络参数,并将两者的组合模型应用于新的双控制器结构,将负载扰动和定值控制分开,以提高Smith预测补偿模型的控制精度和鲁棒性,最后通过仿真验证了所提出方法的有效性.     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于改进粒子群算法的柔性神经树优化①

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。