粒子群优化神经网络PID的三自由度直升机

针对于在非线性、时变和强耦合特性的特性下,PID控制效果不佳,以三自由度直升机模型系统作为研究对象,提出了粒子群优化神经网络控制器来实现对系统的控制。神经网络可以通过训练和学习自适应的调整参数,算法采用梯度学习法,初始权值随机产生。产生的权值在学习过程中能陷入局部最优值,因而粒子群算法优化得到的最优初始权值带入神经网络PID控制器能取得满意的效果,控制不仅迅速逼近控制目标,而且响应时间较短。仿真实验对比证明,粒子群优化神经网络PID算法具有优于PID算法的适应能力、鲁棒性和响应速度。     

基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.     

混沌粒子群优化的模糊神经PID控制器设计

针对常规PID控制的线性局限性及传统模糊控制和模糊PID控制中积分误差规则难以获取,系统存在稳态误差的问题,提出一类以模糊神经网络和PID神经网络组成的模糊神经PID控制器．以整个神经网络的权值为优化参数,利用基于混沌策略的粒子群全局优化算法离线优化和误差反传算法在线调整相结合的方法获得控制器参数,并设计了混沌优化与粒子群结合的两步方案．仿真结果表明:与传统PID、模糊、模糊PID控制相比,系统的瞬态和稳态性能有了明显提高,且保持了一定的鲁棒性及高跟踪精度．该方法有效地拓展了PID控制的使用范围,并为智能方法与PID控制的结合提供了一种新的参考方案．     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

基于粒子群优化的神经网络PID控制器在供热系统的研究

集中供热系统是一个具有时滞性、非线性、大惯性等特点的复杂控制系统,传统PID控制无法达到令人满意的效果,还造成一定的资源浪费。BP神经网络PID控制器尽管在一定程度上改善了PID控制器的性能,但是BP神经网络自身仍有一些缺陷。为了能够提高供热系统的稳定性,进而实现合理用热,采用粒子群算法(PSO)优化BP神经网络PID控制器的权值。设计PSO-BP-PID控制器后,借助MATLAB仿真平台,获得传统PID控制、BP-PID控制以及PSO-BP-PID控制的仿真系统响应曲线图,根据曲线对比得出系统性能的改进情况。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

改进人工鱼群算法优化小波神经网络的变压器故障诊断

针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型。基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度。结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高。     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

神经网络PID复合智能控制参数自整定研究

针对具有时滞一阶非最小相位系统的被控对象,提出了一种基于神经网络的PID复合智能控制设计方案,推导出复合PID控制器控制参数的整定方法.考虑到被控对象的不确定性、慢时变等特点,以神经网络元构造基于自动化复合PID控制器,解决了基于自动化复合PID控制参数在线调整的问题,使复合PID控制器适用范围更广泛.对闭环控制系统模拟结果表明,该系统控制参数整定方法简单,具有非常好的控制效果.     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

锅炉汽包水位模糊RBF自适应控制

针对汽包水位常规的PID控制方式,采用了一种模糊神经网络智能控制器,该控制器结合了模糊控制与神经网络学习能力强的特点,将2种智能控制相结合,在线调整控制器参数,整定出一组优化的控制器参数。仿真结果表明此控制器显著地改善了汽包水位的动态性能和稳定性能。     

一种基于模糊神经网络的PID控制器

利用神经网络自学习自适应能力和快速计算能力,提出一种基于模糊神经网络的PID智能控制器．该系统将模糊技术、神经网络与PID控制结合起来,实现了PID控制的自适应和智能化．通过仿真实验表明,该控制方案与传统PID控制系统相比,无论是超调量还是稳定时间,效果都要好得多．     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

Neural network-based TIG weld width fuzzy controller

0m0ne0fthemajorgoalsf0rusinghybridconbolsoffuZZylogicandneuIalnetw0thistoc0InbinethelingUisticnatUreofknOWetlgerepresentationandtheadaptiveorle-amingnatureofkn0wedgeevoutbotoachievebettercon-tIDofsystemsforwhichitisinfeaSibleorimPracticabletof0rmulateamatheInaticalsystemmedel,buthumanknoWedgft0mskilledoperatoISisavailable.Forexam-ple,forInanindustrialprocesscontIDlproblems,analyti-calmedelsaredimculttoconstIUctforsuchfactorsasfongdelay,n0nlinearity,unceItaintyandsystemc0mPletity.Yethur…     

神经网络模糊PID控制器在直接矩控制中的应用

介绍了一种模糊自整定PID参数控制器的设计方法,并提出利用神经网络训练PID参数的基值。对常规PID控制和神经网络模糊PID控制系统作了对比研究,仿真实验结果表明新方法既保证了系统的稳态精度,又保证了系统的快速响应和坚韧性。将该方法用于直接转矩控制系统中,取得了远远优于常规PID调节器的控制效果。