基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法，可以应用于不同类型的系统，与常用的BP算法相比，它不需要反馈网络反向传播误差，可以直接用来设计自适应神经网络控制器，使控制器的设计简单化，将这种算法应用于神经网络，并设计了神经网络控制器，通过仿真研究表明，用自适应交互算法设计的控制器不仅结构简单，而且控制效果也非常好。     

基于优化BP神经网络的PID控制器研究

提出了一种新型的基于优化BP神经网络结构的PID控制器（PID－NNC），该控制器将神经网络和PID控制规律融为一体，既具有神经网络自学习，自适应及逼近任意函数的能力，又具有常规PID控制器结构简单，可靠性高的特点，且控制器的算法采用的是优化的BP算法，可以避免网络陷入局部极小点，也可以加快网络的训练速度，所以该控制器可以对具有非线性，时变性和不确定性等复杂系统实行控制。利用MATLAB软件对非线性系统进行了仿真研究，其仿真结果表明该控制器具有很好的控制效果。     

基于改进BP神经网络的PID控制方法研究

针对最速下降法收敛速度慢和易陷入局部极小的缺点，提出一种新型的基于改进BP神经网络的PID控制方法，该方法将神经网络和PID控制策略相结合，既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。该控制器的算法采用Fletcher—Reeves共轭梯度法，它可以避免网络陷入局部极小点，同时加快网络的训练速度。并用这种改进的共轭梯度法对神经网络PID控制器参数实现在线修正。最后给出了在Matlab平台上的实现算法。仿真结果表明该控制方法是有效的。     

非线性系统的PID控制器的研究与设计

研究工业过程控制,非线性系统难以建立其精确的数学模型,常规PID算法难以实现其控制.对此,将神经网络算法和PID算法结合起来,为提高性能和响应速度,设计了针对非线性系统的自适应PID控制器,PID控制器采用单神经元来实现自适应调整.分别采用了三种学习算法来实现单神经元PID控制器参数的调整,即基于二次型性能指标的学习算法、基于BP神经网络辨识的学习算法和基于RBF神经网络辨识的学习算法.三种算法的仿真结果表明,都实现了PID控制器的自适应调整的目的,实现对非线性系统的有效控制,证明三种方案的可行性.     

纸浆浓度控制系统的仿真研究

研究纸浆浓度控制问题,针对纸浆浓度控制系统存在的大滞后、非线性和时变性等特点,常规的PID控制器很难达到理想的控制效果。为了改善纸浆浓度控制系统性能,提出了BP神经网络和将神经网络与PID控制规律融为一体的PID神经网络(PIDNN)两种控制方案。通过对纸浆浓度模型辨识和控制问题的分析,应用BP和PIDNN进行了仿真比较研究。结果表明,BP和PIDNN仿真效果都比较理想,但BP网络结构复杂,参数难以调整;用PIDNN方法既具有常规PID控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应之能力,满足实时控制的要求,对于复杂系统是一种实用而简便的控制方法。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案，该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络，网络结构为2-4-1；辨识算法为动态BP算法；控制器采用两层线性结构的神经网络，输入为系统偏差及其一阶、二阶微分，因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究，仿真结果表明该控制方案不仅具有良好的跟踪特性，而且对系统参数变化具有较强的鲁棒性。     

基于动态递归网络PID自适应控制器设计

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法.本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于电阻炉加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于电阻炉温度控制,取得了良好的控制效果.     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

主动磁悬浮轴承的神经网络自适应稳定性控制

针对主动磁悬浮轴承本质非线性和开环不稳定的系统特征,设计了一种BP神经网络自适应PID控制器。该控制器采用改进的BP神经网络PID控制算法,通过BP神经网络的自学习和权值调整寻找最优的PID参数,克服了常规PID控制参数整定困难的缺陷,实现了系统的自适应控制。通过MATLAB/Simulink环境和S-Function模块建立了主动磁悬浮轴承控制系统模型,并进行了系统仿真实验,结果表明,BP神经网络自适应PID控制系统响应速度更快,具有更好的动态性能和稳态性能。     

船舶减摇非线性系统神经网络控制研究

本文针对船舶横摇运动的非线性模型，基于BP神经网络设计了一种船舶横摇减摇 自适应PID控制器．该控制结构由两个BP神经网络组成,实现了对被控对象输出的预测及PID控制器参数的自整定．仿真表明该控制器对减摇系统的非线性模型有很好的减摇效果．     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

深空环境下三星库仑编队重构控制研究

本文研究了深空环境下三星库仑编队构型重构控制问题.首先考虑外界环境干扰作用(主要以太阳光压为主)和德拜效应影响,推导出精确的三星库仑编队动力学方程.针对库仑编队动力学特性和太阳光压对于编队任务控制精度的影响,设计基于BP神经网络的PID控制方法.PID控制结构简单,稳定性好,BP神经网络具有超强的自主学习和非线性逼近干扰能力,二者有机结合,通过BP神经网络输出最优的PID控制参数组合,改变卫星所带电荷从而改变卫星之间库仑力大小,使编队渐近稳定并按期望距离和构型飞行.仿真结果表明基于BP神经网络PID控制性能明显优于传统PID控制,大大提高了编队控制精度和系统对于外界干扰的鲁棒性.     

基于MyPSO-BP的黄酒发酵温控系统

在 Labview组态软件、西门子PLC300和温度传感器构成的温度控制系统基础上,提出一种新的黄酒发酵温度控制系统,将带交叉因子的粒子群优化(PSO)算法应用到BP神经网络(MyPSO-BP)比例积分微分(PID)控制中。改进的PSO算法初始化神经网络的权重和阈 值,可以更好地在线整定PID参数,增强系统的稳定性和鲁棒性,减小误差。对系统进行Matlab仿真实验,结果表明,该系统相较于传统的神经网络PID控制器具有更好的温度控制性能。     

挖掘机提升系统神经网络PID控制的研究

建立了280-B挖掘机提升系统的数学模型;针对该系统动态特性的非线性和时变性因素,提出了一种基于BP神经网络的PID控制器的设计方案,该控制器既有经典PID控制算法的特点,又有神经网络良好的自适应和抗干扰能力。Matlab仿真结果表明,基于BP神经网络的PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

无刷直流电机的模糊神经网络控制设计

在无刷直流电机(BLDCM)的控制上,传统PID等控制方法存在或多或少的不足.在模糊PID控制的基础上提出了一种模糊神经网络PI控制器的设计方法.该方法结合了模糊逻辑与神经网络,使得模糊控制器模拟了人的控制功能,不仅对环境变化有较强的适应能力,还拥有自学习能力.相比模糊PID控制,其具有计算量小、稳定性强等特点.对BLDCM进行建模与分析;在BLDCM数学模型的基础上,分别设计模糊PID控制器和模糊神经网络PI控制器;对设计的控制器进行仿真验证并分析.实验结果表明,模糊神经网络PI控制具有跟踪性能好、超调小、响应快、脉动小等优点,其动静态特性均优于模糊PID控制.     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.     

神经元PID控制在变风量空调室温控制中的应用研究

针对变风量空调系统的延迟,非线性和模型不确定性,本文提出将神经元P I D控制器应用于变风量空调系统中。该控制器综合了神经网络和P I D调节各自的有点,具有神经网络的学习和适应能力,同时具备P I D控制的广泛的适应性。仿真实验表明该控制器控制结果优于传统的P I D控制器。     

基于CMAC神经网络与PID的并行控制器设计与应用

提出一种基于CMAC神经网络与PID的并行控制器的设计方法,利用传统PID实现反馈控制,保证系统的稳定性,且抑制扰动,利用CMAC神经网络控制器实现前馈控制,确保系统的控制精度和响应速度。该算法直接应用于控制直流电机调速系统,仿真结果表明,与传统数字PID控制算法相比较,该并行控制算法增强了系统的控制精度,提高了系统的响应速度,并且具备较强的抗干扰能力和鲁棒性。