基于人工鱼群的PID神经网络非线性系统控制

研究造纸工业中的流浆箱非线性系统优化控制问题。流浆箱系统是工业过程中常见的一类非线性系统,存在着非线性、强耦合等特性。针对流浆箱要求动态响应好、精度高的特点,提出并设计了人工鱼群算法训练的PID神网络控制器。人工鱼群算法克服了PID神经网络采用BP算法训练权值时,初始权值难以确定,易陷入局部最优的缺点,实现对流浆箱的有效控制。在MATLAB环境下,对流浆箱系统进行了控制仿真。仿真结果表明,人工鱼群算法训练的PID神经网络在动态性、稳定性和精确性等方面均优于BP算法,明显改善了流浆箱这类非线性系统的控制性能,具有很好的应用效果。     

基于多新息理论的PID神经网络改进算法

为了提高非线性动态系统辨识精度,提出一种基于多新息理论的PID神经网络改进算法。对具有时间延迟非线性动态系统,由于采用多新息,充分利用了系统的当前数据和历史数据,较传统的BP算法,本文所提算法在辨识精度和收敛速度方面具有更好的效果。仿真结果表明该算法的有效性。     

混沌蚁群算法在瓦斯爆炸性检测仪中的应用

针对瓦斯爆炸性检测仪传感器在实际生产中因构造和环境因素所产生的输入、输出非线性问题,将混沌蚁群算法和BP神经网络算法应用到瓦斯爆炸性检测仪中,提高瓦斯传感器精度.通过混沌蚁群算法对BP神经网络进行优化,改善BP神经网络收敛速度慢、容易陷入局部最优的缺点.实验结果表明:基于混沌蚁群优化算法的BP神经网络能够提高瓦斯检测系统的精度.     

用含动态隐层的前馈网辨识非线性系统

用含动态隐层的前馈网对非线性系统建立全局成立的输入输出模型,证明了这种辨识 结构的可行性,网络学习算法为动态BP法.     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化.为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力.仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、...     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学 习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成 功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果 表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

基于改进遗传算法的神经网络模型辨识

利用前向神经网络对非线性动态系统建模时存在着很大的缺陷，因此提出采用递归网络(RNN)对非线性动态系统建模。并在权值的修正上，摆脱常用BP算法的束缚，采用改进的遗传算法搜索最优权值。最后对一高阶非线性系统进行建模仿真实验，结果表明该方法是有效的。     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时,存在难以建立精确的数学模型、控制精度不高等缺点,提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型,克服误差积累以及网络规模庞大的缺点;运用粒子群优化（PSO）算法完成非线性预测控制的滚动优化。仿真表明,该方案的控制效果比常规动态矩阵控制效果有所提高,该方案是可行和有效的。     

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.     

基于Bp网络的非线性系统的动态矩阵控制

利用BP网络建立非线性系统的数学模型,并将该模型和动态矩阵控制算法相结合对非线性系统进行控制,仿真结果表明该算法对一类时滞非线性具有较好的控制效果。