基于改进的RBF神经网络在线辨识算法及其应用

针对径向基函数(RBF)神经网络用于非线性系统辨识时存在的问题，对径向基函数网络的拓扑结构作了改进，并给出了改进的径向基函数(MRBF)神经网络的中心选取方法和权值在线调整算法，最后用改进的径向基函数网络对一个典型工业对象(CSTR)进行了应用研究，结果表明方法有效。     

一种RBF神经网络自适应PID控制器在超临界温度系统的应用研究

将传统PID控制器参数优化和径向基函数（RBF）神经网络结合,提出了基于RBF神经网络的PID控制器。将该控制器用于某超临界电厂温度系统中,由RBF网络对温度控制系统进行在线辨识,建立其在线参考模型并为PID控制器提供信息,控制器通过在线的自学习不断进行适应性控制,从而实现参数在线自调整,优化误差性能指标。MATLAB仿真结果表明,控制器对超临界温度系统有较好的控制效果,不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好。     

融合FLC和PIDNN在船舶航向控制中的应用

本文融合FLc和PIDNN两种控制方法,并将该方法应用到船舶航向控制系统中.仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求.     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一和神经网络.RBF核函数型支持向量机是一种性能卓越的新型学习机.将这两种学习机进行对比分析,以期在实际应用中做出更好的选择.首先,在理论上分析了这两种学习机在分类原理上的异同.接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标.最后,提出了在应用这两种学习机进行模式识别时应注意的方面.实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%.这说明RBF型支持向量机的性能要优于RBF网络.但是RBF网络易于实现,在样本数日足够多的情况下也不不失为一种好的算法.     

RBF神经网络在物流系统中的应用

物流已经成为我们国民经济的动脉,但是影响其成本的因素过多且复杂,对其成本的研究目前较多的是采用简单的猜测式赋值,这样的方法具有较大的主观性,因此物流成本预测这个复杂的非线性问题已经成了物流界研究的重点问题。将社会物流系统看出了一个投入产出系统,将其物流成本——运输费用、保管费用和管理费用当作了投入,而社会的消费总额看成了产出,因此导出物流消费品总额和成本之间的映射关系模型;其次,提出用改进的自适应遗传算法对径向基函数神经网络进行了优化,得到了最佳的基函数中心和宽度值;最好用优化后的径向基函数神经网络应用于物流成本的预测,结果表明,模型具有好的稳定性和较高的精度,对扩大消费、拉动内需具有一定的参考意义。     

RBF神经网络理论及其在控制中的应用

对ＲＢＦ神经网络的结构、分类、函数逼近理论及训练方法进行了综述，并且对ＲＢＦ网络的优点及问题作了分析，同时介绍了目前ＲＢＦ网络在控制方面应用情况，最后提出了ＲＢＦ网络在控制中的研究及应用新方向。     

基于Hopfield网络的PID在直流伺服电机中的应用

针对直流伺服电机的非线性和时变性因素,本文结合传统PID控制器特点,介绍了一种基于Hopfield神经网络PID控制方法。该方法利用Hopfield神经网络的自学习能力,经过有限次的训练可以得到了PID控制器所需要的最优参数。采用Matlab软件对构造的系统模型进行了仿真和跟踪实验。实验表明这种方法既简化了经典控制PID参数整定,同时使系统具较好的实时性、稳定性和跟踪性,控制效果比较理想。     

基于RBF辨识的模糊神经网络控制器的设计与实现

随着众多新型模糊神经网络被提出,针对模糊神经网络具有的典型特点,即需要对输入输出数据范围进行转化和处理,所涉及到的对量化因子和比例因子的实时调节问题,该文提出一种优化方案。其依据神经网络具有的自学习能力,通过增加模糊神经网络的层数,提出一种包含对量化因子和比例因子调节的改进型模糊神经网络,以减少系统的辅助优化环节。同时,引入辨识性能较好的径向基函数神经网络（RBF）为系统提供精确的Jacobian信息,取代常规的近似做法。最后结合实例仿真证明了该优化方案的合理性。     

一类新的RBF 神经网络在非线性系统建模中的应用

提出一种基于输入集分类函数的新的距离度量方法,它与前传回归的正交最小二乘法相结合,不仅可以学习分类超平面的参数,而且可以选择重要的输入节点。这种结构的RBFNN特别适用于非线性动力学系统的辨识（建模）和控制。将改进的RBFNN用于化工中的聚合反应过程建模,结果表明该方法是有效而适用的。     

基于RBFNN的伺服系统在线辨识方法

由于伺服系统中存在的非线性和不确定性,难以用传统的方法进行建模,本文采用神经网络通过函数逼近完成非线性系统的在线辨识。结合文中提出的径向基网络,通过对某转台伺服系统的仿真,验证了本文提出方法的可行性和有效性。     

神经元自适应PID控制器在机组控制中应用

针对机组控制系统动态范围宽、要求响应速度快、超调量小及参数时变的特性,研究了一种基于神经元的自适应PID控制器。利用神经网络的在线调整功能,自动调整PID控制参数,以适应被控过程的参数变化和克服扰动的影响。仿真和实验结果表明,该算法简洁实用,控制效果优于传统的PID控制。     

基于模糊模型和神经网络的某扫雷犁系统建模

在实现扫雷犁系统准确位置控制的研究中,由于扫雷犁电液伺服系统固有的流量-压力特性等非线性因素,采用传统机理建模方法难以获得其精确模型,研究了系统的两种智能建模方法,即模糊建模和神经网络建模。模糊建模方法采用基于GK聚类算法的TS模糊模型,神经网络建模中采用了基于正交最小二乘算法的径向基函数神经网络。通过对扫雷犁电液伺服系统进行的建模实验仿真,分析了两方法的建模性能并与其他建模方法进行了对比,研究结果验证了所提出两种建模方法的有效性。     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于RBF网络自整定PID控制的应用研究

经典PID的控制参数难以精确整定，且依赖于对象的数学模型，故自适应性较差，很难适应具有非线性、时变不确定性的被控对象，控制精度难以保证。该文对纯滞后工业对象提出了一种基于RBF神经网络PID参数自整定的控制方法，采用将RLS算法和梯度法相融合的新型学习算法，并将这种控制方法与PID控制器相结合应用于纯滞后工业对象中，克服了不确定性对控制对象性能的不利影响，解决了传统PID控制鲁棒性差，及需要预先知道受控对象精确数学模型的问题。仿真结果表明了该方法的鲁棒性和跟踪性能均优于传统PID控制方法。     

基于PIDNN的六旋翼无人机飞行控制算法研究

针对六旋翼无人机比例-积分-微分(PID)控制器参数优化困难的问题,采用了PID神经网络(PIDNN)控制方法,利用其非线性映射和自学习的特性,实现了姿态控制参数的动态调整,增加了系统的自适应性.为验证方法的有效性,通过Matlab的Simulink模块构建了六旋翼无人机数学模型;利用S函数实现了基于反向传播(BP)算法的PIDNN控制器;将仿真结果与传统PID控制效果进行对比,结果表明:在缩短姿态调整时间与减少超调量方面,PIDNN方法控制效果优于PID方法.     

一种在线变结构RBF算法在内模控制中的应用

将一种在线变结构径向基函数网络训练算法应用到内模控制中，对如何利用径向基函数网络辨识被控对象内部模型和控制器模型进行了较为深入的分析并给出了具体的迭代学习公式。仿真结果证明了该算法对非线性动态过程是有效的，具有较好的自适应性和鲁棒性。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

模糊神经网络补偿的伺服系统二次型最优控制

针对伺服系统二次型最优控制存在的问题,提出了基于模糊神经网络补偿的二次型最优控制方法,该控制方法利用模糊神经网络的实时学习能力,能够及时补偿被控对象建模不准确、参数摄动和外界干扰等非线性因素对控制系统性能的影响,增强控制系统的自适应能力,有效提高控制系统的跟踪性能和抗干扰鲁棒性能.仿真试验结果验证了该控制方法的有效性.