共查询到20条相似文献,搜索用时 93 毫秒
1.
基于合作粒子群算法的PID神经网络非线性控制系统 总被引:7,自引:2,他引:5
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. 相似文献
2.
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. 相似文献
3.
针对PID神经元网络(PIDNN)将静态神经元扩充到动态神经元的特性,通过分析PIDNN控制算法存在的局限性,对变量系统的激励函数提出了改进方案,扩大了PID神经网络控制的适用范围。Matlab仿真测试表明,改进后的PIDNN系统具有良好的稳态性,试验验证了算法的有效性。 相似文献
4.
纸浆浓度控制系统的仿真研究 总被引:2,自引:0,他引:2
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。 相似文献
5.
针对传统的解耦方法对实际工业生产过程中的多变量、非线性、强耦合系统解耦效果不理想的问题,提出了改进的简化粒子群(isPSO)算法与PID神经网络(PIDNN)相结合的方法。PIDNN训练用于消除回路间的耦合,其连接权值由简化粒子群算法学习优化。该isPSO算法能克服PIDNN易陷入局部收敛的缺点,而且与基本PSO算法相比,搜索到最优值的概率更高。采用的小步长线性递减惯性权重和增加的极值扰动算子,则加速了对PIDNN权值的优化。通过对强耦合对象火电厂锅炉燃烧系统的仿真表明,该方法具有更好的控制品质:鲁棒性强、跟踪快、解耦效果好,为实际应用中强耦合系统的改进提供了理论依据。 相似文献
6.
研究了基于PID神经元网络的智能车多变量控制系统。智能车的转向控制与速度控制相互关联、相互影响、且都具有时变性,针对智能车在行驶时要求电机的动态响应速度要快、舵机的动态响应时间要短的特点,提出了将PID神经元网络(PIDNN)控制器及其算法应用到智能车的控制系统中来对传统PID控制进行改进。PIDNN控制系统不依赖智能车电机与舵机的数学模型,能够根据控制效果在线训练和学习,调整网络连接权重值,最终使系统的目标函数达到最小来实现智能车的精确控制。Matlab仿真测试表明,PIDNN控制系统的响应快,超调小、无静差,与传统PID控制算法相比,大大提高了智能车控制系统的性能。 相似文献
7.
8.
设计了一种基于PID神经网络(PIDNN)算法的经纬仪精密转位控制系统,通过DSP运算控制伺服电机,同时驱动望远镜与照准部旋转,以实现自动照准目标;由于经纬仪转位时,照准部与望远镜分别绕竖轴和横轴旋转,导致系统参数变化,模型时变,而传统的PIDNN对时变模型适应性不强,速度轨迹跟踪效果不够理想;针对此不足,文章在经纬仪竖轴转位速度控制中,将望远镜旋转角度作为一个新的PIDNN输入变量引入系统;据此建立了改进PIDNN前向和反向传播算法,并推导了经纬仪转位系统的传递函数;Mat-lab仿真结果表明:新输入量的引入,有效补偿了模型参数变化对控制效果的不利影响,增强了系统的稳定性,提高了轨迹跟踪精度,从而为实现高精度转位控制的设计奠定了基础。 相似文献
9.
BP神经网络已被广泛应用于PID控制器的优化调参,但这种调参方法具有收敛速度慢、学习时间长、连接权重初值为随机值、易于陷入局部极小等缺点.本文提出了一种不同于用BP网络调整PID参数的新的融合方法:PID神经网络控制器(PIDNN):该控制器不仅能克服以上缺点,而且具有很好的鲁棒性.本文对PIDNN在某无人机姿态控制系统的应用进行了仿真研究,仿真结果表明该控制器能够大大地改善姿态控制系统性能. 相似文献
10.
针对加热炉温度温度分布不均、数学模型的不确定性,系统工作点变化剧烈特点,设计了一种将PID控制规律融进神经网络之中构成的新型智能控制系统-PID神经网络系统(PIDNN)。该系统具有推理速度快、抗干扰能力强等优点。 相似文献
11.
针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。 相似文献
12.
由于电阻炉温控系统是一个大惯性、大滞后、时变、且非线性的系统,采用传统PID控制不能解决系统的非线性、时变和PID参数的在线整定难等问题,为此提出一种控制算法—模糊神经网络PID算法。可根据电阻炉的温度的偏差及其变化率实时对PID的3个参数进行优化,达到具有最佳组合的PID控制,从而实现PID控制的自适应和智能化性能。使用MatLab的simulink仿真,通过传统PID与模糊神经网络PID阶跃响应曲线的比较,表明系统采用模糊神经网络PID算法具有更好的动、静态特性和自适应性,对突加的外部的扰动具有良好的抗干扰能力,具有实用价值。 相似文献
13.
基于BP神经网络整定的PID控制 总被引:8,自引:1,他引:7
传统PID控制在控制系统中有广泛的应用,但是由于其在参数整定过程中对于对象模型过分依赖,并且参数一旦整定计算好后,在整个控制过程中都是固定不变的,而在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳的控制效果.为了改善传统PID控制的效果,又充分利用现有PID控制的研究成果,采用BP神经网络对PID参数进行整定,并对该系统进行了仿真分析.仿真结果表明,采用BP神经网络整定的PID控制较传统PID算法及BP网络算法都有较大程度的提高. 相似文献
14.
张彬 《电脑与微电子技术》2012,(19):3-6
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。 相似文献
15.
16.
描述了基于Internet远程过程控制实验系统以及基于BP神经网络整定PID控制算法在此控制系统中的实现。实验者可远程操作实验装置,可远程选择控制算法。测试结果表明应用基于BP神经网络整定PID控制算法于此远程过程控制实验系统中,系统动态响应快、具有较高的控制精度,满足过程控制实验的要求。 相似文献
17.
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。 相似文献
18.
19.
20.