基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于BP神经网络整定的PID控制策略研究

PID控制在工业生产中广泛应用,在反馈控制系统中经常会遇到稳定性和准确性的冲突,神经网络技术的发展为此提供了新的解决问题的途径,本文将BP神经网络模型与PID参数整定结合,探讨了基于BP神经网络整定的PID控制策略。     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

基于遗传算法和神经网络的PID参数自整定

针对在传统PID(比例-积分-微分)控制器中调整3个参数时不易推导出被控对象的传递函数,且这些参数不易手动调整的问题,提出一种新算法用于调整PID控制器参数.该算法将神经网络和遗传算法相结合,先利用神经网络的模拟功能协助遗传算法计算适应度,训练出一个神经网络模拟被控对象;然后在遗传算法进化中不断地优化PID控制的3个参数.与传统的参数凑试法进行对比仿真实验的结果表明,该算法具有较强的鲁棒性及较快的响应速度.     

基于神经网络的PID参数自整定与实时控制

将Bang-Bang控制与神经网络自适应控制相结合，利用神经元的学习功能构成了一种自适应PID控制器，控制器在Bang-Bang控制阶段进行系统辨识，利用系统参数整定PID控制参数，作为神经网络权系数的初值，其结构简单，工作稳定，鲁棒性强，实时控制结果表明，这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制，使得系统具有快速响应性和良好的抗干扰性。     

基于AAFDE-RBF算法的PID参数整定

针对工业过程中PID(proportional integral derivative,比例积分微分)参数整定难的问题,提出一种自适应调整因子的差分进化算法(adaptive adjustment factor differential evolution algorithm, AAFDE)的神经网络(radial basis function, RBF)方法整定PID控制器的参数。先在差分进化算法中引入自适应调整变异因子,通过定义个体优劣系数引入自适应调整交叉概率因子;再采用AAFDE算法优化RBF的初始参数,建立RBF模型,接着由RBF在线辨识得到梯度信息;最后根据梯度信息对PID的3个参数在线调整。直流电机系统的仿真实验表明,与RBF-PID和DE-RBF-PID相比,AAFDE-RBF-PID控制器动态性能更好、抗干扰性能更强,控制精度更高。     

PID调节及参数整定

在现代科学技术的众多领域中，自动控制技术起着越来越重要的作用。自动控制技术的应用范围现已扩展到生物、医学、环境．经济管理、和其他许多社会生活领域中，成为了现代社会生活中不可或缺的重要组成部分，已成为衡量各行各业现代化水平的一个重要标志。     

基于过程辨识的PID参数自动整定

从标准的ＰＩＤ控制器结构出发，导出了一类基于被控过程辨识的ＰＩＤ参数自动整定算法，对由此构成的自校正ＰＩＤ控制系统的稳定性和其他性能进行了理论分析和仿真研究。结果表明，该算法对开环稳定的非最小相位过程具有良好的控制效果，但如果离散化方法选取不当，将导致闭环系统不稳定。     

PID过程控制及其参数整定

介绍了PID控制的概念及其工作原理,通过对PID过程控制的分析,给出了PID控制系统参数的整定方法。     

一类神经网络整定PID参数的非线性系统解耦方法

对具体非线性系统有不同的解耦方法，如模糊解耦、神经网络解耦等。因神经网络有自学习功能以及对参数摄动的不敏感，故对某些特殊的非线性系统采用神经网络解耦作为补偿器进行输入输出解耦，能够获得较强的鲁棒性。首先介绍了神经网络解耦的一般结构，然后给出了递归多层神经网络的学习方法。针对一类非线性系统设计了一类基于递归多层神经网络整定PID参数的多变量非线性系统的解耦控制器。从仿真可以看出，对于文中所给出的非线性系统，这种递归多层神经网络的解耦控制器对于输入输出解耦是可行的。     

基于自适应动量因子的区间神经网络建模方法

区间神经网络建模是区间控制的核心部分,也是提高系统鲁棒性的重要方法.针对区间神经网络算法收敛速度慢的问题,提出一种自适应动量因子算法.算法利用区间运算建立输入与输出数据的映射模型,通过引入具有自适应特性的动量项,使用最速下降法对动量项进行自适应更新,在加快系统收敛速度的同时,克服系统稳态误差大和容易陷入局部最小值的弊端.典型算例实验表明:区间神经网络能够较为精确地建立区间网络模型,自适应动量因子算法提高了区间神经网络整体性能.     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

基于BP神经网络的PID控制器

介绍了一种基于神经网络自学习PID控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求, 其主要特点是采用线性预测模型来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果。     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

基于BP网络的PID控制器参数整定法研究

将神经网络和PID参数的整定相结合,提出了基于误差反传神经网络的PID参数整定方法,通过神经网络的自学习和权值调整寻找最优的PID参数。该方法适用于非线性系统和时变系统,实现了PID参数的在线整定。     

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

基于BP神经网络特定学习的单级倒立摆控制方法

利用BP神经网络的特定学习算法，以单级倒立摆为控制对象设计一个四输入／单输出、包含5个隐层单元的3层BP神经网络控制器，提出一种新的单级倒立摆控制方法，然后通过Matlab6．5数值计算软件对这种新的单级倒立摆控制方法进行仿真．仿真结果表明，该方法具有较好的收敛性，是一种有效的控制方法．     

BP网络自适应学习率研究

分析了自适应学习率BP算法,并对其进行了总结分类,针对每一类介绍了几种具体的自适应学习率BP算法。最后结合XOR问题把一种自适应学习率BP算法和标准BP算法进行了比较和评价。