共查询到17条相似文献,搜索用时 66 毫秒
1.
基于RBF神经网络整定的PID控制器设计 总被引:2,自引:0,他引:2
对工业控制领域中非线性系统,采用传统PID控制不能获得满意的控制效果。采用基于梯度下降算法优化RBF神经网络,构建其模型,进而编写M语言程序。以整定PID控制器的参数,使系统输出近似跟踪输入。该方法只需给出粗略的PID控制参数,系统的性能依靠神经网络寻优调整,从而可有效地解决经典PID控制方法中控制参数整定困难的问题,且可克服由PID控制参数整定不准给系统带来的不良影响。 相似文献
2.
3.
为保证滚仰式捷联导引头的稳定控制,提出了一种基于 RBF 神经网络整定的 PID 控制策略,用于导引头稳定回路校正环节。根据滚仰式捷联导引头的运动学与动力学关系,结合导引头稳定回路校正环节采用的 RBF 神经网络 PID 控制算法,建立了滚仰式捷联导引头稳定与跟踪一体化仿真模型;仿真结果表明:滚仰式捷联导引头稳定回路采用 RBF 神经网络整定的 PID 控制器后,其动态性能优于传统 PID 控制器,建立的仿真模型能够对机动目标实现快速稳定跟踪,在工程应用中可提供有益参考。 相似文献
4.
5.
双旋翼多输入多输出系统TRMS由于非线性和强耦合,难以建立数学模型和控制,故提出PID参数模糊自整定的控制方法.利用MATLAB设计PID参数模糊自整定控制器,并进行了仿真和实际应用.与常规PID控制相比,PID参数模糊自整定控制不需要建立精确的数学模型,还可及时在线调整PID参数,获得了较好的控制效果. 相似文献
6.
具有自适应鲁棒PID控制器的设计,把系统辨识技术引入PID的设计,参数辨识采用序列二次规划(SQP)算法.对于结构确定,参数变化的系统,可通过自适应中的参数辨识环节对系统参数进行在线辨识,由辨识的结果,利用鲁棒PID控制器的设计方法进行PID参数整定,整定的参数应用于PID控制器;当系统模型参数变化超过一定范围时,辨识环节重新对系统进行辨识,再进行参数整定. 相似文献
7.
倾斜转弯(bank—to—turn,BTT)BTT导弹在飞行过程中,它的参数是时变且大范围不确定的,因此其数学模型具有一定的不确定性。引入对被控对象模型精确度要求较低的模糊控制法.结合经典PID控制法,设计了三种BTT导弹自动驾驶仪,并对其进行了仿真比较。 相似文献
8.
提出了一种基于遗传算法优化整定PID控制器的新方法,该方法首先将PID参数整定转化为求解一优化问题,进而应用遗传算法求出优化问题的解。给出了设计实例,并应用所提出的方法对导弹控制系统进行优化设计。 相似文献
9.
针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。 相似文献
10.
基于BP网络的PID整定控制 总被引:1,自引:0,他引:1
基于三层BP网络的PID的整定控制器,将输出层神经元输出状态对应于PID控制器的比例、积分、微分参数.先确定输入层和隐含层节点数、给出各层权值初值、选定学习速率和动量因子、学习参数等,再计算采样时刻误差、各层神经元的输入输出、PID控制器输出.通过神经网络的自学习、实现PID控制参数的自适应调整.仿真表明该神经PID控制器在三参数自调整、控制量变化、减小误差等方面具有优势. 相似文献
11.
12.
针对无线电测向定位系统中解析算法定位误差较大的问题,提出了一种基于径向基(RBF)神经网络的双站只测向定位方法。利用RBF神经网络可逼近任意连续有界非线性函数的能力,通过样本学习,构建目标位置和测向站所测的来波方向角(DOA)映射模型。与目前解析算法相比,RBF定位模型不仅充分利用了测向站获取的所有二维DOA信息,而且利用神经网络的泛化特性、鲁棒特性,较好解决了测向误差对定位精度的影响。实验表明:该方法能有效提高定位精度。 相似文献
13.
14.
15.
应用倾斜转弯(Bank to Turn,BTT)及推力矢量控(Thrust Vector Control.TVC)技术设计并建立了空空导弹六自由度模型。在此基础上考虑气动参数变化和建模不确定性引起的误差对导弹控制系统的影响,为消除误差影响,引入RBF神经网络分别对快慢回路进行补偿,利用李亚普诺夫(Lyapunov)稳定性定理推导了神经网络权值、中心及带宽的自适应规律,并证明了闭环系统的稳定性。通过对某型空空导弹大机动仿真研究,结果表明RBF神经网络自适应控制方法补偿作用显著,不仅改善了控制系统的动态性能,而且使系统具有良好的抗干扰和容错能力。 相似文献
16.
RBF神经网络采用正交最小平方算法(OLS)决定隐层单元数目、基函数的中心和权值.该算法以每个输入样本为聚类中心,随着正交运算次数的增加,网络的输出误差平方将逐步减小到设定误差范围内,得到隐含层节点数和网络的权值.仿真表明RBF神经网络是有效的. 相似文献