基于RBF神经网络整定的高速公路匝道PID控制器

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (36): 189-191.

基于RBF神经网络整定的高速公路匝道PID控制器

曾爱国¹,梁新荣^1,2,韦彦秀¹

1.五邑大学信息学院，广东江门 529020
2.华南理工大学自动化学院，广州 510640

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-21 发布日期:2007-12-21
通讯作者: 曾爱国

Freeway ramp PID controller regulated by RBF neural network

ZENG Ai-guo¹,LIANG Xin-rong^1,2,WEI Yan-xiu¹

1.School of Information，Wuyi University，Jiangmen，Guangdong 529020，China
2.College of Automation，South China University of Technology，Guangzhou 510640，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-21 Published:2007-12-21
Contact: ZENG Ai-guo

摘要/Abstract

摘要： 研究RBF神经网络整定PID控制器的参数，并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理，然后建立了高速公路交通流模型，并设计了RBF神经网络整定的高速公路匝道PID控制器，RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数，最后用MATLAB软件进行系统仿真。仿真结果表明，该控制器具有优越的动态和稳态性能，用于高速公路入口匝道控制中效果良好。

关键词: 高速公路, 匝道控制, 交通流模型, RBF神经网络, PID参数整定

Abstract: A parameter adjustment method of the PID controller with RBF neural network is developed and applied to freeway on-ramp metering.The control principle of a ramp is firstly formulated，then a freeway traffic flow model is built，and the PID ramp controller regulated by RBF neural network is designed.RBF neural network identifies the Jacobian matrix of the control plant and then adjusts the parameters of PID controller dynamically.Finally，the controller is simulated in MATLAB software.Simulation result shows that the controller has good dynamic and steady-state performance.It is very effective to freeway on-ramp metering.

Key words: freeway, ramp metering, traffic flow model, RBF neural network, PID parameter adjustment

曾爱国¹,梁新荣^1,2,韦彦秀¹. 基于RBF神经网络整定的高速公路匝道PID控制器[J]. 计算机工程与应用, 2007, 43(36): 189-191.

ZENG Ai-guo¹,LIANG Xin-rong^1,2,WEI Yan-xiu¹. Freeway ramp PID controller regulated by RBF neural network[J]. Computer Engineering and Applications, 2007, 43(36): 189-191.

[1]	丁冰，杨祖莨，丁洁，刘晋峰，闫国亮. 基于改进YOLOv3的高速公路隧道内停车检测方法[J]. 计算机工程与应用, 2021, 57(23): 234-239.
[2]	苏佳丽，伍忠东，丁龙斌，刘菲菲. 基于IGWO-RBF的LTE-R切换算法研究[J]. 计算机工程与应用, 2020, 56(8): 74-80.
[3]	刘敬学1，孟凡荣1，周勇1，刘兵1，2. 字符级卷积神经网络短文本分类算法[J]. 计算机工程与应用, 2019, 55(5): 135-142.
[4]	戴丽，罗廷芳，李杨，李明. 基于改进细菌菌落优化算法的PID参数整定[J]. 计算机工程与应用, 2019, 55(24): 241-246.
[5]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[6]	颜学龙，丁鹏，马峻. 基于狼群算法的RBF神经网络模拟电路故障诊断[J]. 计算机工程与应用, 2017, 53(19): 152-156.
[7]	王晓楠1，2，巨永锋1，高婷1. 基于犹豫模糊H-平均的交通流模型选择方法[J]. 计算机工程与应用, 2017, 53(13): 134-140.
[8]	胡继启1，2，彭建2，董国华1，2，尹波1，2. 基于收费数据的交通拥堵初发点计算[J]. 计算机工程与应用, 2016, 52(23): 224-228.
[9]	周慧，张尤赛，李垣江. 应用RBF神经网络的体绘制传递函数设计方法[J]. 计算机工程与应用, 2016, 52(22): 180-184.
[10]	宋鑫超，苏庆堂，刘启明. 多姿态人耳识别的局部线性嵌入及其改进算法[J]. 计算机工程与应用, 2016, 52(13): 183-186.
[11]	赵守林1，秦立龙2，陈翔3. 基于复杂度特征的数字调制模式识别[J]. 计算机工程与应用, 2015, 51(4): 226-231.
[12]	唐晓勇1，江亚群1，黄纯1，彭江锴2，戴永梁1. 改进ASMDE算法和RBFNN的配电网线损计算[J]. 计算机工程与应用, 2015, 51(13): 245-250.
[13]	王菲露，宋杨. RBF神经网络在柔性触觉传感器解耦中的应用[J]. 计算机工程与应用, 2015, 51(10): 20-25.
[14]	张琛1，徐国丽2. 基于云遗传的RBF神经网络的交通流量预测[J]. 计算机工程与应用, 2014, 50(16): 216-220.
[15]	王彬，贠卫国. K-聚类的模糊神经网络对DO的控制研究[J]. 计算机工程与应用, 2014, 50(16): 150-153.