多变量强耦合时变系统的PID神经网络控制

介绍了一种新的神经网络———PID神经网络及其多变量强耦合时变控制系统。文中给出了网络的结构和算法,分析了时变对象的特点,对一组二变量强耦合时变系统进行了实时仿真。仿真结果显示:PID神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

多变量自适应PID型神经网络控制器及其设计方法

提出一种PID型神经网络控制器（PID-like Neural Network Controller，PIDNNC）及其设计方法．基于PID的简单结构和良好性能优势以及神经网络的自调节和自适应的特长，创建一种具有PID结构的多变量自适应的PID型神经网络控制器．该网络控制器的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成．通过定义误差函数作为设计目标，采用弹性BP算法，并用变化率以及弹性BP算法中的符号法来处理某些求导关系，获得适于实时在线调整网络权值的修正公式．根据李亚普诺夫稳定性定理推导出确保控制系统稳定的学习速率的取值范围．最后通过实例进一步说明所提出网络控制器的优越性．     

基于PID神经网络的非线性时变系统辨识

1　引言PID神经网络是一种多层前向网络 ,它除了具备传统的多层前向网络的特点 ,如逼近能力、并行计算、非线性变换等特性外 ,其隐层单元还分别具有比例、微分和积分等动态特性[1～ 4] .本文将介绍 PID神经网络在非线性时变系统辨识方面的研究结果 .2　PID神经网络结构与算法PI     

PID神经元网络多变量控制系统分析

PID神经元网络是一种新的多层前向神经元网络,其隐含层单元分别为比例(P)、积 分(I)、微分(D)单元,各层神经元个数、连接方式、连接权初值是按PID控制规律的基本原则 确定的,它可以用于多变量系统的解耦控制.给出了PID神经元网络的结构形式和计算方 法,从理论上证明了PID神经元网络多变量控制系统的收敛件和稳定性,通过计算机仿真证 明了PID神经元网络具有良好的自学习和自适应解耦控制性能.     

基于PID神经网络的多变量非线性动态系统辨识

文章研究基于PID神经网络的多变量非线性动态系统辨识问题。文中介绍了PID神经网络的结构和算法,分析了PID神经网络进行多变量动态系统辨识的特点和理论依据,采用PID神经网络实现了辨识任务,并给出了快速收敛的辨识结果。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于模糊神经网络的多变量解耦控制

针对焦炉集气管压力这类多变量非线性系统，提出了一种基于PID神经网络和RBF模糊神经网络的多变量解耦控制方案，RBF模糊神经网络对多变量对象解耦，PID神经网络控制器控制过程的动态特性。工程应用表明，提出的控制策略有效地解决了集气管压力这类复杂对象的过程控制问题。     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。     

基于PID神经网络的温度控制系统

文章根据注塑机料筒温度控制的要求,利用PID神经网络构成了多变量解耦控制系统,分析了注塑机温度控制的特点,给出了网络的结构和算法,对多段温度系统进行了实时仿真。仿真结果表明,PID神经网络对注塑机料筒的温度控制具有良好的解耦性能和自学习控制特性。     

注塑机料筒多段温度PID神经网络解耦控制系统

注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。文中分析了注塑机温度控制的特点，给出了网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

基于RBF神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用一个两层神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想.径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,其学习算法采用正交最小二乘算法,首先得到径向基函数神经网络的结构.然后用BP算法对该网络的权值进行训练使它逼近给定的函数.实验结果表明,该交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

基于RBFNN的非线性多变量系统的控制策略研究

针对非线性多变量大时滞系统,研究了一种基于神经网络的智能控制策略。它以经典的PID控制为基础,通过神经网络参数整定,用于多变量系统的解耦控制;用预测模型超前预测系统输出,以克服系统的时滞。该文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制律下的PID参数,解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点,并具有较强的自适应性和鲁棒性。     

基于关键输入和多输入层高维小波网络

提出一种基于关键输入和加工工序的多输入层高维小波神经网络结构,该网络结构 是在传统前馈神经网络的基础上,将一部分输入节点根据实际情况移到神经网络的相关隐 层,关键输入节点不仅与随后一层隐节点相连,而且与输出节点相连,更真实地反映了大工 业生产过程中变量之间复杂的函数关系.将该种小波网络模型应用于连铸连轧生产线产品质 量建模,其效果较其他4种神经网络为优越.     

基于RBFNN非线性预测模型的多电机传动系统

多电机传动系统因具有多变量、非线性和强耦合性等特点而难以建立精确数学模型。以两电机传动系统为研究对象,将构成NNC网络的RBF神经网络与常规PID控制相结合,从而实现控制参数自适应调节;用隐藏层节点动态生成的RBF神经网络构成NNI网络建立非线性预测模型,以实现传动系统的参数预测。结合NNC网络和NNI网络设计了一种基于RBF神经网络非线性预测模型的两电机传动系统控制器。实验结果表明该控制器可以实现两电机传动系统中电机转速和张力的解耦控制,动静态性能好。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统,采用对角递归神经网络(DRNN)与带动量项的PID梯度优化算法(PIDGDM),自适应调整PID控制器的二项参数,并行完成系统的解耦与控制工作。仿真结果表明,系统具有很好的静态和动态性能。     

神经网络PID控制及在纸页水份定量控制中的应用

针对抄纸过程水份定量控制系统的特点 ,利用一种多层神经网络 ,组成神经网络PID控制器。经仿真研究及实际运行表明 ,多层神经网络PID控制器具有很强的鲁棒性、自学习功能和自适应解耦功能。     

神经网络多层特征信息融合的人脸识别方法

由于人脸面部结构复杂,不同人脸之间结构特征相似,导致难以提取到十分适合用于分类的人脸特征,虽然神经网络具有良好效果,并且有很多改进的损失函数能够帮助提取需要的特征,但是单一的深度特征没有充分利用多层特征之间的互补性,针对这些问题提出了一种基于神经网络多层特征信息融合的人脸识别方法。首先选择ResNet网络结构进行改进,提取神经网络中的多层特征,然后将多层特征映射到子空间,在各自子空间内通过定义的中心变量进行自适应加权融合;为进一步提升效果,将所有特征送入Softmax分类器,同时对分类结果通过相同方式进行自适应加权决策融合;训练网络学习适合的中心变量,应用中心变量计算加权融合相似度。在同样的有限条件下,在使用AM-Softmax损失函数的基础上,融合特征在LFW(Labeled Faces in the Wild)上的识别效果了提升1.6%,使用融合相似度提升了2.2%。能够有效地提升人脸识别率,提取更合适的人脸特征。     

多层前向小世界神经网络及其函数逼近

借鉴复杂网络的研究成果, 探讨一种在结构上处于规则和随机连接型神经网络之间的网络模型—-多层前向小世界神经网络. 首先对多层前向规则神经网络中的连接依重连概率p进行重连, 构建新的网络模型, 对其特征参数的分析表明, 当0 < p < 1时, 该网络在聚类系数上不同于Watts-Strogatz 模型; 其次用六元组模型对网络进行描述; 最后, 将不同p值下的小世界神经网络用于函数逼近, 仿真结果表明, 当p = 0:1时, 网络具有最优的逼近性能, 收敛性能对比试验也表明, 此时网络在收敛性能、逼近速度等指标上要优于同规模的规则网络和随机网络.     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.