基于PID神经网络的智能车舵机控制系统研究

针对传统PID控制算法在电磁导航智能车舵机偏差处理中存在比例、积分、微分参数一经确定,不能在线调整,不具有自适应能力的缺点,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舵机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舵机控制。仿真测试表明,PIDNN控制系统的响应快,无超调,无静差,与传统PID控制算法相比,大大提高了智能车舵机控制系统的性能。     

基于LabVIEW和PIDNN的汽车巡航控制系统设计

提出基于Lab VIEW和PIDNN（神经网络）控制方法,以PID神经网络控制为基础,以车速传感器采集的车速信号和设定车速的差值作为输入量,使用实际车速作为输出量,结合Lab VIEW建立汽车巡航控制系统模型,进行仿真,验证了系统的可行性良好。该系统超调量小,工作稳定,鲁棒性好,可以较好地满足汽车巡航系统的控制需求。     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学,用于多变量系统的解耦控制。本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。通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。     

PID神经网络控制器的设计及仿真研究

PID神经网络(PID-NN)是一种新型的前向神经元网络,该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。PID神经网络控制器是将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,同时又具有神经网络自学习、自适应的功能。本文给出了PID-NN控制器的结构形式,计算公式,从理论上证明了PID-NN的收敛性和稳定性,最后对二阶对象下的系统进行了仿真,证明了PID-NN控制器具有较好的自学习和自适应性。     

改进BP神经网络PID多变量解耦控制器的设计

针对多变量系统间的耦合问题,设计了改进的BP神经网络与PID控制器相结合的多变量解耦控制器。在将BP神经网络附加动量项的基础上,还将激活函数进行了改进。利用神经网络的自学习能力,在线调整PID控制器的三个参数,实现了多变量系统的解耦控制。用Matlab软件对一个耦合系统模型进行仿真,结果表明,改进后神经网络PID控制器优于传统神经网络PID控制器,震荡小,系统响应速度快,可以得到满意的解耦效果。     

并联机器人的粒子群优化神经网络自适应控制算法研究

针对传统控制算法对并联机器人的控制效果不好的问题,提出了一种并联机器人的粒子群优化神经网络自适应控制算法,该算法在基于神经网络的自适应PID控制算法的基础上,首先对粒子群优化算法进行惯性权重的优化和收缩因子的改进,然后将该改进算法应用于原算法上。仿真试验结果表明,提出的粒子群优化神经网络自适应控制算法,在性能上远远优于传统PID控制算法和基于神经网络的自适应PID控制算法。     

基于RBF的改进单神经元PID控制

提出一种基于RBF辨识神经网络算法的改进神经网络PID控制,应用最优控制理论中的二次型性能指标加入到控制算法中的加权系数学习修正部分,将RBF与单神经元相结合构成PID控制器,通过Matlab对指定对象仿真控制,得到了良好的效果.比起以往的神经网络PID控制,改进的算法在学习速度和实时性都得到了提高.     

采用改进模糊神经网络PID控制的移动机器人运动误差研究

移动机器人在复杂环境中运动,容易受到各种波形的干扰,导致移动机器人跟踪误差较大.对此,创建了移动机器人平面简图模型,建立移动机器人动力学方程式.在传统PID控制方法的基础上,设计了模糊神经网络PID控制方法.采用改进粒子群算法优化模糊神经网络PID控制参数,输出最优PID控制参数.采用Matlab软件对移动机器人跟踪误差进行仿真,并与传统PID控制方法进行比较和分析.仿真结果显示:在正弦波的干扰环境中运动,传统PID控制方法不能抑制外界环境的干扰,实际运动轨迹与理论运动轨迹偏差较大;而改进模糊神经网络PID控制方法能够抑制外界环境的干扰,实际运动轨迹与理论运动轨迹偏差较小.移动机器人控制系统采用改进模糊神经网络PID控制方法,能够在线调整PID控制器参数,控制精度较高.     

基于改进RBF神经网络PID控制的液压起重机节能仿真

液压起重机在驱动小负载时,导致液压泵输出功率较大,造成能源浪费。对此,提出了改进径向基函数(RBF)神经网络PID控制方法,并对液压泵输出功率进行仿真。创建液压起重机平面简图,设计了负载敏感平衡阀,推导液压起重机驱动动力学方程式。对传统RBF神经网络结构进行改进,设计了动态自适应RBF神经网络PID控制器,采用Matlab软件对液压起重机改进RBF神经网络控制效果进行仿真。结果表明:在空载或轻载工况下,悬臂在上升过程中,采用RBF神经网络PID控制与改进RBF神经网络PID控制方法,液压泵输出功率几乎一样;悬臂在下降过程中,采用改进RBF神经网络PID控制方法,液压泵输出功率较小。在空载或轻载工况下,液压起重机采用改进RBF神经网络PID控制方法,能够降低液压泵能耗损失,节约资源。     

基于模糊神经网络PID的复合控制策略

为了结合模糊控制容错力强和神经网络PID在线学习和调整的优点,提出了一种结合模糊控制与神经网络PID控制的复合控制方法,即分别设计模糊控制器和神经网络PID控制器后,再利用权重分配器对这两个控制器进行权重分配来控制被控对象。将该控制策略应用于某火电机组的二级过热器减温水流量系统控制,并在simulink仿真平台进行仿真,仿真实验结果表明:该复合控制策略较传统的模糊控制或神经网络PID控制的上升时间更短,调节时间和超调量更小,稳态性能更好。