基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

模糊神经网络在链条炉燃烧过程中的应用

本文介绍了基于模糊神经网络控制实现链条炉的优化燃烧。同时利用改进的BP算法,对神经网络的各参数进行离线训练。利用人工神经网络的记忆特性,对链条炉的优化燃烧进行在线控制。     

基于改进PSO＿BP神经网络的干燥机可靠性预测

针对BP(Back Propagation)神经网络模型对谷物干燥机进行可靠性预测时,模型存在收敛速度慢和易陷入局部最优等问题,采用改进的粒子群算法对BP神经网络模型进行优化,建立PSO＿BP神经网络的谷物干燥机可靠性预测模型,并与BP网络模型和GA＿BP网络模型获得的MAERMSEMAPE指标进行对比。研究结果表明,采用改进的PSO＿BP网络模型预测时,与BP网络模型相比三项指标分别降低了0.051 8、0.047 9和28.04%;与GA＿BP网络模型相比,三项指标分别降低了0.000 4、0.000 2和0.61%,说明其具有更小的误差和较好的预测能力。为实现谷物干燥机可靠性精准预测提供方法和思路。     

一种新型混沌PSO算法在板形智能控制中的应用

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制。仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统。     

一种新型混沌PSO算法在板形智能控制中的应用简

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制.仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统.     

模拟退火粒子群算法在汽车故障诊断中的应用

将基于模拟退火改进粒子群优化（SAPSO）算法和误差反向传播（BP）算法相结合构成的SAPSO-BP算法用于训练神经网络,该算法能够有效克服BP和PSO算法独立训练神经网络的缺陷。并应用于汽车发动机异响智能故障诊断。诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法。并且具有较高的诊断准确率。     

基于神经网络PID的船用电压型逆变电源研究

针对传统PID控制存在着参数整定难、动态性能差等问题,无法满足现代船用三相逆变电源的新要求,从常用的电压型逆变电源入手,选定了三相半桥拓扑。通过坐标变换,将其转换到两相旋转坐标轴下分析问题,利用SVPWM算法对其进行了控制。提出了一种神经网络与PID控制相结合的方法,利用BP神经网络控制灵活、适合时变的或非线性的控制对象等特点,配合简单精确的PID控制,使得两者很好地发挥了各自的优势。同时,对改进型PSO算法对BP神经网络的初始权值进行了优化,并最终通过实验来进行验证。研究结果表明:应用PSO优化BP神经网络PID控制的三相逆变电源有很好的效果,电压总谐波控制在一定指标之内,并且在突加突卸实验时表现出更优异的动态特性,超调更小,响应更快。     

基于神经网络的光伏阵列局部阴影建模研究

在局部阴影条件下,光伏阵列的输出特性将发生变化。利用神经网络具有逼近任意复杂非线性函数的能力,采用粒子群算法（PSO）来优化BP神经网络的内部连接权值和阈值,以改善神经网络的预测性能,并基于这种改进的神经网络结构搭建局部阴影下的光伏阵列模型。仿真结果表明,此算法泛化能力强、收敛速度快,能够对阴影下的光伏阵列进行建模。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛...     

堆垛机速度智能控制的优化研究

采用模糊控制技术与小脑模型神经网络(CMAC)相结合的方式进行堆垛机的速度控制,克服单独运用模糊控制或CMAC神经网络的缺点,使系统既具有模糊控制的灵活性和强适应性,又兼具神经网络的学习能力,并且采用遗传算法对控制器的输入输出比例因子及连接权值进行寻优.仿真结果表明:该控制系统提高了系统的稳定性、鲁棒性和控制精度,使系统的综合性能得到显著改善.     

燃气锅炉燃烧系统的模糊神经网络控制

文章采用双模糊神经网络调节的PID算法,对锅炉的燃烧系统进行了离线模拟计算和在线实时控制。首先对燃烧系统进行离线计算,把运算的最优结果作为在线实时控制的输入,接着运用实时在线控制算法调节锅炉燃烧系统的输出参数,达到理想的输出结果。此算法与常规的PID算法及其模糊PID算法相比较,能提高燃烧效率,节约能源,具备良好的稳定性、鲁棒性和抗干扰性。     

一种基于BP神经网络的模糊PID控制算法研究

提出了一种基于神经网络自学习和并行处理的能力。利用模糊控制对未知模型不精确控制的功能来设计的PID控制算法,仿真实例表明能较好地实现PID控制器参数在线调整和优化。     

一种火灾图像探测系统的研究

根据火灾发生时着火面积逐渐增大、火焰边缘抖动等特征,提出了一种基于BP网络的火灾图像探测系统。着重讨论了利用具有二次收敛性的Levenberg-Marquardt学习算法进行BP网络的权值优化,与标准BP算法相比,用Levenberg-Marquardt学习算法训练的BP网络具有更快的收敛 速度和更高的可靠性。     

基于免疫遗传算法的模糊径向基函数神经网络在高速电主轴中的应用

为满足高速高性能电主轴系统快、稳、准的控制要求,结合免疫遗传算法寻优速度快及模糊神经网络控制不依赖主轴系统模型的优点,设计了一种将模糊逻辑控制、径向基函数(Radical basis function, RBF)神经网络和免疫遗传算法进行有机结合的高速电主轴系统全局优化的控制策略,并将该智能控制策略成功应用于高速电主轴系统双闭环矢量控制系统的转速控制器中。通过免疫遗传算法对该智能控制器三类参数的同步优化取得了最佳控制效果,从而实现了对主轴输出转速的精确控制。试验和仿真结果验证了所设计的控制器能够精确控制主轴的输出转速,而且当高速电主轴受到突加负载冲击时,具有很好的抗干扰性能及较强的鲁棒性,使主轴系统具有优良的动、静态性能,实现了高品质驱动。     

用于SPC控制图识别的神经网络训练并行算法研究

在研究统计过程控制基础上建立控制图识别的神经网络模型。通过对前向型神经网络分析,设计了粒子群优化算法与阻尼最小二乘法相结合的复合训练算法,基于并行运算原理对上述复合算法进行优化。实验结果表明,该复合算法经过并行优化后训练速度明显提高,具有较大的实用价值。     

基于BP神经网络的EPS助力特性研究

提出了基于BP神经网络优化算法计算任意车速下方向盘扭矩与电机助力电流的非线性关系的方法。对基于BP神经网络优化算法的EPS系统控制策略和算法进行了深入研究。通过分析车辆和驾驶员对转向控制的要求和特点,获得了汽车车速和方向盘扭矩二输入下的EPS的助力特性,对研究汽车转向系统助力特性具有实际应用价值和直接指导意义。     

一种改进的模糊CMAC神经网络车辆自主避障算法

考虑到模糊控制算法在自主避障上的缺陷,设计了一种改进的模糊CMAC神经网络车辆自主避障算法。采用模糊CMAC神经网络(FCMAC)的各层节点来实现模糊控制器变量的输入、模糊化、模糊逻辑的前提条件匹配运算、模糊量的归一化、控制量的输出和控制规则的调整,借助神经网络的自学习能力来完成模糊控制。通过仿真实验,验证了改进的模糊CMAC神经网络算法的可行性和有效性。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。