PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

神经网络的强耦合控制系统仿真研究

研究工业控制领域的优化控制问题,工业控制对象具有强耦合特性,传统方法无法对其进行精确解耦,导致系统控制精度比较低.为提高工业控制系统的控制精度,提出一种PID控制和神经网络相融合的控制方法.利用PID优良动态控制特性和BP神经网络非线性控制特性对控制系统进行解耦,在权值调整算法式中加入增大动量项,提高网络学习效率,并采用粒子群算法优化权值初始值,提高控制精度,减少振荡产生.在MATLAB环境下,对非线性控制系统进行仿真研究,仿真结果表明,PID神经网络提高系统的抗干扰能力,提高系统控制精度,能够对系统进行精确解耦,使工业控制系统的性能得到改善.     

基于粒子群算法改进BP神经网络PID垃圾焚烧控制研究

针对生活垃圾焚烧控制系统焚烧过程存在的大滞后、非线性、复杂性、强耦合等问题，本文提出一种基于粒子群算法改进的BP神经网络PID垃圾焚烧控制策略，即在原有传统PID控制器的基础上加入BP神经网络算法，再通过粒子群算法对BP神经网络进一步优化，使其训练得到全局最优控制参数，提高神经网络的收敛性^[1]，从而在线实时调整PID的三个参数K_p、K_i和K_d。实验结果表明，基于粒子群算法改进的BP神经网络PID控制可以有效地克服传统PID控制存在的问题，明显减小了超调量，提高了系统的响应速度和控制精度。     

混沌粒子群神经网络在非线性函数拟合中的应用研究

BP神经网络虽然是目前应用最广泛的神经网络模型,但其自身有易陷入局部极小值和收敛速度慢的缺点。本文提出了一种利用混沌粒子群算法来改进BP神经网络。该算法的基本思想是用混沌粒子群算法对BP神经网络的初始权值和初始阈值进行优化。对粒子群算法进行混沌优化,提高粒子群算法的全局搜索能力;用混沌粒子群算法优化后得到的最优解作为BP神经网络的初始权值和阈值。通过对非线性函数的拟合实验,发现改进后的结果与普通的BP神经网络的结果相比,具有更高的准确性,提高了拟合的精度。     

异步电机无速度传感器速度辩识的仿真研究

研究异步电机无速度传感器辩识问题.在电机无速度传感器辩识过程中,为保证电机系统的实时调节的稳定性和准确性,传统的BP神经网络存在网络结构难以确定,极易陷入局部最优解,导致转速辩识慢,精度低的难题.为了提高电机速度辩识准确率,提出一种粒子群和BP神经网络算法相结合的转速辩识方法.采用粒子群来优化BP神经网络粒的权值和阈值,将粒子群算法全局搜索能力和BP算法的局部寻优特点的互补,以提高BP神经网络的收敛速度及精度,将优化后神经网络转速辩识器用于直接转矩控制系统中.在Matlab平台上进行了无速度传感器控制系统的建模仿真.仿真结果表明,该算法加快了辩识速度,提高了转速的辩识精度,具有良好辩识效果.     

神经网络的粒子群优化算法及其在地震预测中的应用

BP神经网络具有较强的非线性问题处理能力,是目前一种较好的用于时间序列预测的方法,然而它存在易于陷入局部极小值、收敛速度慢等不足。针对以上缺点,利用改进粒子群优化BP神经网络的权值与阈值,有效地增强了算法的全局搜索能力和提高了收敛速度。针对地震预测的应用,用改进粒子群优化的BP算法对四川地区最大震级时间序列进行预测,通过训练预测次年的最大震级。结果表明此方法优于未经优化的算法,具有良好的预测效果。     

基于QPSO的BP神经网络油田节能指标预测

针对BP神经网络易陷入局部极小问题以及收敛速度慢的问题, 引入量子粒子群优化算法和BP神经网络相结合的方法, 共享BP神经网络强大的灵活性和量子粒子群全局搜索能力强的优势, 通过改进QPSO的平均最优位置的计算方法, 实现基于BP神经网络和量子粒子群的油田节能指标预测. 以大庆某采油厂注水泵机组单耗数据为训练数据, 预测结果表明该方法能达到良好的预测效果, 具有可行性.     

BP神经网络PID控制器在工业控制系统中的研究与仿真

针对实际被控对象的时变性和非线性的特点,本文将基于BP神经网络PID的控制器应用于工业控制系统中,同时设计了三层BP神经网络并对BP神经网络PID控制器的算法进行了分析。仿真结果的分析表明：本文所设计的BP神经网络PID控制器在跟随性能、抗扰性能和鲁棒性能方面表现出了良好的控制效果。     

PID神经网络控制器在发动机油门控制中的应用

BP网络与PID控制器相结合,可以实现对PID控制器参数的优化调整。但是BP网络的隐含层层数和神经元节点数的选取尚无定则,需要反复的计算论证才能确定;并且网络连接权重初值选取为随机值,难以保证系统初始运行的稳定。本文提出一种将BP神经网络与PID控制规律融合的新方法--PID神经网络,该方法控制结构简单、系统参数物理意义明确,同时又克服了上述网络的诸多缺点。将该方法应用于对发动机油门开度的仿真控制,仿真结果表明该控制器大大改善了发动机油门控制系统的性能,仿真效果良好。     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案，该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络，网络结构为2-4-1；辨识算法为动态BP算法；控制器采用两层线性结构的神经网络，输入为系统偏差及其一阶、二阶微分，因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究，仿真结果表明该控制方案不仅具有良好的跟踪特性，而且对系统参数变化具有较强的鲁棒性。     

可调引射混合式低压加热器的智能控制

针对可调引射混合式低压加热器是一个多输入多输出的非线性系统,具有时变和非线性特性,采用广义生长-剪枝RBF(GGAP-RBF)神经网络对其进行双变量神经网络自适应控制。该方法用GGAP-RBF网络对加热器非线性模型进行实时辨识,并将系统的Jacobian信息反馈给BP神经网络控制器,从而保证了控制器对被控对象的精确控制。通过加热器的控制对比试验,结果表明该方法能在动态条件下实现对加热器的自适应控制,并且具有较好的动静态性能。     

神经网络PID在温度控制系统中的研究与仿真

本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较．神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。     

利用人工神经网络SNC进行最优励磁控制

BP神经网络是一种多层结构的映射网络。由于它计算简单、存储量小，并具有分布并行处理特性，所以是目前应用最广的一种模型。本文设计了一种BP神经网络的监督学习控制器（SNC），在线性最优励磁控制的基础上，利用3层BP神经网络对柴油发电机的控制过程进行监督学习。通过对网络的训练，使其能达到实时控制的目的。仿真结果表明，所设计的SNC在系统运行方式较大的变化范围内，都能提供很好的控制性能。     

自适应神经PID在挤塑机温控系统中的应用

针对塑料挤出机的多段料筒温度控制,以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法.给出了计算机控制系统设计及系统软件开发.由于神经网络具有强大的非线性映射能力,自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分三种参数自学习的PID控制器.对锥形双螺杆塑料挤出机的温度控制实验结果表明,用该方法整定的PID控制系统,逼近精度高、鲁棒性好.     

Design of robotic visual servo control based on neural network and genetic algorithm

A new visual servo control scheme for a robotic manipulator is presented in this paper, where a back propagation (BP) neural network is used to make a direct transition from image feature to joint angles without requiring robot kinematics and camera calibration. To speed up the convergence and avoid local minimum of the neural network, this paper uses a genetic algorithm to find the optimal initial weights and thresholds and then uses the BP algorithm to train the neural network according to the data given. The proposed method can effectively combine the good global searching ability of genetic algorithms with the accurate local searching feature of BP neural network. The Simulink model for PUMA560 robot visual servo system based on the improved BP neural network is built with the Robotics Toolbox of Matlab. The simulation results indicate that the proposed method can accelerate convergence of the image errors and provide a simple and effective way of robot control.     

线性神经网络在系统辨识中的应用研究

神经网络用于系统辨识最为常用的模型为BP模型,它能辨识线性和非线性系统,但BP网络存在收敛速度慢和易陷入局部极小值的缺点,影响系统辨识的速度和精度。线性神经网络结构简单,它采用Widrow-Hoff学习规则,收敛速度快,且不存在局部极小值问题,因此,对于线性系统,考虑用线性神经网络进行辨识,实验仿真结果表明,基于线性神经网络的系统辨识具有很高的辨识速度和精度。