高精度自适应小波神经网络人工智能方法探索

针对当前人工智能方法存在的训练精度瓶颈问题和智能系统对高精度人工智能方法的迫切需求问题,结合小波分析和BP(back propagation)、RBF(radial basis function)神经网络的优点,提出了自适应小波神经网络(adaptive wavelet neural network,AWNN)方法,将其应用于智能视频分析系统和智能控制系统,并验证了AWNN方法可以取得更好的收敛性、准确性、精度等。通过对AWNN方法与经典的神经网络进行理论分析,并与计算机仿真进行对比分析,验证了该方法可以提升经典神经网络的速度和精度;进而通过将AWNN方法植入真实的视频分析系统进行实验,验证了AWNN方法与现有的视频分析技术相比具有更准确的内容分类能力;最终将AWNN方法与经典控制方法相结合,通过与两种现有的神经网络控制方法进行对比分析,验证了AWNN控制方法具有更好的控制性能。     

基于双柔化系数在线调整的广义预测控制

在预测控制系统中，其控制品质与控制器的参数整定有很大的关系，特别是性能指标中的输出柔化系数及输入柔化系数。针对广义预测控制算法中控制参数整定困难这一缺点，利用BP神经网络，提出一种基于双柔化系数设计的广义预测控制算法，实现了广义预测控制中输入输出柔化系数的在线调整。仿真结果表明，该算法无论在跟踪性能、控制精度及鲁棒性上，均优于固定参数的广义预测控制算法，并对干扰有一定的抑制作用。     

增强学习的PID控制参数优化快速整定算法

为了解决利用粒子群算法对非线性和不确定系统进行PID控制参数整定时存在的种群多样性较低、控制参数在线学习能力差等问题,提出了增强学习的PID控制参数优化快速整定算法;首先,对进化学习算法进行改进;然后利用神经网络进行混合PID控制器设计,利用增强学习算法进行在线反馈学习;最后对每次种群进化后的多样性进行了自适应变异;通过对输入曲线的跟踪对比,验证了文中算法的参数整定效果,同时对种群的多样性进行了跟踪仿真;仿真实验表明,文中的算法具有较强的鲁棒性,算法收敛速度较快,整定效果较高。     

基于小波神经网络的PID整定与应用

提出了一种基于小波神经网络整定的PID控制方法。由于小波变换具有良好的时频局部特性，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，采用规范正交的小波函数作为神经网络的基函数构成小波神经网络。该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力，自学习、自适应能力等优点，渗碳炉控制实验结果表明．用该方法整定的PID控制系统收敛速度快。逼近精度高，鲁棒性好。     

模糊自整定PID的船舶蒸汽动力负荷控制

船舶蒸汽动力装置自动控制的首要任务是机组的负荷控制。传统的PID控制算法由于具有结构简单、易于实现、可消除静差等优点得到了广泛的应用,但它受控制对象的影响较大,只有在各参数整定良好的前提下才能得到满意的控制效果。根据上述情况,结合船舶蒸汽动力单元工况变化频繁的特点,提出一种基于输出响应的自适应PID算法,以提高控制系统适应负荷变化的能力。方法在保留传统定值PID控制算法优点的同时,引入模糊控制在线整定PID控制参数,改善了机组的负荷控制特性,具有一定的工程应用价值.     

BP神经网络在导弹控制系统参数整定中的应用研究

PID控制是目前广泛应用的导弹姿态控制方法,对其相应的Kp、K,、KD三个控制参数的整定多采用经验方法完成,而常规PID控制器难以实现在线实时自适应参数整定;而将神经网络技术与常规PID控制相结合,则可以在一定程度上解决常规PID控制器不易进行实时自适应参数调整等方面的缺陷,充分发挥PID控制的优点;论文以某型导弹的纵向通道姿态控制系统为例,采用BP神经网络实现了控制系统参数的自适应整定.     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

基于代数算法的RBF神经网络解耦控制

提出一种基于代数算法的RBF(Radial Basis Function)神经网络自适应PID控制方法.该方法采用动态的径向基函数网络对非线性系统进行在线辨识被控对象,并将获得的灵敏度信息对PID控制参数自整定,实现了系统的解耦控制.仿真结果表明该设计方案具有控制精度高,实时性好,且具有很强的鲁棒性和自适应性.     

规则推理与神经计算智能控制系统改进及比较

针对生产生活实践中的智能系统在实施控制过程中关键参数的实时在线智能整定与优化问题与需求,实现将不同类型人工智能方法与经典的控制方法对接从而构成多种复合控制（AI-CC）方法,提出改进算法并进行理论分析与仿真对比研究。首先实现了基于规则与模糊推理机制的AI-CC方法,提出了增量式改进算法,进而提出基于小波神经网络的AI-CC方法,进一步对两类智能系统的稳定性进行理论分析,提出稳定性保证算法,最后对比研究不同类型的智能系统在智能程度与性能特征方面的差异。研究成果为该领域研究者提供了多种改进的智能控制算法及其对比参照和理论分析,为该方法在工程实践中低成本地升级并稳定可靠地应用提供可操作方案。     

一种发动机动力系统的非线性建模方法

为了提高发动机动力系统建模的性能,提出了一种支持向量机与克隆选择算法相集成的发动机动力系统建模新方法;该方法采用支持向量机构建发动机动力系统的多输入单输出非线性回归模型,模型的参数向量由改进的克隆选择算法和训练样本集平均绝对误差最小的准则进行自适应整定;实验结果验证了该方法的有效性,模型的精度与稳健性明显优于常规神经网络方法及改进神经网络方法,对发动机动力系统建模与预测研究具有较好参考价值。     

智能电气阀门定位器的设计与自适应控制

针对传统阀门定位器的调节过程繁琐,精度较差的劣势,结合系统低功耗的要求,设计了MSP430F149作为微处理器的智能阀门定位器的硬件和软件;对阀门和气动执行器设备不确定性,提出了PID参数自整定的设计方法,自动辨识系统所需的控制参数,并引入模糊自适应算法进行在线校正;采用综合Bang--bang控制和模糊自适应算法的自适应控制器,满足了系统快速性和控制精度的要求;实验结果表明:控制系统调节时间约4s,超调量控制在2%之内,具有理论和应用价值.     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

一类非线性系统的自适应通用模型控制策略

通用模型控制(CMC)算法的参考轨迹是一条标准的二阶曲线,该控制器的参数具有明显的物理意义,控制器参数整定方便.将通用模型控制算法与非线性观测器结合,在线估计控制器的参数,从而构成自适应控制系统.该自适应控制策略的参数也具有明显的物理意义,控制器和非线性观测器参数整定方便.在压力槽的控制中表明了该控制策略的良好性能.     

基于小波神经网络的加工过程自适应控制

把信息熵、小波分析和神经网络相结合,提出了基于小波神经网络的加工过程自适应控制系统及其自适应控制算法。提出并定义了广义熵方误差函数,在理论上证明了广义熵方误差函数的有效性。用广义熵方误差函数准则取代BP算法的均方误差准则,用自适应地搜索小波基函数和自适应地调整小波的尺度参数、平移参数和神经网络权值的方法对参数变化的切削力进行在线控制。仿真结果表明,该系统响应快,无超调,比传统的加工过程神经网络自适应控制具有更好的控制效果。     

基于在线自适应遗传算法的PID参数整定和优化

研究自动控制系统优化问题,控制系统响应特性取决于系统参数的调整.针对传统的PID控制算法参数较多,且难以整定,使得控制效果不理想等问题,提出了自适应遗传算法的PID参数整定.根据遗传算法具有在线性差的问题,对遗传算法作了改进.通过自适应遗传算法对PID参数进行整定与寻优,选择自适应度大的个体所对应的PID控制参数作为采样时间下的PID控制参数.改进后的算法有效提高了遗传算法的寻优能力,提高了算法的收敛的速度,在一定的范围可以求得最优全局解.在MATLAB上仿真结果表明,在PID参数的寻优过程中,自适应遗传算法具有更强的寻优能力,提高了控制系统的自适应性,为优化控制系统设计提供了依据.     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

基于MyPSO-BP的黄酒发酵温控系统

在 Labview组态软件、西门子PLC300和温度传感器构成的温度控制系统基础上,提出一种新的黄酒发酵温度控制系统,将带交叉因子的粒子群优化(PSO)算法应用到BP神经网络(MyPSO-BP)比例积分微分(PID)控制中。改进的PSO算法初始化神经网络的权重和阈 值,可以更好地在线整定PID参数,增强系统的稳定性和鲁棒性,减小误差。对系统进行Matlab仿真实验,结果表明,该系统相较于传统的神经网络PID控制器具有更好的温度控制性能。     

基于智能自动化复合PID控制技术的研究

针对具有时滞一阶非最小相位系统的被控对象,提出了一种基于智能复合PID控制方法,推导出复合PID控制器控制参数的整定方法.考虑到被控对象的不确定性、慢时变等特点,以神经网络元构造基于智能自动化复合PID控制器,解决了基于智能自动化复合PID控制参数在线调整的问题,使复合PID控制器适用范围更广泛.对闭环控制系统模拟结果表明,该系统控制参数整定方法简单,具有非常好的控制效果.     

模糊RBF太阳电池最大功率点跟踪算法

为了有效地利用太阳能,提高光伏发电系统的效率,通过分析太阳电池输出特性和最大功率点跟踪原理,结合模糊控制算法、神经网络与比例—积分—微分(PID)算法的优势,提出一种模糊径向基函数(RBF)神经网络的太阳电池最大功率点跟踪算法。利用模糊RBF神经网络对PID控制器的控制参数进行自适应整定,从而精确调节光伏电池变换器的功率开关占空比,达到太阳电池最大功率点跟踪控制。仿真与实测结果表明:算法能有效提高系统的响应速度、自适应能力。     

交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法.通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法.仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络.