航空发动机自适应神经网络PID控制

普通PID控制器以其简单、实用、易于实现，在经典控制中倍受青睐。对于像航空发动机这样复杂的非线性系统，基于对象精确数学模型的PID控制方法的自适应性较差，难以适应具有非线性、时变不确定性的被控对象。神经网络的建立为这种问题的解决奠定了基础。文中针对航空发动机难于建立精确数学模型的特点．采用了航空发动机自适应神经网络PID参数控制方案，仿真结果表明自适应神经网络PID控制不仅不依赖于精确的对象模型．而且具有满意的动、静态性能。     

航空发动机的CMAC与PID并行控制

提出了一种基于CMAC神经网络与PID并行控制方法，利用传统的PID控制器实现反馈控制．保证系统的稳定性．并抑制扰动；利用CMAC神经网络控制器实现前馈控制．保证系统的控制精度和响应速度。将该算法应用到航空发动机控制中．结果表明．与单纯PID控制算法相比，该算法增强了系统的控制精度，提高了系统的响应速度．并具有较好的抗干扰能力。     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

基于RBF网络的微分先行PID控制器

将微分先行PID控制算法和径向基函数(RBF)神经网络结合,提出基于RBF神经网络的微分先行PID控制器.其微分先行PID控制器直接对被控对象进行闭环控制,实现参数在线自调整.RBF结构神经网络则根据系统的运行状态,利用神经网络的自学习自适应能力调节PID控制器参数的在线自整定,达到误差性能指标最优化.Matlab仿真表明,该控制方案不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好.     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

基于BP网络的PID整定控制

基于三层BP网络的PID的整定控制器,将输出层神经元输出状态对应于PID控制器的比例、积分、微分参数.先确定输入层和隐含层节点数、给出各层权值初值、选定学习速率和动量因子、学习参数等,再计算采样时刻误差、各层神经元的输入输出、PID控制器输出.通过神经网络的自学习、实现PID控制参数的自适应调整.仿真表明该神经PID控制器在三参数自调整、控制量变化、减小误差等方面具有优势.     

基于增量反步的复合翼无人机全包线姿态控制

针对某型复合翼无人机强非线性、不确定性和多模态的问题,从不确定性补偿非线性控制方法、跟踪微分器加速度测量和直接切换方法等角度开展全包线飞行控制研究。针对气动参数不确定问题,基于角加速度补偿方法,提出一种基于新型微分跟踪器的增量反步方法(incrementalbacksteppingcontrol,IBKS);为解决多模态特性问题,设计基于策略的直接切换方法,利用控制器参数切换实现复合翼无人机全包线姿态控制;通过不同模态下的仿真选取不同模式下的控制器参数,并联合选取的参数对起飞过程进行仿真。结果表明：所提姿态控制方法在样例复合翼无人机参数摄动30%的情况下,相较于反步法提高了66.8%的俯仰角控制精度,能消除攻角抖振,提升飞行品质。     

基于模糊神经网络PID的机床直流调速系统

为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。     

基于遗传算法的航空发动机模糊优化控制

为适应航空发动机非线性的控制要求,采用基于多个修正因子的模糊控制方法对航空发动机的控制器进行设计,利用改进的遗传算法对模糊控制器的多个修正因子进行参数优化,并对航空发动机数学模型进行仿真试验.从仿真的结果看,改进遗传算法的收敛性比较强,收敛速度快;仿真优化后的修正因子取值在满足一定范围时,控制系统能达到比较好的控制效果.基于遗传算法参数优化的模糊控制器表现出比较好的控制性能.     

基于模糊神经网络的遥控武器站伺服系统PID控制器

针对遥控武器站伺服系统具有间隙、摩擦等非线性、不确定性特征,将PID控制与模糊神经网络进行有机结合。利用多层神经网络提取模糊控制规则,构建模糊神经网络控制器,根据偏差E和偏差变化EC在线调整PID控制器的三个参数。仿真试验表明,该控制器具有PID控制器精度高,以及模糊神经网络控制器响应速度快、超调小、稳定性高的特点,具有良好的动、稳态特性。     

某定深电液伺服系统的粒子群优化神经网络PID 控制

为解决定深电液伺服系统的系统参数难以确定、运行过程中内部参数具有时变性和外部负载扰动较大等 问题,设计一种将PID 控制器与神经网络相结合的控制策略。分析定深电液伺服系统的数学模型和控制器的结构与 工作原理,用径向基函数神经网络来动态修正PID 控制器中控制参数的策略,采用粒子群算法离线选取最优的神经 网络权值,用Matlab 将控制器应用于定深电液伺服系统中,并与经典的PID 控制器和RBF-PID 控制器进行对比。 仿真结果表明,该控制器具有较好的快速响应能力与鲁棒性。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

基于RBF神经网络整定的PID控制器设计

对工业控制领域中非线性系统，采用传统PID控制不能获得满意的控制效果。采用基于梯度下降算法优化RBF神经网络，构建其模型，进而编写M语言程序。以整定PID控制器的参数，使系统输出近似跟踪输入。该方法只需给出粗略的PID控制参数，系统的性能依靠神经网络寻优调整，从而可有效地解决经典PID控制方法中控制参数整定困难的问题，且可克服由PID控制参数整定不准给系统带来的不良影响。     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法，并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法首先利用遗传算法对BP神经网络的初始权值进行优化，再利用BP神经网络算法对PID参数进行在线调节，解决网络的初始权值对控制效果的不利影响，仿真证明该算法可行。     

基于神经网络的预测控制

基于神经网络的预测控制器由神经单元自适应PID控制器和基于神经网络的Smith预估器组成.预估器对输出进行多步预测,使控制器超前动作以消除时滞对系统的影响.自适应PID控制器通过有监督的Hebb学习算法实现其权值调节,通过权系数的在线调整实现自适应控制.并以仿真试验给予了验证.