用PID梯度算法训练基于神经网络的广义非线性PID控制器

将梯度优化过程看作反馈控制系统,从而提出了一种带运量项的PID梯度算法（PIDGDM）。进一步讨论了该算法的收敛特性,提出了一种非线性PID控制器以对付一些非线性控制问题。神经网络被用于实现该非线性PID控制器。PIDGDM算法被用于训练所提出的神经网络非线性PID控制器。最后,给出了有关方法应用于两个化工过程的仿真研究结果。     

一种新型神经网络智能PID控制器的仿真研究

设计了一种新的神经网络智能PID控制器，用继电器自整定法给出了PID控制器参数的初值，在运行过程中，用神经网络辨识器在线调整PID参数，使过程具有较高的控制品质，同时对PID控制的结构了一定的修改，使之更适用于实际控制。     

一种基于神经网络的非线性复合PID控制器

针对非线性、不确定对象难以控制的问题,提出了一种基于神经网络的非线性复合PID控制器,该PID控制器采用一次和二次多项式分别构成的非线性函数来模拟PID的比例、积分和微分参数随误差变化的曲线,通过神经网络算法实时调整三个非线性函数的权值系数。将线性的比例、积分、微分运算单元和非线性比例、积分、微分运算单元一共6个运算单元分别融入到隐层神经元中,从而构造了将复合PID控制与神经网络控制融为一体的智能控制器。经过Matlab仿真验证,该控制系统的超调小,调节时间短,精度高,方法可行。因此,该控制器在工业领域具有广泛的应用前景。     

一种参数自适应模糊PID控制器

基于Ｔａｇａｇｉ和Ｓｕｇｅｎｏ的确定性模糊模型，提出了一种参数自适应模糊ＰＩＤ控制器。该控制器的参数调整也采用确定性模糊调整规则，从而使控制器的设计简易、容易，同时与一般的参数自适应相具有很强的适应性和鲁棒性。仿真结果表明，该控制器明显地改善了控制系统的动态性能。     

基于PCC的神经网络PID控制器设计

提出了一种基于可编程计算机控制器（PCC）的神经网络PID控制器,以PCC为硬件,利用神经网络逼近任意非线性函数的功能,实现了PID控制算法中三个参数Kp、Ki、Kd的在线调整。并利用神经网络模型对被控对象的输出值进行预测,根据预测值对神经网络各层中的加权系数进行在线修正,同时引入了带死区的控制算法。该设计方案具有调节速度快、适应能力强、可靠性高等优点。实验结果表明,该控制器具有强抗扰、响应快、鲁棒性好等特点。     

一种新型非线性PID控制器

将非线性函数与简单的PID控制器相级联，构成一种新型的非线性PID控制器，以提高现有PID控制器的性能，新型PID控制器的设计过程十分简单，只要适当构造非线性函数，并与原PID控制器级联起来便可实现，数值仿真结果表明，所提出的PID控制器比简单的PID控制器具有更好的动静态性能。     

神经网络PID速度控制器的研究

本文提出了一种基于神经网络的ＰＩＤ控制器。利用递推最小二乘法在线整定ＰＩＤＣ 克服神经网络ＢＰ算法收敛速度慢和可能出现的局部最小,仿真研究表明,这种ＰＩＤ控制器参数整定方便,控制精度高,跟随特性好,抗干扰能力强。     

一种基于蚁群算法的粗神经网络PID控制器

针对传统的线性PID控制器参数难以实现在线调整缺陷,设计了一种新的基于粗神经网络的PID控制器,利用粗神经元代替传统神经元,扩展了网络的应用范围,并采用蚁群算法优化神经网络连接权初值,使神经网络连接权初值不再靠经验随机选取,从而得到最优参数的控制器。仿真结果表明,该控制器具有良好的控制性能。     

一种基于遗传算法的非线性PID控制器

基于PID控制器各增益参数与偏差信号之间呈现非线性关系,拟合各参数的非线性函数可分别对控制器的P／I／D各部分实施单独调节的思想,提出根据控制与误差之间的调节规律,给定一组增益参数的非线性函数,并采用遗传算法来优化和构造此非线性PID调节器．典型系统的仿真结果表明,该控制器可在一定程度上兼顾系统的动态和静态性能．     

一种新的神经网络自适应控制器

1引言神经网络具有很强的非线性逼近能力，现已广泛应用于控制系统的设计［‘］。一种方法是利用它进行自适应控制【’」，另一种方法是利用它来决定控制输出［3］。fg是，在这些文献中，其控制器的设计大多数是离线进行的，且要依赖于系统的较多验前信息。在文卜」中提出了利用神经网络控制器来解决CARMA系统的辨识问题以及在线实现自适应控制。由于多层前向神经网络模型存在固有误差，这里利用文［5」中提出的带有输入补偿的神经网络来辨识系统模型，利用预测误差来估计系统噪声。同时，利用神经网络来辨识系统的逆模，求出控制器的输出…     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

动态定量称重系统神经网络预测PID控制器研究

采用神经网络预测与PID控制理论相结合,为动态定量称重系统设计了一种神经网络预测PID控制器。该控制器算法简单,通过自学习、记忆功能在线调整PID控制参数KP、Kl、KD。建立了动态定量称重系统的仿真模型,将神经网络预测的PID控制与常规PID进行对比分析,神经网络预测PID控制器具有很好的控制效果。     

一种基于BP神经网络模型的自适应PID控制算法

本文应用神经网络建寺了系统参数模型,将线性系统时变参数的变化规律转化为神经网络参数模型,反映了参数随状态而变的规律;再结合文献[4]已知模型FPID控制参数的计算,推导出一种更具有应用性的白适应PID控制算法。通过在计算机上对非线性系统仿真,结果表明了这种白适应PID控制算法的有效性。     

基于神经网络PID控制的自动化测试系统的开发与设计

针对汽车交流发电机性能自动化测试系统中测试对象特性的多样性及测试环境的多变性,在进行测试条件参数调节的过程中,采用改进型BP神经网络PID控制器,实现PID参数的在线自整定,改善自动化测试系统的动态品质,从而有效提高发电机生产线的生产效率.     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

Adaptive Server Load Balancing in SDN Using PID Neural Network Controller

Web service applications are increasing tremendously in support of high-level businesses. There must be a need of better server load balancing mechanism for improving the performance of web services in business. Though many load balancing methods exist, there is still a need for sophisticated load balancing mechanism for not letting the clients to get frustrated. In this work, the server with minimum response time and the server having less traffic volume were selected for the aimed server to process the forthcoming requests. The Servers are probed with adaptive control of time with two thresholds L and U to indicate the status of server load in terms of response time difference as low, medium and high load by the load balancing application. Fetching the real time responses of entire servers in the server farm is a key component of this intelligent Load balancing system. Many Load Balancing schemes are based on the graded thresholds, because the exact information about the network flux is difficult to obtain. Using two thresholds L and U, it is possible to indicate the load on particular server as low, medium or high depending on the Maximum response time difference of the servers present in the server farm which is below L, between L and U or above U respectively. However, the existing works of load balancing in the server farm incorporate fixed time to measure real time response time, which in general are not optimal for all traffic conditions. Therefore, an algorithm based on Proportional Integration and Derivative neural network controller was designed with two thresholds for tuning the timing to probe the server for near optimal performance. The emulation results has shown a significant gain in the performance by tuning the threshold time. In addition to that, tuning algorithm is implemented in conjunction with Load Balancing scheme which does not tune the fixed time slots.     

基于复合正交神经网络的灰色PID控制

结合传统反馈控制方法和灰色预测控制的预测控制器已在控制系统中获得了成功的应用。由于复合正交神经网络具有学习算法简单、收敛速度快,有逼近线性或非线性函数的优良特性。与灰色预测方法相比,神经网络预测精度高,且误差可控,如果把神经网络作为灰色预测器,建立一种灰色预测控制,那么就会在控制系统中获得良好的控制性能。为此,提出一种结合传统的PID控制和神经网络灰色预测补偿的灰色PID控制器,可对系统进行在线灰色估计和控制,由复合正交神经网络对不确定部分建立的灰色预测模型,可根据系统的参数变化来自动调节预测补偿值,使系统响应具有适应性。仿真结果表明,与传统的PID控制方法相比,该控制器可获得更为优良的动态性能和鲁棒性。     

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。     

一种基于速率的单神经元自适应PID拥塞控制方法

从控制理论的角度研究了一种基于速率的拥塞控制方法．采用单神经元自适应PID控制器,可以在线调节控制参数以保证控制环路的稳定性．运用Jury稳定判定标准给出了保证被控ATM网络在平衡点附近稳定的条件．仿真结果表明,使用该控制方案能使缓冲器队列长度快速收敛到目标值,并维持小的队列振荡,与传统的PID控制器相比具有更好的稳定性和鲁棒性．