神经网络在无人机自动飞行控制系统中的应用

采用神经网络与PID控制相结合的方法，提出了一种基于BP神经网络Kp、Kl、KD参数自学习的PID控制器，较好地解决了传统控制方式对于对象模型过于依赖、参数在线整定困难等问题。同时对BP算法进行了深入分析，引入了神经网络的自适应学习速率和带死区控制，进一步提高了算法的收敛性。利用本文所提出的算法对某型无人机进行控制设计仿真实验，仿真结果表明：该算法在跟踪速率、控制精度上明显优于传统的PID控制器，对无人机具有良好的控制效果。     

基于BP神经网络PID控制在热力站的应用

热力站的换热器是一个非线性、时变的控制系统。常规的PID控制对热力站是不能达到较好的控制效果,于是提出了基于BP神经网络的智能PID控制方法对热力站控制。本文在介绍了BP神经网络模型的基础上,使用基于BP算法的PID控制器对热力站的换热器进行优化和整合,实现了对PID参数的在线调整,并使神经网络的学习和收敛速度加快,结果表明,采用神经网络PID控制对非线性系统及其参数有良好的整定,具有更好的适应性和鲁棒性。     

BP神经网络PID的气动位置控制系统的研究

本文提出了一种将常规PID控制与BP神经网络相结合的自适应PID控制器,该控制器运用神经网络和BP算法实现了对PID参数的在线调整,利用变步长法和引入动量项来改进BP神经网络学习算法,有效减小了学习过程的振荡趋势,改善了收敛性,避免了学习过程陷入某些局部最小值,并将其用于在线调整气动位置伺服控制系统的PID参数,实现具有最佳组合的PID控制。MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强。     

基于微粒群改进BP算法的非线性方程PID参数整定研究

文章从微粒群算法和BP神经网络基本原理出发,研究了将其用于PID控制的可行性,实现参数的在线自整定。仿真结果表明。基于微粒群优化BP神经网络的非线性PID参数自整定取得了良好的控制效果。     

四旋翼PIDNN控制器设计

针对传统四旋翼PID控制器参数整定困难和控制效果难以达到最优的问题,综合了传统PID控制器工程意义明确、参数整定简便以及神经网络的非线性映射和自学习的优点,构造了四旋翼神经网络PID(PIDNN)控制器。以神经网络的非线性映射特点和自学习能力优化了传统PID控制器的控制效果,借助PID控制器的构造特点,解决了神经网络层数、节点数和连接权重初值选取困难的问题。最后,通过仿真实验验证了算法的合理性和有效性。     

基于萤火虫算法的PID参数优化方法研究

针对传统的PID参数整定方法越来越费时且难以满足控制要求的问题,提出一种采用萤火虫算法来优化PID控制参数的方法,设计了基于Simulink的参数优化模型,并进行仿真计算。结果表明,利用萤火虫算法优化PID控制器参数的阶跃响应响应时间短,基本没有超调,跟踪过程较平稳,仿真结果证明将萤火虫算法应用于PID参数优化是切实可行的。     

基于神经网络的PID控制及其仿真

提出基于神经网络的PID控制方案,利用神经网络的自学习能力对PID控制参数在线整定,使PID控制器具有自适应性.这里采用三层前向网络、动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能.最后用Matlab软件对一个实例进行仿真研究.仿真结果表明,神经网络PID控制器优于传统PID控制器,具有较高的精度和较强的适应性,它可以获得满意的控制效果.     

四旋翼飞行器自适应PIDNN控制研究

针对传统四旋翼PID控制器参数整定困难和控制效果较难达到最优的问题,综合了传统PID控制器工程意义明确、参数整定简单以及神经网络的非线性映射和自学习的优点,构造了四旋翼飞行器神经网络PID(PIDNN)控制器。利用神经网络的非线性映射特点和自学习能力优化了传统PID控制器的控制效果,借助PID控制器的结构,解决了神经网络层数、节点数和连接权重初值选取困难的问题。同时利用自适应调整比例神经元加权系数,增加了系统的响应速度。最后,通过非线性全数值仿真验证了算法的合理性和有效性。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于蚁狮优化算法的直流变换器分数阶PI~λD~μ控制

为提高直流变换器输出电压的响应速度和稳定性,文中提出了一种采用蚁狮优化算法改进双有源桥型直流变换器分数阶PI~λD~μ控制器的方法。将待优化的参数看作是蚁狮个体所处的空间位置,并以双有源桥型直流变换器误差性能指标ITAE作为目标函数,采用蚁狮优化算法搜索待求分数阶PI~λD~μ控制器参数的全局最优解,进而实现对输出电压的控制优化。对传统工程经验整定整数阶PID、粒子群算法整定分数阶PI~λD~μ和蚁狮优化算法整定分数阶PI~λD~μ的双有源桥直流变换器输出电压性能进行仿真和实验对比。结果表明,文中所提方法可缩短调节时间,提高响应速度,增强系统抗干扰能力,证明了优化方法的有效性和可行性。     

基于神经网络的图像弱边缘检测方法研究

主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法.利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测.最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和...     

基于正交校正共轭梯度法的快速神经网络学习算法研究

前馈神经网络由于具有理论上逼近任意非线性连续映射的能力,因而非常适合于非线性系统建模及构成自适应控制。为了提高前馈神经网络的权的学习效率及稳定性,该文提出一种基于正交校正共轭梯度优化方法的快速神经网络学习算法,通过与其它学习算法(如:BP算法、变尺度法、用差商近似代替导数的Powell法等)的比较,经仿真试验表明,本算法是一种高效、快速的学习算法。     

基于神经网络的双目视觉摄像机标定方法的研究

摄像机标定是精密视觉测量的基础，传统的双目标定位需要建立复杂的数学模型。神经网络可以有效地处理非线性映射问题，本文介绍了一种BP神经网络，可以很好地描述双目视觉中三维空间特征点坐标和2个摄像机对应像点间的非线性关系，并且为了提高网络的学习能力引入了动态因子。将神经网络标定方法与传统的常用标定方法比较，实验结果表明，基于神经网络的双目视觉标定方法能获得较高的标定精度。     

基于GA-BP神经网络的雷达干扰效能评估方法

针对当前雷达干扰效能评估方法中评估模型较为复杂、参数获取困难、应用价值不大的问题，优化了雷达干扰效能评估变量和指标体系，使其更加贴近实际应用；针对传统雷达干扰效能评估方法中依赖专家打分、人为因素影响较大而普通神经网络预测误差较大的问题，采用遗传算法（genetic algorithm, GA）对误差反传（back propagation, BP）神经网络的初始参数进行全局优化，提出基于GA-BP神经网络的雷达干扰效能评估方法,降低评估系统误差。最后，进行了仿真验证，与普通BP神经网络和支持向量机（support vector machine, SVM）进行了对比分析，并通过调整参数进一步优化了该方法。仿真结果表明，该方法明显优于普通BP神经网络和SVM，具有较好的准确度和稳定性，可为实际应用提供科学依据。     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

进化神经网络在激光熔覆成形中的应用研究

在激光熔覆成形金属制件工艺中,熔覆层稀释率大小对成形制件的性能以及后续工序的处理有至关重要的影响。设计了基于进化神经网络的学习算法,建立了熔覆层稀释率随工艺参数变化的预测模型,该模型结合了基因遗传算法的全局搜索能力和BP神经网络良好的局部性质。实验和模拟结果表明,基于进化计算的神经网络不仅可以克服单纯使用BP神经网络易陷入局部极小值等问题,而且预测精度较高,具有一定的实用价值。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

组合二进制偏移载波信号的伪码周期及组合码序列盲估计

针对在非协作通信以及低信噪比下组合二进制偏移载波(CBOC)信号伪码周期和组合码序列较难估计的问题,该文提出了2次谱算法与基于径向基函数(RBF)神经网络算法。对输入信号进行2次功率谱计算,可以得到CBOC信号的伪码周期。在此基础上,首先对接收的1周期组合码序列进行重叠分段,其次优化筛选出学习系数,对每段数据向量作为RBF神经网络的输入信号并进行有监督地调节,最后对每段数据向量多次输入并反复训练权值向量就可以恢复原组合码序列。仿真结果表明,利用2次谱可以在低信噪比下估计出伪码周期;在误码率低于1%的情况下,所提出的RBF神经网络相比于反向传播(BP)神经网络与Sanger神经网络,信噪比分别提高1 dB和3 dB,并且在同等条件下所需的数据组数较少。

     

用于电磁兼容预测的函数链神经网络

为了解决传统BP神经网络的电磁兼容性预测方法存在易于局部收敛的问题,提出了一种基于模糊测度的函数链神经网络。该网络通过函数链将初始权重扩展到更高维度上,在实现传统BP网络多层感知的功能同时,计算过程仅为单层运算,因以收敛速度比多层的BP神经网络更快,解决了网络在解决非线性问题时,收敛于局部最小的问题。实验结果表明,提出的基于模糊测度的函数链神经网络在预测电磁兼容性方面更加精确。     

一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。