基于改进BP神经网络的PID控制方法研究

针对最速下降法收敛速度慢和易陷入局部极小的缺点,提出一种新型的基于改进BP神经网络的PID控制方法,该方法将神经网络和PID控制策略相结合,既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。该控制器的算法采用Fletcher—Reeves共轭梯度法,它可以避免网络陷入局部极小点,同时加快网络的训练速度。并用这种改进的共轭梯度法对神经网络PID控制器参数实现在线修正。最后给出了在Matlab平台上的实现算法。仿真结果表明该控制方法是有效的。     

基于RBF神经网络与Smith预估补偿的智能PID控制

针对工业控制中普遍存在的大滞后现象,提出了一种将RBF神经网络算法和Smith预估补偿算法与传统的PID控制器相结合的智能RBF-Smith-PID控制策略。该方法利用RBF神经网络的在线学习、控制参数自整定能力,和Smith预估补偿对纯滞后系统的良好控制,有效地克服了常规PID控制的缺陷,提高了系统的鲁棒性和自适应性,对纯滞后系统起到了良好的控制。     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

基于RBF辨识的神经元PID直线伺服控制

针对永磁直线同步电动机(PMLSM)直接驱动的伺服系统,提出了一种基于RBF神经网络辨识的单神经元PID模型参考自适应的优化跟踪控制策略,解决了系统快速精确地跟踪与抗扰性能之间的矛盾.利用RBF神经网络作为辨识器,实现对被控对象Jacobian信息精确辨识,以基于二次型性能指标学习算法的单神经元自适应PID作为控制器,从而保证系统具有较强的鲁棒性能.仿真结果表明,该方案在保证伺服系统快速跟踪性能的同时,对系统参数变化和负载扰动具有很强的鲁棒性.     

随动定向战斗部模糊-单神经元PID控制

防空导弹随动战斗部在高速转动时存在干扰和大过载情况,伺服电机摩擦的产生,系统具有严重的非线性特点,现有的PID和模糊神经元自适应PID控制难以满足快速准确的控制要求,针对上述问题,提出了一种模糊-单神经元PID切换控制策略,结合了传统PID、单神经元网络和模糊控制的优点,在控制前期误差较大的时候采用模糊控制,在控制后期采用单神经元PID控制,并引入切换因子函数来减小了切换冲击.仿真结果显示,改进控制策略提高了随动系统的跟踪精度和速度,克服了非线性问题,满足了随动定向战斗部的工作要求.     

基于改进PID的恒温控制软件设计与实现

恒温控制环境中,存在随机性很强的温度跳变.为将温度控制在一定值,需要PID控制过程做出快速反应.但是针对非线性、滞后性和时变性的控制系统,PID需要大幅改变参数才能保证在跳变环境下的恒温控制,导致控制过程中的响应时间和超调量效果较差.提出基于改进PID的恒温控制软件设计方法,利用免疫控制的原理,将传统的PID控制方法与免疫控制原理相结合,对免疫参数η和K进行合理调整,在不同的免疫响应阶段,通过T细胞的促进和抑制作用,使得响应时间和超调量之间的矛盾得到极大的改善.通过冷库恒温控制系统的仿真实验表明,改进PID恒温控制软件在工况发生较大改变时仍然具有优良的控制效果.     

基于单神经元PID的逻辑门电路交流电换向控制

为合理控制逻辑门电路交流电换向、维护逻辑门电路的正常运行,基于单神经元PID设计了一种逻辑门电路交流电换向控制方法.采用基于泛序测试法的诊断方法判断逻辑门电路故障类型,然后按照逻辑门电路交流电递进信号与输出结果的积分比例、微分系数的学习速率以及神经元比例系数,调节单神经元自适应PID控制器的权值,从而实现对逻辑门电路交流电换向过程的合理控制,使逻辑门电路快速恢复正常.经仿真测试可知:上述方法可实时诊断逻辑门电路故障类型,并能够在较短时间内实现交流电换向控制,从而有效保证逻辑门电路的正常、稳定运行.     

纯滞后系统的单神经元Smith预测控制

该文针对纯滞后的特点,给出了一种新的单神经元Smit预测控制算法,即由单神经元控制器和Smith预估器组合的复合控制,并将其应用于以电炉为被控对象的计算机湿度控制系统。实验结果表明,这种控制方式能够充分利用神经元自学习的能力及补偿控制的优点,具有较好的适应性和抗干扰能力。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于SMITH预估的神经网络再热汽温控制

电厂锅炉的再热汽温是机组安全、经济运行的重要参数之一,必须控制在一定范围内.而电厂再热汽温被控对象是具有大惯性、大滞后,并且常规PID控制难以取得良好的控制效果.针对这一特点,提出了一种RBF--Smith预估控制算法,该算法利用了基于RBF整定的PID控制提高对被控对象参数变化的自适应能力和Smith预估控制能够克服被控对象的大迟延特性,并对RBF--Smith预估控制用Matlab在不同工况下进行仿真试验,仿真结果表明所设计的控制系统的性能较常规PID控制有较大的提高,证明了控制方案的有效性.     

基于单一传感器的可燃混合气体RBF网络分析

催化传感器对不同可燃气体或在不同的工作温度下有不同的输出灵敏度,根据这一特点控制单一催化传感器工作在不同的温度,检测可燃混合气体时可以得到不同的输出信号,采用RBF神经网络和动态学习算法,建立了多种可燃气体分析的数学模型。通过对CH4,CO,H23种气体混合的样本进行实验,结果表明:所研究的方法可以较好地实现单一催化传感器对多种可燃混合气体的分析。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

料筒温度RBF神经网络PID控制器设计及仿真

针对PID控制器具有参数整定不良、性能欠佳、温度控制精度较低,无法满足当今高精密挤出成型加工需要的问题,设计了一种基于RBF神经网络的PID控制器,该控制器将神经网络能无限地逼近非线性系统、运算量小、收敛快的优点和PID控制技术有机地结合起来,获得较高的温度控制精度。仿真结果表明,神经网络PID控制器能有效地缩短过渡过程时间,具有很好的稳定性和快速响应性,比普通PID控制具有更好的控制效果,可改善料筒温控系统的动、静态性能。     

RBF神经网络热式气体流量计温度补偿

为了解决热式气体流量计测量电路中采用硬件温度补偿成本高且精度不够等问题,利用神经网络的特点,设计了一种基于径向基函数(RBF)神经网络的软件温度补偿方法.实验表明:通过RBF神经网络温度补偿,有效地抑制了温度对流量计测量结果的影响,实现了环境温度梯度变化下气体流量测量的准确性和稳定性,测量准确度达到1.0级,且重复性好.     

基于RBF神经网络的空间插值法在空气质量监测中的应用

针对我国现有大气监测站点数量有限且离散,采集的数据不能代表整个区域的空气质量等问题,提出基于RBF神经网络的空间插值法应用于空气质量的监测,以经纬度和邻近点污染物浓度为输入,建立插值点与地理坐标和邻近点之间的对应关系.实验结果表明:该方法具有较高的插值精度,为预测未知空间数据值提供了有效的处理方法,同时为大气污染治理和控制提供理论依据.