基于PID神经网络控制器的飞控系统设计

BP神经网络已被广泛应用于PID控制器的优化调参,但这种调参方法具有收敛速度慢、学习时间长、连接权重初值为随机值、易于陷入局部极小等缺点.本文提出了一种不同于用BP网络调整PID参数的新的融合方法:PID神经网络控制器(PIDNN):该控制器不仅能克服以上缺点,而且具有很好的鲁棒性.本文对PIDNN在某无人机姿态控制系统的应用进行了仿真研究,仿真结果表明该控制器能够大大地改善姿态控制系统性能.     

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。     

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。     

基于DSP的BP神经网络PID控制器的设计

针对BP神经网络PID控制算法的复杂性及实现的困难性,本文提出了一种使用DSP芯片来实现的方案,外围功能接口则由辅助芯片FPGA来完成。利用TI公司提供的RTOS(DSP/BIOS)快速开发出该控制器原型,并通过对伺服电机的转速控制实验,对比传统的PID控制后,证明了该方案的实时性及控制性能都能满足工程需求。     

基于CMAC神经网络与PID的并行控制器设计与应用

提出一种基于CMAC神经网络与PID的并行控制器的设计方法,利用传统PID实现反馈控制,保证系统的稳定性,且抑制扰动,利用CMAC神经网络控制器实现前馈控制,确保系统的控制精度和响应速度。该算法直接应用于控制直流电机调速系统,仿真结果表明,与传统数字PID控制算法相比较,该并行控制算法增强了系统的控制精度,提高了系统的响应速度,并且具备较强的抗干扰能力和鲁棒性。     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

基于神经网络和弹性积分的控制器设计及应用

提出一种新型的智能PID控制器。将前馈神经网络BP网络作用在弹性积分控制器上,在线调整控制器的参数,采用RBF神经网络作为辨识器在线辨识控制输出对控制输入对象变化的灵敏度信息,提高系统的控制精度。该智能控制器实现了整体性能优化和个别参数优化相结合的思想。通过MATLAB仿真,该新型控制器具有超调量低、鲁棒性好等控制效果。     

基于神经网络逆控制的自适应控制器设计

根据系统非线性,参数不确定性和时变性等特点,提出一种基于神经网络逆控制方法,并介绍其结构和特点,通过仿真实验表明此结构的有效性。     

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。     

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.     

多变量自适应PID型神经网络控制器及其设计方法

提出一种PID型神经网络控制器（PID-like Neural Network Controller，PIDNNC）及其设计方法．基于PID的简单结构和良好性能优势以及神经网络的自调节和自适应的特长，创建一种具有PID结构的多变量自适应的PID型神经网络控制器．该网络控制器的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成．通过定义误差函数作为设计目标，采用弹性BP算法，并用变化率以及弹性BP算法中的符号法来处理某些求导关系，获得适于实时在线调整网络权值的修正公式．根据李亚普诺夫稳定性定理推导出确保控制系统稳定的学习速率的取值范围．最后通过实例进一步说明所提出网络控制器的优越性．     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

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.     

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。     

基于RBF的模糊神经网络控制器设计与仿真分析

介绍一种基于RBF的模糊神经网络设计与仿真分析的实现方法。该方法利用MATLAB中的神经网络工具箱图形用户界面GUI结合模糊控制规则表给定的输入/输出样本数据设计、构建RBF模糊神经控制器,并在Simulink中建立系统仿真模型。通过对阶跃输入信号作用下系统动态性能的仿真分析,结果表明基于RBF的模糊神经控制器有良好的控制性能。     

一种神经网络自适应PID控制器

应用人工神经网络的原理,设计了一种神经网络的职能PID控制器。仿真结果表明,此PID控制器对非线性时不变系统有比传统的PID好的控制效果。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力,控制效果明显提高。     

基于模糊神经网络的涡喷发动机控制系统设计

针对微型涡喷发动机ECU控制系统具有时变性和非线性的特点,为改善微型涡喷发动机控制系统的控制性能,将模糊神经网络PID控制方法应用于ECU的转速与推力控制系统中;首先,利用某微型涡喷发动机的试车数据通过系统辨识方法得到其数学模型,其次针对模糊PID无法在线调参的弊端,引入模糊神经网络控制方法对微型涡喷发动机ECU系统进行控制;为模拟发动机在工作过程中遇到的干扰问题,在仿真过程中加入了干扰信号,通过与传统PID、模糊PID的仿真结果对比验证得出,模糊神经网络PID在涡喷发动机转速控制系统中响应速度更快约为1 s,超调量更小约为0,在有干扰的情况下恢复稳定状态的时间更短,约为0.5 s。     

一种神经形态马赫数PID自适应控制器研究

本文从自适应控制和优化学习算法的角度出发,将传统的PID控制和神经网络BP算法相结合,构造了具有自适应、自学习功能的神经形态PID自适应马赫数控制器(NNCPID)。通过对网络控制模型的训练、学习和系统仿真,验证了该NNCPID控制器在改善马赫数控制性能、提高系统实时性、鲁棒性等方面,具有很大的优越性。     

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。