神经网络在细纱机中的应用

介绍了一种基于PLC和DSP的细纱杌控制系统.该系统针对细纱机控制系统的非线性与传统PID控制方法的不足,提出了一种改进型基于RBF神经网络在线辨识的单神经元PID自适应控制方法.该方法构造了一个RBF网络对系统进行在线辨识,建立起在线参考模型,由单神经元控制器完成控制器参数的学习,从而实现控制器参数的在线调整.仿真试验结果表明.该控制器控制精度高,动态性能好,其控制效果优于传统的PID控制器.     

用继电自整定实现模糊PID智能控制

从提高控制器的智能化水平出发，文中提出了模糊PID自适应控制与继电自整定相结合构成PID双模智能控制器的方法。即用继电自整定法整定出PID控制的初始参数，然后切换到模糊PID自适应控制，完成模糊PID智能控制。将该算法应用于一温控系统中，得到了令人满意的效果。     

基于回声状态网络的电子节气门复合智能控制

针对强非线性复杂时变的电子节气门,研究了一种基于回声状态网络的复合智能控制器,并给出了该复合智能控制器的结构和实现方法.该复合智能控制器由前馈控制器和反馈控制器两个部分组成.前馈控制器为一个基于回声状态网络的逆模型控制器,用于抵消电子节气门的非线性特征;反馈控制器是PID控制器,用于补偿逆模型的建模误差,提高系统的鲁棒性.仿真实验表明,该控制器的实际效果良好.     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

一种基于行为控制的两自由度机械臂智能控制器

基于行为的控制方法相对于传统的控制方法在解决未知环境中的机器人中有着更好的鲁棒性和实时性.本文提出了一种基于反应式行为控制的智能控制器,以强化学习作为智能控制器的学习算法.通过采用评价-控制模型,该智能控制器能够不依赖于系统模型,通过连续地在线学习得到机器人的行为.将该智能控制器应用到两自由度仿真机械臂的控制中,仿真结果表明该智能控制器可以实现对两自由度机械臂的连续控制,使其能够迅速达到目标位置.     

深度确定性策略梯度学习的火星无人机控制

为了降低控制器设计对火星无人机动力学模型的依赖,提高火星无人机控制系统的智能化水平,结合强化学习（reinforcement learning,RL）算法,提出了一种具有自主学习能力的火星无人机位置姿态控制器。该控制器由神经网络构成,利用深度确定性策略梯度（deep deterministic policy gradient,DDPG）算法进行学习,不断优化控制策略,最终获得满足控制要求的策略。仿真结果表明,在没有推导被控对象模型的前提下,基于DDPG算法的控制器通过学习,自主将火星无人机稳定控制到目标位置,且控制精度、调节时间等性能优于比例-积分-微分（proportion integration differentiation,PID）控制器的效果,验证了基于DDPG算法的控制器的有效性;此外,在被控对象模型改变或存在外部扰动的情况下,基于DDPG算法的控制器仍然能够稳定完成任务,控制效果优于PID控制器,表明基于DDPG算法的控制器具有良好的鲁棒性。     

基于最小资源分配网络的自适应PID控制

针对常规径向基函数神经网络(radial basis function neural network,RBFNN)的逼近性能对网络结构和初始参数依赖性强的问题,采用最小资源分配网络进行改进,并与单神经元PID控制相结合,提出了一种基于最小资源分配网络的自适应PID控制方法。该方法利用最小资源分配网络动态构建RBFNN,实现RBFNN结构和参数的在线优化,并用该RBFNN辨识对象的离散模型,然后由单神经元PID控制器完成PID参数的自适应整定。仿真结果表明,该方法中PID参数能够很好地适应系统输入信号的变化,对非线性系统控制效果较为理想。     

一种基于小脑模型关节控制器评论-策略家的机器人跟踪控制算法

本文提出了一种基于小脑模型关节控制器(CMAC)的评论–策略家算法,设计不依赖模型的跟踪控制器,来解决机器人的跟踪问题.该跟踪控制器包含位置控制器和角度控制器,其输出分别为线速度和角速度.位置控制器由评价单元和策略单元组成,每个单元都采用CMAC算法,按改进δ学习规则在线调整权值.策略单元产生控制量;评判单元在线调整策略单元学习速率.以双轮驱动自主移动机器人为例,与固定学习速率CMAC做比较,仿真数据表明,基于CMAC的评论–策略家算法的跟踪控制器具有跟踪速度快,自适应能力强,配置参数范围宽,不依赖数学模型等特点.     

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Q-学习的底盘测功机自适应PID控制模型

为了解决汽车底盘测功机控制系统在动态控制时出现延迟较高和误差大的问题,提出了一种基于强化学习的底盘测功机控制策略。以PID控制算法为基础,扭力偏差为控制器输入,调节电压控制量为输出,选择扭力差变化为智能体奖惩的学习策略,通过Q学习算法对PID参数进行在线自适应整定;在底盘测功机仿真试验中验证了控制器的调控性能,并与传统PID控制以及神经网络PID控制的结果进行了对比;实验结果表明,基于Q学习的自适应PID控制模型较传统PID算法控制周期缩减至40.7%,相较于神经网络PID算法控制周期缩短至27.9%。相对于传统PID控制模型与神经网络PID模型,基于Q学习的自适应PID控制模型输出力上升过程稳定且快速。提出的基于Q学习的自适应PID控制模型能够有效提升底盘测功机控制精度,满足其使用的工业要求。     

Brain emotional learning based intelligent controller applied to neurofuzzy model of micro-heat exchanger

In this paper, an intelligent controller is applied to govern the dynamics of electrically heated micro-heat exchanger plant. First, the dynamics of the micro-heat exchanger, which acts as a nonlinear plant, is identified using a neurofuzzy network. To build the neurofuzzy model, a locally linear learning algorithm, namely, locally linear mode tree (LoLiMoT) is used. Then, an intelligent controller based on brain emotional learning algorithm is applied to the identified model. The intelligent controller is based on a computational model of limbic system in the mammalian brain. The brain emotional learning based intelligent controller (BELBIC) based on PID control is adopted for the micro-heat exchanger plant. The contribution of BELBIC in improving the control system performance is shown by comparison with results obtained from classic PID controller without BELBIC. The results demonstrate excellent improvements of control action, without any considerable increase in control effort for PID + BELBIC.     

Applying Brain Emotional Learning Based Intelligent Controller (Belbic) to Multiple‐Area Power Systems

Evolution of efficient power system control is very important. An effective power system simulation is useful for development as an evaluation of control performance. In this paper, a new, efficient simulation of multiple‐area power system control is proposed. We present the application of a Brain Emotional Learning Based Intelligent Controller (BELBIC) to regulate the frequency error for a two‐area interconnected power system. BELBIC is based on the emotional learning process in the Amygdala‐Orbitofrontal system of the mammalian brain. Simulation results of this controller and the PID controller for a two‐area power system in a matlab /simulink environment show that it develops the stability control performance and improves amplitude of oscillations and settling time up to 17% and 24%, respectively. Actually, the simulation shows that the proposed BELBIC model for the matlab /simulink environment works and gives acceptable results, without redesigning it for each separate system.     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

伺服系统的高斯基函数CMAC学习控制研究

在高精度伺服系统中,由于摩擦力及负载扰动等因素的影响,常规PID控制难以满足越来越高的控制精度、跟踪性能等指标要求。本文提出了基于商新基函数CMAS在线学习的控制方案,并给出了相应的学习算法。仿真结果表明．该方法不仅有较好的控制精度,而且具有学习速度快等优点。     

基于队列长度和速率的拥塞控制神经网络方法

文中研究了网络拥塞控制问题。PID控制器是实现网络拥塞控制非常有效的方法,能够实现对网络的主动队列管理。文中根据队列长度和变化速率,利用神经网络实现传统的比例微分积分器（PID）功能,从而提出了基于队列长度和速率的拥塞控制神经网络方法（RSPID）。该方法利用神经网络的加权动量梯度学习算法,自动调节控制参数,克服了传统PID控制方法由于控制器参数固定带来的适应性和稳定性问题。仿真结果表明,RSPID算法的鲁棒性和队列长度性能要优于PID算法。     

三自由度飞行器模型的神经网络PID控制

对于具有非线性、时变和强耦合特性的三自由度飞行器模型系统,采用常规PID控制方法难以获得满意的控制效果,因此,设计一种基于免疫遗传算法优化的RBF网络PID控制器来实现该系统的稳态控制.在控制系统中,RBF网络实现对被控对象的Jacobian矩阵信息辨识,并通过在线学习自适应地调整PID参数;免疫遗传算法用于RBF网络的初值参数优化,以确保获得理想的控制效果.仿真实验表明,这种方法的控制品质优于LQR控制,具有较好的适应能力、鲁棒性和较快的响应速度.     

Development of a neural network based integrated control system of 120 ton/h capacity boiler

An integrated control system based on artificial neural network (ANN) is presented in this paper to control a 120 ton/h capacity boiler of the Zia Fertilizer Company Limited (ZFCL), Ashuganj, Bangladesh. The process inverse dynamic modelling technique is applied to design the proposed controller. A multilayer feed-forward neural network is trained to identify the unknown inverse dynamic model of the boiler plant by a well known learning algorithm called backpropagation. The training data were collected from the history file of ZFCL. A new software controller is then developed for integrated control system of the ZFCL boiler using the weights of the trained network. Both the training mode and running mode of the developed controller are presented in this paper. The controller output is also converted into electrical signal using pulse width control technique. The generated signal is used for on-line regulation of the control valve through the parallel port of the computer. The developed controller is tested by using the boiler input–output data that are not used during the training. The output response and performance of the developed controller is compared with those of the existing PID controller of the plant.     

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．     

基于模糊树模型的自适应直接逆控制

基于模糊树模型, 结合神经网络中的逆向学习和专门化学习, 提出了自适应直接逆控制方法. 首先离线辨识对象的逆模型作为初始的控制器, 然后与对象串联, 用最小均方差 (Least mean square, LMS) 算法在线调节控制器中的线性参数. 本方法辨识得到的逆模型控制器可以减少需要的模糊规则数目, 同时达到较好的跟踪控制效果. 仿真结果表明了方法的有效性.     

Emotion on FPGA: Model driven approach

Implementation of intelligent and bio-inspired algorithms in industrial and real applications is arduous, time consuming and costly; in addition, many aspects of system from high level behavior of algorithm to energy consumption of targeted system must be considered simultaneously in the design process. Advancement of hardware platforms such as DSPs, FPGAs and ASICs in recent years has made it increasingly possible to implement computationally complex intelligent systems; on the other hand, however, the design and testing costs of these systems are high. Reusability and extendibility features of the developed models can decrease the total cost and time-to-market of an intelligent system. In this work, model driven development approach is utilized for implementation of emotional learning as a bio-inspired algorithm for embedded purposes. Recent studies show that emotion is a mechanism for fast decision making in human and other animals, and can be assumed as an expert system. Mathematical models have been developed for describing emotion in mammals from cognitive studies. Here brain emotional based learning intelligent controller (BELBIC), which is based on mammalian middle brain, is designed and implemented on FPGA and the obtained embedded emotional controller (E-BELBIC) is utilized for controlling real laboratorial overhead traveling crane in model-free and embedded manner. Short time-to-market, easy testing and error handling, separating concerns, improving reusability and extendibility of obtained models in similar applications are some benefits of the model driven development methodology.