基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

基于搜寻者优化算法的PID神经网络解耦控制

传统的PID神经网络,由于初始权值随机选择,权值学习采用BP算法,所以容易陷入局部极值,进而导致该方法无法得到高精度的控制结果。该文提出采用搜寻者优化算法优化PID神经网络初始权值,再把最优初始权值带入PID神经网络,实现解耦控制。对一个耦合系统进行仿真实验,结果表明,与目前控制效果较好的粒子群算法优化PID神经网络相比,该算法收敛速度更快、稳态误差更小,同时也具有良好的自适应和抗干扰能力,能够实现快速、高精度、稳定的解耦控制。     

遗传算法和小波神经网络PID在电机控制系统中的应用

提出了一种基于遗传算法和小波神经网络的PID参数整定方法.首先,利用具有自然进化的遗传算法对小波神经网络的初始权值进行优化训练,解决了控制器网络初始权系数对控制效果产生的影响;其次,利用小波神经网络对PID参数进行在线调节;最后,将此算法运用到电机控制系统的PID参数寻优中.仿真结果表明:基于此算法设计的PID控制器可以极大地提高寻优速度,鲁棒性强,改善了电机控制系统的动态性能和稳定性.     

基于神经网络PID的船用电压型逆变电源研究

针对传统PID控制存在着参数整定难、动态性能差等问题,无法满足现代船用三相逆变电源的新要求,从常用的电压型逆变电源入手,选定了三相半桥拓扑。通过坐标变换,将其转换到两相旋转坐标轴下分析问题,利用SVPWM算法对其进行了控制。提出了一种神经网络与PID控制相结合的方法,利用BP神经网络控制灵活、适合时变的或非线性的控制对象等特点,配合简单精确的PID控制,使得两者很好地发挥了各自的优势。同时,对改进型PSO算法对BP神经网络的初始权值进行了优化,并最终通过实验来进行验证。研究结果表明:应用PSO优化BP神经网络PID控制的三相逆变电源有很好的效果,电压总谐波控制在一定指标之内,并且在突加突卸实验时表现出更优异的动态特性,超调更小,响应更快。     

一种基于改进的粒子群优化算法的神经网络PID控制器

针对多输入多输出(MIMO)复杂过程控制中控制性能偏慢等问题,对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳,提出了一种粒子群优化算法,提高了PSO算法的收缩因子以保证优化的收敛性,并进行了Matlab仿真。研究结果表明,所提出的神经网络PID控制器的改进粒子群算法优化,在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。     

多变量耦合系统PID神经网络控制方法研究

多变量系统内部的耦合性以及对象参数的复杂性,给控制系统的设计带来了一系列的问题。传统控制方法无法对其进行精确解耦,导致系统控制精度较低。本文构建一种基于遗传算法优化的PID神经网络解耦控制器。该方法利用PID优良的动态控制特性和神经元网络非线性表达能力对多变量耦合系统进行解耦,在神经网络权值修正算法中增加动量项,提高网络学习效率,并采用遗传算法优化初始权值,克服了PID神经网络权值学习过程中易陷入局部最优值的缺点,提高了控制精度。仿真结果表明:优化后的PID神经网络具有较高的稳态精度和较快的响应速度,能够实现解耦控制。     

基于PSO混合算法优化BP网络在钢轨磨损量预测中的应用

提出基于PSO混合算法对BP网络进行优化,改善了BP网络权阈值求解所面临的局部极值与收敛速度慢的问题.通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得BP神经网络训练数据,运用基于PSO混合算法优化BP网络对钢轨磨损量进行拟合.结果表明:基于PSO混合算法优化BP网络对钢轨磨损量数据能够进行极好的拟合,为钢轨磨损量预测提供一种更有效的数据分析途径.     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于共轭梯度法的改进型BP神经网络PID控制算法

针对常规BP神经网络PID控制器存在收敛速度慢和易陷入局部极小的缺点,提出一种基于共轭梯度算法的改进型BP神经网络PID控制器,采用Polak -Ribiere线性搜索方法,对传统BP神经网络PID控制器进行改进,加快了网络训练速度,避免网络陷入局部极小.在Matlab平台下实现算法程序,仿真结果表明该改进控制方法的有...     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学,用于多变量系统的解耦控制。本文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。     

粒子群优化人工神经网络在高速铣削力建模中的应用

将粒子群优化人工神经网络理论应用于高速铣削力的建模研究中.采用粒子群算法与反向传播算法相结合的方法,对反向传播神经网络模型进行优化.用粒子群算法训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行反向传播算法运算,以实现高速铣削力的预测.充分发挥了粒子群算法的全局寻优能力和反向传播算法的局部搜索优势.仿真结果表明,与其他几种反向传播算法相比较,粒子群算法与反向传播算法的学习算法训练的神经网络,不仅训练时间明显缩短,而且其预报精度也得到了较大的提高,能够有效地建立铣削力模型,并对铣削力进行准确的预测.     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。     

基于模糊BP网络的自适应PID控制

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于模糊BP神经网络的PID控制算法,采用模糊规则自动地调节BP神经网络训练过程的学习参数,利用神经网络较强的学习能力和模糊控制在模型未知或不精确前提下的控制能力,将其应用到PID控制中[1],实现了PID控制参数的在线调整和优化,并对其在非线性离散系统中的应用进行了仿真。实验结果表明该算法性能优良,加快了系统响应速度,减少了超调量,适用于纯滞后非线性系统。     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

基于鱼群BP神经网络的板料成形分块压边力优化

采用人工鱼群算法与BP神经网络相结合的方法建立了分块压边力与成形质量的映射关系。首先以分块压边力为设计变量,通过基于最大最小原则的拉丁超立方取样设计方法抽取了BP神经网络的训练样本,并将通过仿真软件获得的成形质量指标作为BP神经网络的训练输出;其次通过人工鱼群算法优化的BP神经网络建立了分块压边力与成形质量的映射关系;然后采用粒子群算法对该映射函数关系式进行优化,得到最优分块压边力;最后将该最优分块压边力成形效果与整体压边力成形效果进行对比,结果表明成形效果大大改善。研究表明,采用该方法可以快速计算最优分块压边力,克服了分块压边力计算困难的缺点。     

基于自适应粒子群算法的篦冷机电液位置伺服系统PID参数优化

针对PID控制器的参数选取直接影响到第四代篦冷机刮板在调速过程中的稳定性和调节时间的问题,提出一种新的粒子群算法的PID参数整定方法。新的粒子群算法充分利用了适应函数提供的搜索信息,对传统粒子群算法中的权值进行自适应动态控制,并用飞行时间参数替代了压缩因子,飞行时间参数的变化规律是线性递减,并把它命名为自适应粒子群算法。通过测试函数证明提出的自适应粒子群算法比传统的粒子群算法收敛速度快和寻优效率高,应用改进的方法对篦冷机电液伺服系统进行仿真实验,结果证明自适应粒子群算法的PID参数整定方法比传统的整定方法有更好的控制效果,即调速过程稳定和调节时间快。