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。     

改进的单神经元自适应PID控制算法在智能车速度控制系统中的研究与应用

针对单神经元控制算法在电磁导航智能车速度控制中存在加权系数修正时间长、自适应能力差、系统不稳定的缺点,提出了将改进的单神经元自适应PID控制算法应用到智能车的调速系统中。改进的单神经元自适应PID控制算法优化了单神经元自适应PID控制算法中的加权系数学习修正部分,使得权系数在线修正不完全根据神经网络的学习原理,而是参考实际经验制定的,最终自适应地整定PID三个参数来实现智能车的速度控制。Matlab仿真测试表明,与单神经元自适应PID控制算法相比,改进的单神经元自适应PID控制算法在智能车速度控制中具有响应快,超调量小、自适应能力强的优点,大大提高了智能车控制系统的性能。     

压水堆核电站稳压器压力控制系统仿真研究

研究PID控制器参数优化问题,针对稳压器压力控制系统具有复杂非线性、时变性特点,引起系统的输出品质特性较差,超调量大,调节时间长,上升时间长,控制精度差等。传统PID的控制参数难以精确整定,且依赖于对象的精确数学模型。为了提高PID控制精度,减小超调量、调节时间和上升时间,提出用单神经元的神经网络来优化PID控制器参数的方法。通过单神经元的自学习和自适应能力,获得最优控制性能的PID控制参数。仿真结果表明,单神经元神经网络的PID控制方法与传统的PID控制方法相比,系统响应速度更快,超调量更小,为优化控制系统提供了参考。     

非线性系统的PID控制器的研究与设计

研究工业过程控制,非线性系统难以建立其精确的数学模型,常规PID算法难以实现其控制.对此,将神经网络算法和PID算法结合起来,为提高性能和响应速度,设计了针对非线性系统的自适应PID控制器,PID控制器采用单神经元来实现自适应调整.分别采用了三种学习算法来实现单神经元PID控制器参数的调整,即基于二次型性能指标的学习算法、基于BP神经网络辨识的学习算法和基于RBF神经网络辨识的学习算法.三种算法的仿真结果表明,都实现了PID控制器的自适应调整的目的,实现对非线性系统的有效控制,证明三种方案的可行性.     

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.     

改进PID算法在浆液PH值控制系统中的应用

为了对浆液pH值控制系统进行全面的优化控制,使整个系统在最佳状态下运行,提出了一种改进PID算法;该算法利用单神经元具有自适应、自学习能力的优势,将神经元加入到PID算法中后,改进了控制系统稳定性和控制性能较差的问题;并结合浆液pH值控制系统的特点;设计了算法的具体流程;最后,利用改进前后的两种算法对优化问题进行了仿真分析,结果表明单神经元自适应PID算法具有更好的优化效果。     

神经网络自适应PID在吹瓶机中的应用

吹瓶工艺过程中温度控制是-个关键性环节,决定工艺的成败.传统的利用PID进行温度控制的方法需要辨识被控对象的参数,且容易导致吹瓶所不允许的超调现象.利用神经网络强大的非线性学习能力可以在被控对象未知的情况下,根据系统输出误差进行网络权值校正,从而实现较好的自适应控制效果.以工业上易于实现为出发点,探讨单神经元PID控制算法、基于BP神经网络的PID控制算法,并对其进行仿真比较分析.     

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.     

基于神经网络建模和遗传算法的重油脱盐系统优化研究

概述了重油脱盐系统的BP神经网络建模以及基于遗传算法的系统优化过程，将遗传算法与惩罚函数法相结合应用于约束优化的问题，改善了遗传算法的局限性。同时为了将不等式约束优化问题转化为单目标优化问题，对惩罚函数法进行了改进。结果表明：此方法可以有效解决静电脱盐问题。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

On-line genetic algorithm-based fuzzy-neural sliding mode controller using improved adaptive bound reduced-form genetic algorithm

In this article, a novel on-line genetic algorithm-based fuzzy-neural sliding mode controller trained by an improved adaptive bound reduced-form genetic algorithm is developed to guarantee robust stability and good tracking performance for a robot manipulator with uncertainties and external disturbances. A general sliding manifold, which can be non-linear or time varying, is used to construct a sliding surface and reduce control law chattering. In this article, the sliding surface is used to derive a genetic algorithm-based fuzzy-neural sliding mode controller. To identify structured system dynamics, a B-spline membership function fuzzy-neural network, which is trained by the improved genetic algorithm, is used to approximate the regressor of the robot manipulator. The sliding mode control with a general sliding surface plays the role of a compensator when the fuzzy-neural network does not approximate the dynamics regressor of the robot manipulator well in the transient period. The adjustable parameters of the fuzzy-neural network are tuned by the improved genetic algorithm, which, with the use of the sequential-search-based crossover point method and the single gene crossover, converges quickly to near-optimal parameter values. Simulation results show that the proposed genetic algorithm-based fuzzy-neural sliding mode controller is effective and yields superior tracking performance for robot manipulators.     

在线参数优化的环境试验箱研究

提出了基于二次型性能指标学习算法的单神经元PID控制算法,应用在工业用环境试验箱设计,给出相应的软硬件设计。样机实验表明,这种新的控制策略学习速度快,动态响应时间短,实现了参数的在线优化,使系统具有良好的动态品质和稳态性能。     

基于遗传算法和模糊逻辑的智能飞控技术研究

设计了基于遗传算法和模糊逻辑控制的智能飞行控制系统及采用论域自调整的模糊控制器，控制器以角度跟踪误差及其微分信号为输入来控制相应的气动舵面偏转，实现对该姿态的跟踪控制。文中给出了控制器输入输出的隶属函数，设计了相应的规则库。并在此基础上进一步利用遗传算法对模糊控制器进行优化设计，给出了遗传算法各个参数的选择原则。仿真结果表明，基于遗传算法和模糊逻辑的智能飞控系统具有良好的控制效果。     

基于预防维护的单机调度问题

在两种维护约束下,研究完工时间之和最小化的单机调度问题.第1种维护约束是,固定周期预防维护;第2种维护约束是,机器工作期间可连续加工的最大工件个数受限.对于这种带有约束的调度问题,根据问题的规模,采用4种方法进行求解.针对小规模问题,建立一个二值整数规划模型,并根据最优解的特性制定剪枝规则,进而给出分支定界算法.针对中...     

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。     

改进遗传算法与领航跟随法的机器人编队方法

针对传统遗传算法在求解机器人路径规划问题时存在的收敛速度慢、路径不平滑问题,对其进行了改进,在适应度函数中加入了路径平滑度因素,选择操作时平滑度较好的路径更容易被选中。在种群选择时将最优个体直接复制到下一代,有效地保留了父代优良基因。在领航机器人规划路径阶段,使用改进的遗传算法为领航机器人规划出一条安全无碰撞且平滑度较好的最优路径。在跟随机器人跟随阶段,使用领航跟随法控制每一个跟随机器人使其与领航者保持特定的距离与角度,从而形成设定的队形。最后通过MATLAB软件建立栅格地图进行仿真,验证了该算法的可行性,与传统遗传算法相比,改进遗传算法收敛速度更快,且路径更加平滑。     

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.     

一种基于分割的两步立体匹配算法

提出了一种基于分割的两步立体匹配算法。第1步,利用动态规划和左右一致性约束计算地面控制点,将原始图像分割为许多小区域,假定每一个区域为同一个视差,并通过地面控制点计算部分区域的视差值;第2步将剩余未匹配的区域编码为一条染色体,用遗传算法进行优化,得到最终的稠密视差图。选用了一些标准图像对进行测试,实验结果表明,该算法具有很好的性能。     

基于优化初始种群的自动组卷算法

针对遗传算法和改进遗传算法初始种群的不确定性,提出一种优化初始种群的遗传算法。该算法首先进行局部寻优,将局部较优解按题型的不同随机组合,组成遗传算法的初始种群,然后通过遗传交叉和单点变异得到一个较优解,最后将算法应用到《数据库系统》课程的自动组卷。结果表明,该方法有很好的组卷效率,能较好满足组卷的要求。     

模糊神经网络的DNA算法训练

提出了基于DNA计算和遗传算法的DNA遗传算法,给出了DNA遗传算法的结构，讨论了遗传操作算子,利用DNA遗传算法对FNN进行学习，比采用梯度型算法和遗传算法有更高的学习精度和更快的收敛速度,该算法有全局收敛性避免了采用梯度型学习算法训练FNN时固有的局部收敛问题，同样，该算法加速了FNN的训练，能够在线应用．