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.     

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。     

嵌入式神经网络PID控制器的研究与设计

设计了一种基于嵌入式系统的神经网络PID控制器,以ARM芯片为控制器核心,实现对难以建立精确数学模型的非线性系统的自适应控制;控制器采用RBF神经网络对被控对象进行在线辨识,并根据辨识结果对控制器的参数进行在线修正,实现PID控制器的自适应;该控制器体积小、适应能力强且省电;实验结果表明,该控制器可靠性高,响应快,可以在无法确定被控系统数学模型的情况下达到理想的控制效果.     

一种基于遗传算法的模糊神经网络最优控制

通过对控制系统的过程模拟,提出一种模糊神经网络最优控制方案。离线化部分基于遗传算法,分三阶段实现模糊神经网络控制器结构和参数的优化。在线优化部分通过重构模糊神经网络控制器的去模糊化部分,进一步调整控制规则,实现在线去模糊优化。仿真结果表明该方案优于常模糊控制方案和基于专家经验的模糊神经网络控制方案。     

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。     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

一种RBF神经网络自适应PID控制器在超临界温度系统的应用研究

将传统PID控制器参数优化和径向基函数（RBF）神经网络结合,提出了基于RBF神经网络的PID控制器。将该控制器用于某超临界电厂温度系统中,由RBF网络对温度控制系统进行在线辨识,建立其在线参考模型并为PID控制器提供信息,控制器通过在线的自学习不断进行适应性控制,从而实现参数在线自调整,优化误差性能指标。MATLAB仿真结果表明,控制器对超临界温度系统有较好的控制效果,不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好。     

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PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

一种融合型智能PID控制器的研究与应用

本文介绍了一种基于神经网络和模糊控制技术相融合的智能PID控制器的设计。仿真和实际应用结果表明,这种融合型智能PID控制器具有超调量小、调节时间短的优点,提高了控制系统的实时性和抗干扰能力。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将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控制器改善了电机控制系统的动态性能和稳定性。     

基于神经网络的恒温控制系统的研究与设计

由于恒温控制的数学模型很难建立,针对这一难题提出了基于神经网络的PID控制器,侧重介绍了BP神经网络PID控制器算法的基本知识以及控制器的设计原理,通过实验仿真证明了神经网络PID控制器的控制效果比传统的PID控制在静态特性和动态特性方面都有所提高,而且具有较好的鲁棒性,该控制器在工业控制中将会发挥越来越大的作用.     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

基于PID神经元网络的智能车控制系统研究

研究了基于PID神经元网络的智能车多变量控制系统。智能车的转向控制与速度控制相互关联、相互影响、且都具有时变性,针对智能车在行驶时要求电机的动态响应速度要快、舵机的动态响应时间要短的特点,提出了将PID神经元网络（PIDNN）控制器及其算法应用到智能车的控制系统中来对传统PID控制进行改进。PIDNN控制系统不依赖智能车电机与舵机的数学模型,能够根据控制效果在线训练和学习,调整网络连接权重值,最终使系统的目标函数达到最小来实现智能车的精确控制。Matlab仿真测试表明,PIDNN控制系统的响应快,超调小、无静差,与传统PID控制算法相比,大大提高了智能车控制系统的性能。     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

碱赤泥浆流量的非线性智能PID控制

在生料浆配料过程中,碱赤泥浆的流量直接影响着生料浆的各项工艺指标.针对碱赤泥浆流量的非线性和不确定性,本文提出了基于非线性补偿的智能PID控制方法.基于非线性补偿的智能PID控制器由常规PID控制器和非线性动态补偿两部分组成,利用极点配置方法设计常规PID控制器,利用神经网络对碱赤泥浆流量对象中的非线性部分进行逼近并在控制器中进行补偿.设计并开发了碱赤泥浆流量的非线性智能PID控制软件,应用结果表明,碱赤泥浆的流量可以准确、稳定的跟踪设定值,具有良好的控制效果.     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

模糊神经网络在感应加热电源应用的研究

针对感应加热电源具有非线性、时变性、难以建立准确数学模型的特点,本文提出将神经网络与模糊PID相结合,并引入补偿运算,构成一种新的具有可学习的自适应控制方法。该方法利用神经网络的自学习和模糊控制的不确定性等特点,引入神经网络不仅能够适当地调整输入、输出模糊隶属函数,而且能够借助于补偿逻辑算法动态地优化模糊推理,从而优化整个控制系统。通过对本文提出的算法、传统模糊PID算法以及模糊神经网络算法的仿真结果的对比可以看出,该算法较之传统模糊PID控制算法以及模糊神经网络算法具有鲁棒性更强、控制精度更高、可靠性更强等优势。