基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于RBF神经网络的烟叶烤房PID解耦控制

针对具有非线性、大滞后、时变耦合特点的烟叶烤房系统,提出将基于RBF神经网络的智能PID控制器应用于烟叶烤房,并给出控制系统的控制结构和原理。通过算法实现、与常规PID控制的性能比较以及模型参数不确定性等多方面的仿真研究表明：该方法可以实现PID控制参数的自整定,控制效果明显优于常规PID,控制精度高,响应速度快,跟踪性能、解耦性能良好,且对模型不确定性具有较强的鲁棒性,符合烟叶烤房控制系统的设计要求。     

实用二自由度PID控制

对两种实用二自由度ＰＩＤ控制器进行了讨论,指出它们结构简单,在稳定性、参数整定及使用操作上与常规ＰＩＤ调节器完全一致,适合在各种集散型控制系统中使用。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

2自由度PID控制的运动控制器参数自设计

提出了一种基于 2自由度PID控制 ,用于伺服系统 ,能够根据系统所要求的性能指标自动设计并调节参数的智能运动控制器的设计方法。仿真结果表明 ,这种控制器经过有限次的参数自动调整 ,能够满足性能指标的要求 ,对实际中工程技术人员调整控制器参数具有参考价值     

2自由度PID控制的运动控制器参数自设计

提出了一种基于2自由度PID控制，用于伺服系统，能够根据系统所要求的性能指标自动设计并调节参数的智能运动控制器的设计方法，仿真结果表明，这种控制器经过有限次的参数和自动调整，能够满足性能指标的要求，对实际中工程技术人员调整控制器参数具有参考价值。     

工业锅炉的二自由度PID控制

本文介绍了采用二自由度PID控制系统来处理工业锅炉系统中各回路间耦合作用的方法，该方法简便，适用性很广，仿真结果表明对于锅炉是 行之有效的。     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

二自由度PID控制及其应用

讨论了适合工业过程计算机控制的两种二自由度PID控制器，给出了二自由度PID控制技术在加热炉自动燃烧控制中的应用实例及控制效果分析。     

PID神经元网络对强耦合带时延多变量系统的解耦控制

提出了一种新的神经元网络－ＰＩＤ神经元网络，它是由比例元、积分元和微分元构成的多层神经元网络，它可以用于控制强耦合带时延多变量系统，并使系统具有良好的动态和静态性能。     

基于BP神经网络PID的控制系统研究

该文选取在工业上具有广泛应用的电加热炉为对象。电加热炉系统是一个双输入双输出系统,有耦合,相互影响,相互干扰。针对控制对象强耦合的特点,设计了基于BP神经网络的参数PID控制算法,采用前馈补偿方法实现解耦,通过仿真研究,结果表明该方案控制系统的调节品质比传统的PID控制水平有了明显的提高。     

基于PID神经网络的滑翔增程制导炮弹解耦控制系统设计

针对低速旋转的滑翔增程制导炮弹存在的俯仰和偏航通道控制耦合性问题,阐述利用基于PID神经网络进行双通道解耦控制设计。首先描述滑翔增程炮弹动力学模型,基于对该模型的分析基础上提出PID神经网络的结构和计算方法,并采用增加动量项的权值修正和自适应可变学习率对其进行改进。在此基础上,通过粒子群优化算法对网络的初始权值进行优化...     

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。     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

一种基于PID神经网络的解耦控制方法的研究

为了消除造纸工业抄纸过程中存在的解耦问题,提出了一种基于PID神经网络的解耦方法。文章在介绍PID神经网络原理的基础上,给出了二变量PID神经元网络解耦控制系统结构图,并运用抄纸的数学模型进行仿真实验,实际运行结果表明,该方法能够有效地对抄纸过程中存在的耦合进行解耦控制。     

基于DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统,采用对角递归神经网络(DRNN)与带动量项的PID梯度优化算法(PIDGDM),自适应调整PID控制器的二项参数,并行完成系统的解耦与控制工作。仿真结果表明,系统具有很好的静态和动态性能。     

多变量自校正解耦PID控制器

将前馈解耦控制与自校正ＰＩＤ控制相结合，提出了多变量自校正解耦ＰＩＤ控制器。该控制器适于具有任意延时结构和非最小相位系统，本文利用根轨变法证明了这一算法的全局收敛性。