改进算法单神经元PID在飞轮储能系统中的研究

PID控制器是在工业中应用最为广泛的控制技术,然在而其三个参数的调节较复杂烦琐.通过对神经网络自适应特性的研究,设计了改进算法的单神经元PID控制器,利用单神经元自学习能力在线调整PID参数;同时结合自适应PSD算法对神经元增益在线调整.将该控制器应用于飞轮储能系统中,结合SVPWM算法对飞轮电池进行充放电控制.实验仿真结果表明,该控制方法能够使飞轮电池充放电过程快速稳定,鲁棒性强,满足实际控制要求.     

空间机器人单关节控制器模型自适应调整

文章针对空间机器人单关节系统自身的特点,在系统辨识的基础上提出了模型参数间断性自适应调整算法.该算法在不同的工作状态和负载产生变化时,适时调整系统参数,为控制器提供准确的被控模型,达到精确控制的目的.本文提出的对空间机器人系统模型进行间断性自适应调整的方法与传统的调整控制器参数的方法相结合,改进了空间机器人的动态品质,减少了系统的计算量,缩短了响应时间,提高了控制精度.     

模糊神经网络在智能攻丝控制系统中的应用研究

采用人工攻丝策略,建立了智能攻丝控制系统模型及用于处理攻丝信号的模糊神经网络计算模型,利用神经网络的自学习和自适应能力自动调整攻丝模糊系统参数,并结合BP算法对网络进行训练.使用人工攻丝过程的经验数据进行神经网络的学习和测试,使系统误差满足控制要求,验证了算法的有效性和可行性.     

多目标系统的自适应模糊神经网络控制

提出了一种多目标系统的自适应模糊神经网络控制的方法.通过对系统的多目标量进行加权合成,采用改进的遗传算法离线调整控制器网络参数.接入控制系统后,采用在线学习方式,通过BP算法调节网络的规则权值和比例因子,达到自适应控制的目的.计算机仿真结果显示,该方法控制效果好,鲁棒性强.     

基于混合遗传算法的混合动力汽车优化设计研究

针对混合动力汽车驱动系统参数优化设计问题的特点,将自适应遗传算法与序列二次规划算法相结合,构成用于求解该问题的混合遗传算法.一方面该算法提出了新的自适应交叉和变异概率调整公式,以保证全局收敛性.另一方面通过改进自适应遗传算法与序列二次规划算法的结合方式,以加快局部搜索的速度和求解质量.实例优化结果表明,该算法提高了收敛速度和求解精度,保证了全局收敛性,在混合动力汽车驱动系统参数优化设计中的应用是有效的.     

BP神经网络的双学习率自适应学习算法

在分析标准BP算法、学习率自适应算法和权值平衡算法优缺点的基础上,提出了一种融合学习率和权值平衡的新算法———双学习率自适应学习算法(DSALR算法)。仿真结果表明,该算法在计算速度和精度方面,明显优于标准BP算法、学习率自适应算法以及权值平衡算法。     

基于免疫遗传和RBF网络的火灾探测器温箱自适应控制

为了解决火灾探测器闭环温箱的控制,提出了一种基于免疫遗传优化的RBF网络参数整定PID算法.首先利用免疫遗传算法对初始PID参数及其学习率进行优化;然后在RBF辨识网络基础上实现了PID参数的在线调整. 实验表明该算法能实现火灾探测器温箱系统的PID自适应控制,具有控制精度高、抑制噪声及扰动能力强的优点.     

自适应神经模糊推理系统在倒立摆控制中的应用

针对单级倒立摆系统具有多变量、非线性、绝对不稳定的特点,应用Matlab/Simulink设计了用于倒立摆系统的、基于自适应神经模糊推理系统的ANFIS控制器,采用反向传播算法和最小二乘算法的混合算法对倒立摆控制样本数据进行学习,调整各变量的隶属度函数,自动产生模糊规则.仿真结果表明,ANFIS控制器对倒立摆系统的摆杆角度和小车位置的控制过程具有良好的动态性能和稳态性能.     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

分布式系统负载均衡中基于模糊控制的参数自适应调整算法

目前在分布式系统中已有多种负载均衡系统,它们各自采用不同的策略,并具有特定的适用环境,但是都缺乏通用性,自适应性不足.针对本地代理收集负载信息的时间间隔这个参数,本文提出并实现了基于模糊控制的参数自适应调整算法TPAFC.该算法利用模糊控制技术,对测量时间间隔参数按照负载状态的变化率进行自适应调整,在节约额外开销的前提下,提高了负载测试的准确性.实验证明,与同类算法(固定时间间隔)相比,特别是在重负载情况下,TPAFC算法的效率更高.