雷达转台神经网络控制仿真研究

由于PID控制算法简单,便于工程实现,传统上雷达转台多采用PID控制.但是雷达转台是非线性时变系统,制约了基于准确线性数学模型的PID控制的控制品质.文中提出了转台位置环采用神经网络控制,速度环采用传统PI控制的复合控制方式,一方面采用复合控制模式可以减少控制系统的运算量,便于工程实现,另一方面位置环采用神经网络控制可以提高控制系统的鲁棒性,提高雷达转台的控制品质.最后对复合控制方式进行了仿真验证,仿真结果表明控制方法性能良好.     

基于CMAC的飞机泵源负载模拟流量压力控制

建立了飞机泵源负载模拟系统的数学模型,针对系统的非线性和各种不确定因素,提出了基于小脑神经网络的复合控制方法,控制器由比例-积分-微分(PID)和小脑模型神经网络控制器(CMAC)构成,该方法在传统的PID前馈控制方法上加入了CMAC神经网络快速学习算法,保证了快速实时跟进,进一步提高了控制精度.仿真结果表明,CMAC-PID能够较好解决PID在快速性和控制精度(稳定性)之间的矛盾,对抑制系统的非线性时变性具有一定效果.     

电动负载模拟器的CMAC神经网络复合控制

为增强电动负载模拟器的自适应能力以抵抗系统的非线性、时变参数及运动扰动的影响,提出利用小脑模型神经网络(CMAC)与PID的并联进行控制与调节的控制方法。利用PID控制保证系统的初始稳定性,在小脑模型神经网络引入速度信号和误差信号构成二维参考输入,使系统具有很好的自适应消扰能力,减小了多余力矩的影响。仿真证明了该方法的可行性和有效性,收到了很好的控制效果。     

神经网络PID控制及其Matlab仿真

讨论了基于神经网络的PID控制，并将其作用于工业控制，利用神经网络的自学习能力进行在线参数整定，并利用Matlab软件进行仿真。仿真结果表明，神经网络PID控制器具有较高的精度和较强的适应性，可以获得满意的控制效果。     

伺服运动系统CMAC神经网络算法研究

为改善高速高精设备加工质量,利用小脑模型具有不依赖于被控对象的精确数学模型、极强的非线性拟合能力、对运行工况适应能力强的优势,将其与PID控制相结合形成PID＋CMAC控制策略;并借助Turbo PMAC的＂开放伺服＂功能,在Turbo PMAC运动控制器上实现了PID＋CMAC控制策略。测试结果表明PID＋CMAC控...     

基于BP神经网络的模糊PID控制器的设计

工业过程控制中广泛采用PID控制,但传统PID控制因其控制参数的固定,在线整定难等问题。为此本文研究了一种新的自适应模糊PID控制方法,为了解决模糊推理没有学习能力的问题,本文又提出了一种基于BP神经网络的自适应模糊控制方法。此方法是模糊控制、神经网络和PID控制的有效结合。仿真实验表明,这种基于BP神经网络的模糊PID控制算法具有良好的控制效果。     

基于DSP＋CPLD的伺服控制卡的设计

设计一种基于DSP+CPLD的伺服控制卡,在控制算法上,采用单神经元PID及CMAC相结合的伺服运动控制算法.其中单神经元PID能在被控对象的参数改变或者外部环境变化时,在线实时自动地调整参数;CMAC网络用来完成复杂非线性被控对象的逆模型控制,具有运算量小,收敛速度快,且无局部极小点等优点.仿真结果证明该算法综合了CMAC和单神经元的优点,具有更好的鲁棒性和抗干扰能力.     

基于神经网络的PID控制及其仿真

提出基于神经网络的PID控制方案,利用神经网络的自学习能力对PID控制参数在线整定,使PID控制器具有自适应性.这里采用三层前向网络、动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能.最后用Matlab软件对一个实例进行仿真研究.仿真结果表明,神经网络PID控制器优于传统PID控制器,具有较高的精度和较强的适应性,它可以获得满意的控制效果.     

基于重复控制的高精度平台控制系统设计

针对传统PID控制算法的局限性，本文提出了一种基于重复控制的雷达平台控制系统的设计，给出了将重复控制算法引入PID闭环控制系统的实现方法。应用结果表明，在雷达平台控制系统中引入重复控制算法，可改善系统的控制品质，使系统的跟踪控制精度能有很大的提高。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

基于改进PID神经元网络的多变量系统控制算法

PID神经元网络具有动态特性,在系统控制应用中相比于传统的PID控制方法可取得更优的效果,但其学习算法为梯度学习算法,初始权值随机取得,为了提高其控制量逼近控制目标的速度和系统响应时间,引入粒子群算法对初始权值进行优化,最后应用Matlab软件对改进后的PID神经元网络算法进行仿真。仿真结果表明,该方法具有较好的控制性能。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

CMAS: an associative neural network alternative to backpropagation

The CMAC (cerebellar model arithmetic computer) neural network, an alternative to backpropagated multilayer networks, is described. The following advantages of CMAC are discussed: local generalization, rapid algorithmic computation based on LMS (least-mean-square) training, incremental training, functional representation, output superposition, and a fast practical hardware realization. A geometrical explanation of how CMAC works is provided, and applications in robot control, pattern recognition, and signal processing are briefly described. Possible disadvantages of CMAC are that it does not have global generalization and that it can have noise due to hash coding. Care must be exercised (as with all neural networks) to assure that a low error solution will be learned     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

A New Neuro-Fuzzy Adaptive Genetic Algorithm

Novel neuro-fuzzy techniques are used to dynamically control parameter settings ofgenetic algorithms (GAs).The benchmark routine is an adaptive genetic algorithm (AGA) that uses afuzzy knowledge-based system to control GA parameters.The self-learning ability of the cerebellar modelariculation controller (CMAC) neural network makes it possible for on-line learning the knowledge onGAs throughout the run.Automatically designing and tuning the fuzzy knowledge-base system,neuro-fuzzy techniques based on CMAC can find the optimized fuzzy system for AGA by the renhanced learningmethod.The Results from initial experiments show a Dynamic Parametric AGA system designed by theproposed automatic method and indicate the general applicability of the neuro-fuzzy AGA to a widerange of combinatorial optimization.