基于RBF辨识的神经元PID直线伺服控制

针对永磁直线同步电动机(PMLSM)直接驱动的伺服系统,提出了一种基于RBF神经网络辨识的单神经元PID模型参考自适应的优化跟踪控制策略,解决了系统快速精确地跟踪与抗扰性能之间的矛盾.利用RBF神经网络作为辨识器,实现对被控对象Jacobian信息精确辨识,以基于二次型性能指标学习算法的单神经元自适应PID作为控制器,从而保证系统具有较强的鲁棒性能.仿真结果表明,该方案在保证伺服系统快速跟踪性能的同时,对系统参数变化和负载扰动具有很强的鲁棒性.     

基于RBF NNI的单神经元PID模型参考自适应控制

RBF神经网络是一种性能良好的前向网络,它具有最佳逼近性能。本文中基于RBF神经网络,以单神经元PID作为控制器NNC,RBF网络作为辨识器,实现对被控对象的雅谷比信息辨识。传统的系统辨识方法包括以脉冲响应、最小二乘法为基础和最大似然法等,普遍存在难以克服的不足。本文的辨识方法及模型参考自适应控制方法具有计算速度快、推广和逼近、收敛特性良好等诸多优点,通过本文中的实例仿真,可以看出运用基于RBF神经网络辨识的单神经元PID模型参考自适应控制的系统输出可以达到对输入精确的跟踪效果。     

RBF网络在线辨识的神经元控制

提出了一种基于RBF网络在线辨识的单神经元PID自适应控制方法。介绍了RBF网络在线辨识、单神经元PID控制器和控制算法。仿真和应用结果表明，该方法比常规PID控制具有调节速度快、超调小等特点。     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.     

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RBF辨识的CMAC在淀粉生产线中的控制研究

针对淀粉生产线中淀粉乳罐的液位控制精度问题,本文在分析了CMAC神经网络、单神经元和RBF辨识工作原理的基础上,设计了基于RBF辨识的自适应CMAC神经网络控制器调节淀粉生产线中乳液的液位。对自适应CMAC神经网络和基于RBF辨识的CMAC两种控制器进行了设计与仿真。防真结果表明,基于BRF辨识的自适应CMAC具有更好的跟踪效果和较快的响应速度,该系统具有很大的应用价值,不仅可以应用于淀粉生产线而且也为工业控制提供了更为精确的控制。     

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.     

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。     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

永磁同步电机的自适应反演滑模变结构控制

针对永磁同步电机提出一种基于反演的PMSM自适应滑模控制方案.设计基于反演的滑模变结构位置控制器,通过RBF神经网络实现系统参数变化和外部负载扰动等引起的不确定上界值的在线辨识,减小滑模控制器的控制量,并引入饱和函数来减弱系统的"抖动"现象.理论分析和仿真结果对比表明,基于RBF神经网络的自适应反演滑模控制对参数变化和外部负载扰动具有很好的鲁棒性,永磁同步电动机获得了很好的跟踪效果.     

Using Radial Basis Function Neural Networks to identify river water data parameters

The complex conditions of water dynamics create a challenge in selecting an appropriate neuron structure for artificial neural networks to simulate real river parameters. This study proposes an identification model based on Radial Basis Function (RBF) Neural Networks. We applied this identification model to river water quality parameters with different neuron node size scenarios to test network structure characters. Simulation results reveal that the RBF Neural Networks model achieves convergence through neuron iterations and the simulation error is well controlled within a small margin. The adjusting effect is closely related to structure design and the neuron updating strategy.     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。     

基于RBF网络自整定PID控制的改进算法

针对工业过程控制中存在的非线性,时变性以及各种不确定性,在已有的RBF网络整定PID控制的基础上,提出了一种改进的整定控制算法。先用RBF神经网络在线辨识被控对象离散模型,得到对象关于控制器输出的Jacobian信息,然后用Levenberg-Marquardt算法代替传统的梯度法对PID参数进行整定,得到改进的整定控制算法。通过对锅炉汽包水位控制系统的仿真研究,验证了算法的有效性和优越性。该控制算法提高了控制系统的快速性、鲁棒性,有一定的实用推广价值。     

水轮机调速系统模糊神经PID控制

提出一种模糊神经PID控制算法,该算法采用RBF网络对被控对象进行在线辨识,利用模糊神经网络在线调整PID控制参数。将该算法应用于水轮机调速系统,仿真结果表明该控制算法优于传统的PID控制算法。     

基于神经网络辨识的电弧炉电极系统的自整定PID控制

基于具有电弧炉电极系统的非线性时变特性,设计了一种基于神经网络的参数自整定PID控制器。该控制器采用三个基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到精确的Jacobian信息分别提供给三个BP神经网络,从而实现了三相耦合系统的精确控制,仿真结果证明了这种方法的可行性和有效性。     

LF炉电极控制器设计及其应用

针对LF钢包精炼炉电极控制系统具有非线性、时变、模型不确定、多输入多输出强耦合的特点，提出一种基于RBF神经网络实时在线辨识和神经网络解耦的模糊自适应控制方案，并进行了控制器设计。应用结果证实了此控制方案的有效性。     

基于控制器与辨识器的转台系统设计

为改善三轴转台系统性能.结合传统控制方法与神经网络控制,提出一种基于RBF辨识转台系统的CMAC神经网络与PID并行的复合控制算法.算法采用RBF辨识对象模型,CMAC实现前馈控制,并实现PID控制参数的在线整定和优化.也给出了CMAC控制器算法和系统辨识的RBF网络算法.以某转台模型为对象,仿真结果表明算法具有了传统控制的优点,进一步也证明了算法的可行性和优越性,且具有了更强的适应性和鲁棒性,能更为有效地应用于转台系统中.