神经网络PID速度控制器的研究

本文提出了一种基于神经网络的ＰＩＤ控制器。利用递推最小二乘法在线整定ＰＩＤＣ 克服神经网络ＢＰ算法收敛速度慢和可能出现的局部最小,仿真研究表明,这种ＰＩＤ控制器参数整定方便,控制精度高,跟随特性好,抗干扰能力强。     

单区域负荷频率的神经模糊自适应PID控制

利用神经网络辨识单区域电力系统的动态模型,并结合模糊逻辑技术具体设计了一种单区域负荷频率的模糊自适应ＰＩＤ控制器,通过动态寻优确定最优性能指标下的ＰＩＤ控制器参数,使单区域负荷频率控制既有非线性控制作用和自学习自适应能力,又有ＰＩＤ控制的广泛适应性。     

一种参数快速收敛的多变量系统神经网络PID控制

对多变量系统设计了神经网络ＰＩＤ控制，解决了多变量系统Ｐ、Ｉ、Ｄ参数难以整定的问题。基于对象模型，提出了一种新型神经网络控制器的训练方法，该方法用多步二次型性能指标函数去训练控制器的权值，从而提高了控制器参数的收敛速度和系统的响应性能，降低了各通道之间的耦合。理论分析和仿真实验表明了该方法的有效性。     

PID自适应控制

本文提出将ＰＩＤ继电自整定与神经网络相结合，共同完成ＰＩＤ自适应控制。以一个两层线性网络构造ＰＩＤ控制器，将由ＰＩＤ继电自整定法获取的ＰＩＤ参数值做适当的修正后作为网络权的初值，实现对系统的在线控制。     

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用ＢＰ神经网络实现ＰＩＤ参数自整定的控制方法。此法能根据船舶动态特性的变化,自动重新整定ＰＩＤ参数,从而改善了操纵性能和鲁棒性。     

PID自适应控制

提出将ＰＩＤ继电自整定与神经网络相结合，共同完成ＰＩＤ自适应控制，以一个两层线性网络构造ＰＩＤ控制器，由ＰＩＤ继电自整定法获取的ＰＩＤ参数值做适当地修正后作为网络权的初值，实现对系统的在线控制。     

非线性离散系统的迭代学习控制方法及其应用*

本文根据误差收敛准则，提出了非线性离散系统的迭代学习算法，给出了ＰＩＤ型学习控制的收敛条件，并证明了ＰＩＤ型学习控制对预定轨线的逼近特性，在交流变频电机起动过程控制中应用表明，使用本文方法可以得到实用的结果。     

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。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

一种用于伺服系统的改进冲量BP神经网络/PID控制算法

从伺服系统所面临的问题出发,分析了神经网络和经典ＰＩＤ控制算法在系统参数不易确定和非线性因素不易描述的伺服系统中的优势和不足,提出了一种适用于伺服系统的算法--改进冲量ＢＰ神经网络／ＰＩＤ控制法。实验仿真结果表明本算法对伺服系统的控制问题显示出了较好的适应性、鲁棒性和快速性。     

一种神经网络自适应PID控制器

应用人工神经网络的原理,设计了一种神经网络的职能PID控制器。仿真结果表明,此PID控制器对非线性时不变系统有比传统的PID好的控制效果。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力,控制效果明显提高。     

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。     

自适应人工神经网络电机控制器设计

提出了一种自适应人工神经网络无刷直流电动机(BLDCM)转速控制器设计方法;针对传统PID调节器难以应对系统超调和短时振荡等问题,提出了一种结合人工神经网络和传统PID控制的新方法;首先建立了(BLDCM)的本体数学模型,在此基础上描述了将人工神经网络和PID控制相结合的模型,并对具体的控制算法进行了定义;最后,使用Matlab仿真工具对BLDCM控制实例进行了仿真;实验结果表明,结合人工神经网络和PID控制器的新控制方法具有响应快、鲁棒性强以及控制精度高等优点,很好地抑制了超调和振荡。     

基于人工神经网络的水洞试验装置的PID自动控制系统

在水洞试验中，通过水泵及收缩段的形状控制水洞的运行过程，以保证水洞的稳定运行，并保证所进行的各种试验的质量。PID调节是最常见的一种。文章给出了一种基于人工神经网络实现自学习PID控制方法。利用该方法可以较好地实现水洞的控制。     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

神经元PID控制器及改进算法的仿真研究

针对常规PID控制器有着对过程的数学模型过于依赖的局限性,导致许多过程控制效果不理想的问题,根据人工神经元的自学习功能构造了基于神经元的PID控制器,对其学习算法加以改进。选取二阶惯性环节加纯滞后为控制对象,建立了数学模型,并进行计算机仿真及对这几种控制方法的控制效果加以比较。仿真结果表明,该控制器将神经网络和PID控制规律融为一体,既具有常规肿控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应的能力,取得比常规PID控制器更好的控制品质。     

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CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

神经网络PID在温度控制系统中的研究与仿真

本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较．神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。