改进型BP网络PID在电动舵机控制中的应用

针对应用中对无刷直流电机位置控制的高精度要求,设计了一种改进的误差反向传播网络PID控制器,实现了对无刷直流电机位置的精确控制。系统融合了神经网络和PID控制算法的优点,适用于直流无刷电机这样的非线性、时变的复杂系统。仿真结果表明,改进后的BP神经网络PID控制器优于常规BP神经网络PID控制器和传统PID控制器,证明了该方法的可行性。     

模糊神经网络在电动舵系统中的应用

为了适应导弹控制技术的发展,电动舵系统的性能要求越来越高。在提高系统快速性、控制精度的同时,舵系统需要足够的抗扰动和适应恶劣环境的能力。为了提高常规PID电动舵系统的控制品质,在分析模糊控制与神经网络控制的基础上,设计了基于模糊RBF网络整定的PID控制算法。该算法具有控制精度高、响应迅速、无超调等特点,且具有很强的鲁棒性和学习能力。仿真和试验结果表明:此方法可以使电动舵系统的控制品质得以很大提高,同时也适用于其它伺服系统。     

BP 神经网络在双伺服同步运动系统中的应用

针对传统的PID调节器不能解决双伺服同步运动系统中经常出现的超调和滞后问题,提出一种将传统PID和BP神经网络的PID调节器相结合的方式来控制两伺服电机轴的运动。其中,传统PID算法用于系统正常运行时的控制,而BP神经网络的PID算法用于调试过程中修改位置调整器和速度调节器的参数。该方案能实现轴B准确地跟踪轴A的速度和轨迹而运动。     

基于神经网络PID的电动汽车轮毂电机调速设计与仿真

轮毂电机式电动汽车在启动和运转过程中,电机控制系统经常要接收随机调速控制信号。传统PID控制难以实现快速、精确的速度调节。为解决此不足,提出采用神经网络PID(NNPID)进行控制的方法,首先对无刷直流电机进行建模分析,然后以BP算法训练神经网络并搭建控制系统,最后在Matlab/Simulink仿真环境下对该系统进行多种运转条件下的仿真并与传统控制策略进行比较,结果证明:基于神经网络的控制策略的电机控制系统启动平稳,能有效减少不稳定信号的干扰,对期望输出能实现较好的跟踪,可以满足一般电动汽车运行的需要.     

基于神经网络的模糊控制在装甲车电传动控制系统中的应用

针对装甲车辆电传动系统是一个复杂的多变量、非线性系统,其控制系统的扰动变化大,对驱动电机的控制要求苛刻的特点,根据模糊控制器对参数的变化不敏感,对非线性系统进行控制时往往能取得较好的控制效果,以及神经网络的学习功能、联想记忆功能、分布并行式处理功能可以更好地实现模糊逻辑控制中的规则表示、知识获取和并行推理,因此利用神经网络来实现无刷直流电机调速系统的模糊控制。在MATLAB中进行计算机仿真,通过仿真分析表明,当突然加、减负载时,神经网络模糊控制与PID控制相比,具有对参数变化不敏感以及超调和振荡小等特点。该控制方法被证明适用于装甲车辆电传动系统。     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

基于BP神经网络和遗传算法的环形药型罩优化

环形聚能装药相比传统的聚能装药具有侵彻口径大的优势,为了得到可以形成稳定的环形聚能射流的最优环形药型罩结构,提出了一种将数值模拟结果与BP神经网络相结合,并通过遗传算法对环形药型罩进行优化设计的方法。首先,利用正交试验法对环形药型罩进行方案设计,得到各因素对环形聚能射流稳定性的重要程度,其次利用LS-DYNA软件进行数值模拟得到最初的样本数据,然后通过MATLAB软件拟合出神经网络训练所需的样本数据,接着将环形药型罩结构参数作为BP神经网络的输入,射流头部速度、射流横向速度、射流长度分别作为输出进行训练,同时将测试值作为适应度,最后结合遗传算法选择最优的环形药型罩结构参数。研究结果表明：影响环形聚能射流成形的主要因素是药型罩口径和锥顶角,次要因素为药型罩罩顶厚、内罩偏移量和外罩偏移量;当药型罩罩顶高为0.81 mm,药型罩口径为15.43 mm,罩顶角为61.89°,内罩偏移量为11.38%,外罩偏移量为14.36%时所形成的环形射流形态比正交实验所得环形聚能射流更好。     

航空发动机自适应神经网络PID控制

普通PID控制器以其简单、实用、易于实现，在经典控制中倍受青睐。对于像航空发动机这样复杂的非线性系统，基于对象精确数学模型的PID控制方法的自适应性较差，难以适应具有非线性、时变不确定性的被控对象。神经网络的建立为这种问题的解决奠定了基础。文中针对航空发动机难于建立精确数学模型的特点．采用了航空发动机自适应神经网络PID参数控制方案，仿真结果表明自适应神经网络PID控制不仅不依赖于精确的对象模型．而且具有满意的动、静态性能。     

航向角BP神经网络自整定PID控制算法仿真

设计了基于BP神经网络的自整定PID控制算法,此控制算法不需要被控对象的数学模型,先由BP神经网络对被控对象进行辨识,给出PID控制所需要的3个参数,再由PID控制算法进行有效的控制,最后用MATLAB对某水下机器人的航向角模型进行了仿真验证。     

混沌优化在模糊PID控制中的应用

模糊控制器的设计,较多地依赖设计者的主观经验,工作量大、负担重.文中针对这个问题,提出了混沌优化控制方案,将混沌优化算法应用到模糊PID控制中,利用混沌优化算法对模糊PID控制器中的参数进行优化.仿真结果表明混沌优化算法不但改进了发动机模糊PID控制器的设计,而且整个控制系统具有良好的动、静态性能.     

基于BP网络的PID整定控制

基于三层BP网络的PID的整定控制器,将输出层神经元输出状态对应于PID控制器的比例、积分、微分参数.先确定输入层和隐含层节点数、给出各层权值初值、选定学习速率和动量因子、学习参数等,再计算采样时刻误差、各层神经元的输入输出、PID控制器输出.通过神经网络的自学习、实现PID控制参数的自适应调整.仿真表明该神经PID控制器在三参数自调整、控制量变化、减小误差等方面具有优势.     

神经网络PID飞行控制算法的VHDL设计

针对空空导弹自动驾驶仪的神经网络PID控制算法原理,用VHDL语言设计,并用QUARTUS Ⅱ软件平台对神经网络PID控制算法的硬件实现进行综合、仿真,所得结果符合制导系统实时性的要求.最后指出该控制器可作为IP核嵌入到SOPC系统中,从而极大地提高系统的灵活性.     

基于BP遗传算法的PID控制器参数设计

传统的PID控制器在控制系统中应用广泛，它的参数设计是一个广泛研究的课题。基于遗传算法的控制器虽能求取全局解，但是收敛速度慢，而基于神经网络的控制器结构简单、可塑性强，但是容易陷入局部解。文中结合两者优点，提出采用遗传算法的BP神经网络PID参数设计的方法，以达到整体优化的目的。     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

基于BP神经网络算法的自动驾驶仪设计

基于经典的三回路自动驾驶仪结构,采用BP神经网络算法进行自动驾驶仪的设计。BP神经网络算法的运用使所设计的自动驾驶仪能够针对非线性、时变的气动特性自适应地调整控制参数,简化了设计过程,并给出了相应的仿真结果。     

基于遗传神经网络的伪装效能评估模型

在量化样本光学特征指标并划分伪装效能等级基础上,采用基于遗传算法的神经网络建立伪装效能评估模型.其步骤包括确定GA算子及相关参数,初始化网络连接权值和阈值向量,计算各个体适应度函数并将其排序,执行遗传操作,最后用神经网络进行二次训练.将样本光学特征指标量化值作为神经网络输入值,量化后的样本等级作为神经网络教师值进行评估.仿真表明该混合算法收敛速度快,能有效避免局部极值问题.     

基于Smith预估补偿与RBF神经网络的PID控制在工业平缝机脚踏板调速模块中的应用

针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。     

基于模糊神经网络PID的机床直流调速系统

为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。