基才PSO—BP神经网络的PID控制器参数优化方法

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题,结合BP神经网络自学习和自适应能力强等特点,提出采用BP神经网络优化PID控制器参数。其次,为了加快BP神经网络学习收敛速度,防止其陷入局部极小点,提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后,给出了PSO—BP算法整定优化PID控制器参数的详细步骤和流程图。并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。     

BP神经网络PID的气动位置控制系统的研究

本文提出了一种将常规PID控制与BP神经网络相结合的自适应PID控制器,该控制器运用神经网络和BP算法实现了对PID参数的在线调整,利用变步长法和引入动量项来改进BP神经网络学习算法,有效减小了学习过程的振荡趋势,改善了收敛性,避免了学习过程陷入某些局部最小值,并将其用于在线调整气动位置伺服控制系统的PID参数,实现具有最佳组合的PID控制。MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强。     

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.     

基于优化BP神经网络的PID控制研究与仿真

PID控制要取得较好的控制效果．就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系。优化BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点，将其隐含层单元分别作为比例（P）、积分（I）、微分（D）单元。可以建立参数自学习的PID控制器。仿真结果表明基于优化BP神经网络的PID控制器具有较好的自学习和自适应性。     

四旋翼PIDNN控制器设计

针对传统四旋翼PID控制器参数整定困难和控制效果难以达到最优的问题,综合了传统PID控制器工程意义明确、参数整定简便以及神经网络的非线性映射和自学习的优点,构造了四旋翼神经网络PID(PIDNN)控制器。以神经网络的非线性映射特点和自学习能力优化了传统PID控制器的控制效果,借助PID控制器的构造特点,解决了神经网络层数、节点数和连接权重初值选取困难的问题。最后,通过仿真实验验证了算法的合理性和有效性。     

基于BP神经网络PID控制在热力站的应用

热力站的换热器是一个非线性、时变的控制系统。常规的PID控制对热力站是不能达到较好的控制效果,于是提出了基于BP神经网络的智能PID控制方法对热力站控制。本文在介绍了BP神经网络模型的基础上,使用基于BP算法的PID控制器对热力站的换热器进行优化和整合,实现了对PID参数的在线调整,并使神经网络的学习和收敛速度加快,结果表明,采用神经网络PID控制对非线性系统及其参数有良好的整定,具有更好的适应性和鲁棒性。     

基于遗传算法BP神经网络的恒压供水系统的研究

针对恒压供水系统普遍存在的非线性、大滞后和不确定的特点,设计了一种基于遗传算法BP神经网络的PID控制器,该控制器先通过遗传算法优化BP神经网络的初始权值,再利用BP神经网络的自学习和自适应能力,自动调整PID控制器的参数,达到自适应控制目的,解决了传统PID控制算法难以控制未知复杂系统的问题。软件仿真表明,本系统的恒压性能和动态性能有较大的提高,控制效果比较理想。     

四旋翼飞行器自适应PIDNN控制研究

针对传统四旋翼PID控制器参数整定困难和控制效果较难达到最优的问题,综合了传统PID控制器工程意义明确、参数整定简单以及神经网络的非线性映射和自学习的优点,构造了四旋翼飞行器神经网络PID(PIDNN)控制器。利用神经网络的非线性映射特点和自学习能力优化了传统PID控制器的控制效果,借助PID控制器的结构,解决了神经网络层数、节点数和连接权重初值选取困难的问题。同时利用自适应调整比例神经元加权系数,增加了系统的响应速度。最后,通过非线性全数值仿真验证了算法的合理性和有效性。     

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BP神经网络的PID控制器的设计及模拟研究

本文首先对BP神经网络进行概述,然后对基于BP神经网络的PID控制器的设计进行分析,最后进行模拟仿真研究,得出基于BP神经网络的PID控制器与传统PID控制器具有适应性强、精度高等明显优势的结论.     

基于神经网络PID算法的四旋翼无人机优化控制

针对四旋翼无人机系统的时变性、非线性等问题,文中提出了一种基于神经网络PID的无人机姿态控制算法.该算法具有PID算法的强自适应能力和神经网络的强抗干扰能力.在建立四旋翼无人机刚体运动学模型和动力学模型基础上,搭建了四旋翼无人机MATLAB-Simulink姿态仿真控制模型,对比了神经网络PID控制算法与传统PID、串...     

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。     

基于深度强化学习的无人机编队控制

针对无人机编队控制中无人机智能化程度不足、缺乏自主学习能力等问题,基于深度强化学习中DDQN算法设计无人机编队控制器,该控制器可同时控制速度与航向通道,使僚机能够自学习跟踪长机并保持编队,提高无人机智能化程度。为验证设计控制器的有效性,通过仿真将设计的DDQN控制器与传统PID控制器进行对比。对比结果表明,该控制器可有效形成无人机编队并满足编队要求,对无人机编队智能化控制进行了有效探索。     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题。针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法。由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度快和全局最优特性与神经网络结合,并通过设计神经网络收敛系数进一步加快收敛速度。仿真结果表明,粒子群优化的神经网络控制效果比神经网络好,且效果明显优于传统PID控制器;相较于神经网络PID控制器,矿井提升机转速调节系统稳速调节速度明显提高;与传统PID控制器相比,电机电磁转矩和转子磁链脉动明显降低,具有较强的稳定性和鲁棒性。     

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。     

基于神经网络的列车自动驾驶控制算法研究

对列车自动驾驶系统的速度控制过程进行了分析,针对传统PID算法缺乏自适应能力的缺点,在传统神经网络算法的基础之上对神经元的学习算法作出改进,设计出了基于RBF网络辨识的单神经元自适应PID控制器,仿真结果表明该控制器能够满足列车自动驾驶系统速度控制要求。     

基于BP神经网络的温度模糊PID控制器设计

根据BP神经网络对温度控制的要求设计出一种模糊PID控制器,采用误差和误差变化率作为模糊PID控制器的输入,PID参数作为模糊PID控制器的输出,使用一组模糊规则实现对PID参数的在线优化调节。采用Simulink图形化工具平台对模糊PID控制器和传统的PID控制器进行建模和仿真,结果表明和传统PID控制器相比,模糊PID控制器性能优良,使系统响应速度加快,超调减小。     

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。     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制器的设计方法。该控制器主要由2部分组成，第一部分利用遗传算法搜索出一组神经网络控制器的初始权值，第二部分用历史输入输出数据训练神经网络自适应控制器，经过训练后其达到稳定的控制效果。通过Matlab仿真表明，该控制策略克服了BP算法对初始值敏感的问题，有效提高神经网络的控制效果，和常规PID控制器相比较，超调量小、抗干扰性强和鲁棒性好。     

DVD光学头的BP神经网络自适应PID控制器设计

搭建了一套基于DVD聚焦循道伺服技术和双光子吸收三维光存储技术的双光头三维光盘存储系统.针对DVD光学读取头传递函数,采用BP神经网络自适应PID控制算法,构建PID控制系统仿真模型,通过BP神经网络的超强自学习和非线性逼近能力在线调整PID控制器参数,并进行计算机Matlab仿真.仿真结果表明,BP神经网络自适应PID控制算法提升了系统的响应速度,减小了系统的超调量.