基于模糊RBF神经网络的PID控制方法及应用

针对常规PID控制参数固定难于满足时变不确定非线性系统的控制要求,利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊RBF神经网络的PID控制方法,实现了对PID参数的实时在线整定。将算法运用到柴油发电机调速系统的PID参数寻优中,MATLAB仿真试验结果表明,模糊RBF神经网络的PID控制具有更好的动静态特性和抗干扰性能,提高了对非线性时变被控对象的控制效果。     

RBF神经网络在温控系统中的应用

针对温度控制系统大延时问题,引入了RBF(径向基)神经网络算法,在线实时调整PID控制器的3个参数,构成RBF-PID控制器。通过分析编织物试验机温度控制系统硬件结构,进行数学建模,最终应用MATLAB软件仿真,验证了基于RBF神经网络的PID控制器较传统的PID控制器具有更小的超调量和更快的响应速度。     

基于神经网络预测自整定PID在锅炉主汽温控制中的应用

针对火电厂主汽温被控对象的大延迟、模型的不确定性，设计了基于预测神经网络的主汽温控制系统，系统结构为串级系统，内回路采用常规的PID控制，外回路采用带非线性预测神经网络PID控制器，学习算法为改进的BP算法，对系统在多种工况下仿真的结果表明，该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统，可知在过程控制领域中，神经网络在处理困难问题上，有良好的发展潜力。     

纯滞后对象的RBF神经网络PID控制研究

神经元网络具有信息分布储存、并行处理以及自组织、自学习能力等优点。运用RBF神经网络训练了PID控制器的三个重要参数。相比于传统的PID控制器,提高了控制精度,使系统快速地达到了稳定状态。并进行了Matlab仿真,验证了这一结论。     

基于RBF神经网络PID控制的水压加载系统研究

为了实现水压加载系统能够精确控制的要求,利用径向基函数(RBF)结构简单、收敛速度快、逼近能力强的特点,提出一种新型基于RBF神经网络整定PID的控制方式。MATLAB仿真结果表明,该控制器易于实现PID参数的自整定,能够有效地缩短过渡过程时间,具有很好的稳定性和快速响应性,比普通PID控制具有更好的控制效果。     

PID—ATC的现状

本文综述了目前ＰＩＤ自整定控制器的技术现状，并预估了今后的发展方向。     

基于RBF神经网络动态辨识的自整定PID控制策略

提出了在采用最近邻聚类算法在线构造RBF（NN1）正向辨识器,并在线辨识被控对象的Jacobian阵的基础上,引入RBF（NN2）对PID控制器参数进行在线调整的算法。该算法可以实现PID控制参数的自动在线整定和优化。通过与BP网络调整控制器参数的方法的对比和仿真实验证明,该方法控制精度高,响应速度快,并且具备较强的自适应性和鲁棒性。     

并联电液伺服平台的神经网络PID控制方法研究

并联平台具有高度非线性、控制模型不确定性、强耦合性及控制任务要求复杂性等特点，传统的PID控制由于无法实现参数的在线优化而不能取得令人满意的效果。该文应用BP神经网络实现PID参数Kp、Ki、Kd的自整定，此法能根据并联平台动态特性的变化，自动重新整定PID参数，从而改善了其实时控制的性能和鲁棒性。     

RBF模糊自适应控制在电液速度伺服系统中的应用

由于电液速度伺服系统的非线性和参数的不确定性,难以建立精确的数学模型,文中引入RBF（径向基函数）模糊自适应控制,利用RBF神经网络进行自学习,修改和完善模糊规则,改善其动态性能.仿真结果表明该方法具有较强的自适应和自学习能力,即使对复杂的非线性系统也能取得良好的控制效果.     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于神经网络PID控制的系统非线性校正的研究

在对BP神经网络PID控制器系统研究的基础上，提出了单神经元的自适应PSD算法。该算法兼有单神经元和自适应PSD算法的特点，简单、实时性好、自适应能力强，可用于控制过程时变、有大滞后的较复杂的对象，是一种实用价值较高的自适应控制算法。文中采用BP神经网络PID控制与单神经元PSD自适应控制两种方法对压电式微位移系统进行非线性控制，并取得了良好的效果。     

基于BP神经网络的PID控制器参数寻优

详细介绍BP神经网络对PID控制器参数寻优控制算法，用高斯核函数作为节点激励函数对系统进行控制。试验表明系统操作方便．安全可靠．控制效果好。     

BP神经网络PID控制器在球磨机控制中的应用

基于神经网络控制理论,针对球磨机的运行特点,提出了一种新型的基于BP神经网络PID解耦的球磨机控制系统。此控制系统既实现了系统解耦而且通过在线整定PID参数兼具了PID控制的优点。大量的仿真表明,与常规控制系统相比,此系统具有更好的动态及稳态性能。     

基于RBF神经网络的教学机器人转角测量

以AS-UII教学机器人为研究对象,提出了一种间接测量机器人转角的方法.该方法利用RBF神经网络建立模型,以多组电机速度、运行时间为样本,解决了机器人转角与电机速度、运行时间的关系问题.实验证明,该方法是有效可行的.因此,可以根据电机的速度、时间来间接确定机器人的转角,为机器人的路径规划提供角度参数.     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.