基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

利用优化概率神经网络识别自相关过程异常

概率神经网络的控制图模式识别性能主要取决于平滑因子的设定,为提高概率神经网络对控制图模式识别准确率,文章利用PSO算法对平滑系数进行优化。将优化的概率神经网络运用于自相关过程的控制图模式识别中,并与常见的控制图模式识别方法BP神经网络进行对比,通过仿真实验证明,基于PSO优化的概率神经网络在自相关过程中具有更强的模式分类性能。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

基于PSO混合算法优化BP网络在钢轨磨损量预测中的应用

提出基于PSO混合算法对BP网络进行优化,改善了BP网络权阈值求解所面临的局部极值与收敛速度慢的问题.通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得BP神经网络训练数据,运用基于PSO混合算法优化BP网络对钢轨磨损量进行拟合.结果表明:基于PSO混合算法优化BP网络对钢轨磨损量数据能够进行极好的拟合,为钢轨磨损量预测提供一种更有效的数据分析途径.     

基于BP神经网络预测和模糊控制的灌溉控制器设计

适当的灌溉方法和灌溉方式对提高农作物的产量至关重要。根据农作物的生长周期,适时适量的给水加肥,并精确控制施加的水肥比例,能够很好的促进农作物对水肥的吸收,提高水肥的利用率。针对精确水肥控制系统非线性、时变性、滞后性等问题,提出一种基于BP神经网络预测的模糊PID算法。BP神经网络具有自学习和预测的能力,可以做到事前控制,解决控制系统的大时滞问题。仿真结果表明,该算法的响应速度、超调量及鲁棒性均优于传统的PID调节和模糊PID调节。最后,通过水肥浓度精量灌溉实验,验证了采用这种新型优化算法的水肥浓度精量控制机具有更加优越的控制效果,达到了优化的目的。     

基于搜寻者优化算法的PID神经网络解耦控制

传统的PID神经网络,由于初始权值随机选择,权值学习采用BP算法,所以容易陷入局部极值,进而导致该方法无法得到高精度的控制结果。该文提出采用搜寻者优化算法优化PID神经网络初始权值,再把最优初始权值带入PID神经网络,实现解耦控制。对一个耦合系统进行仿真实验,结果表明,与目前控制效果较好的粒子群算法优化PID神经网络相比,该算法收敛速度更快、稳态误差更小,同时也具有良好的自适应和抗干扰能力,能够实现快速、高精度、稳定的解耦控制。     

基于模糊BP网络的自适应PID控制

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于模糊BP神经网络的PID控制算法,采用模糊规则自动地调节BP神经网络训练过程的学习参数,利用神经网络较强的学习能力和模糊控制在模型未知或不精确前提下的控制能力,将其应用到PID控制中[1],实现了PID控制参数的在线调整和优化,并对其在非线性离散系统中的应用进行了仿真。实验结果表明该算法性能优良,加快了系统响应速度,减少了超调量,适用于纯滞后非线性系统。     

基于动态惯性权重的电子节气门改进PSO-BP优化控制

针对汽车电子节气门系统存在的动态迟滞非线性问题,提出一种模糊神经网络PID控制器的设计方法。该控制器将动态调整惯性权重的粒子群优化算法和BP算法结合来优化模糊神经网络参数,修正模糊神经网络在寻优过程中收敛缓慢、易陷入局部最小值的不足。利用模糊神经网络的自学习能力,对PID控制器参数进行整定。仿真结果表明,经过优化后的模糊神经网络PID控制器相比于模糊PID控制器在响应时间、超调量和振荡次数等方面都有显着提升。在模拟气流扰动工况施加扰动信号后,该控制器表现出良好的抗干扰性能。在电子节气门响应试验中,节气门响应曲线存在轻微超调,但稳态误差较小,表明该控制方法下电子节气门具有良好的动态响应特性。     

基于BP-PID的数控机床进给伺服系统控制仿真分析

在智能制造领域,数控机床最终加工出来的产品质量除了与机床本身性能有关外更重要的是进给系统的伺服优化效果。为提高数控机床进给伺服系统优化效果,设计了一种基于BP神经网对数控机床进给系统PID控制器进行优化的模型。利用BP神经网络具有逼近任意非线性函数的特点,通过对系统性能优化算法实现最佳PID参数组合。Matlab/Simulik仿真实验结果表明,BP-PID控制器能够快速、有效地对非线性数控机床进给系统进行控制,对提高机床加工精度具有重要意义。     

PSO算法优化BP神经网络的EIT图像重建算法

针对阻抗断层图像重建这个严重病态的非线性的逆问题,提出一种基于PSO优化BP神经网络的EIT图像重建算法。该算法在基本BP算法的误差反向传播调整权值的基础上,再引入PSO算法进行权值修正。该算法不仅能很好地适应EIT的病态非线性特性,而且可以克服基本BP算法收敛速度慢和易陷于局部极值的局限。实验结果表明该方法速度快并且能够有效提高图像分辨率。     

一种基于改进的粒子群优化算法的神经网络PID控制器

针对多输入多输出(MIMO)复杂过程控制中控制性能偏慢等问题,对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳,提出了一种粒子群优化算法,提高了PSO算法的收缩因子以保证优化的收敛性,并进行了Matlab仿真。研究结果表明,所提出的神经网络PID控制器的改进粒子群算法优化,在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。     

基于HMPSO和BP神经网络算法的中频淬火工艺参数预测

中频淬火通过人工控制和PID控制工艺参数难以保证产品质量,因此,基于微粒群优化算法和BP神经网络算法提出了一种基于HMPSO的BP神经网络工艺参数控制方法,首先介绍了微粒群优化算法和BP神经网络算法,接着建立了基于HMPSO的BP神经网络工艺参数控制方法,最后对中频淬火控制系统进行MATLAB仿真研究,结果表明,该方法稳定、有效,可提高中频淬火的质量。     

基于CPSO-BP-PID的神经网络控制方法研究

针对传统PID控制方法的参数不易整定、调节时间偏长的缺点,将CPSO算法用到BP-PID的参数整定过程中,从而设计了一种稳定、高效的自适应控制器(CPSO-BP-PID)。由于CPSO算法的粒子速度更新来自于粒子的自身最优值、每个子群的最优值以及本子群的最优值,使其充分发挥了PSO的社会分享机制,全局搜索能力更强,从而保证了由其整定的BP神经网络更加适合PID控制参数的优化过程。通过比较实验中建立的PSO-BP-PID、BP-PID以及CPSO-BP-PID三种控制器的控制性能,实验结果表明CPSO-BP-PID控制器可以实现对被控系统的有效控制,并可较大程度地提高其控制过程的稳定性、精确性与鲁棒性。     

戈壁地貌地形探测器接地压力神经网络控制研究

针对戈壁地貌地形探测器接地压力调节系统具有的非线性特点,提出了地形探测器接地压力的BP神经网络PID控制方法,设计了BP神经网络PID控制器,并利用MATLAB软件编程进行了仿真分析和实验。研究结果表明,BP神经网络PID复合控制较之常规PID控制可使系统具有更优的动态性能和良好的跟随特性,是一种有效的控制策略。     

基于模糊神经网络的精密角度定位PID控制

针对精密角度定位系统存在非线性、时变性,传统PID控制难以获得理想控制效果的问题,提出一种基于模糊神经网络的PID控制方法,将模糊控制、神经网络与PID控制相结合,采用3层前向网络、动态BP算法,利用神经网络的自学习和自适应能力,实时调整网络的权值,改变PID控制器的控制参数,整定出一组适用于控制对象的kp、ki、kd参数,实现精密角度定位PID控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID控制较传统的PID控制,控制性能有较大的提高,能有效提高定位精度,缩短定位时间。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛缓慢、易陷入局部最优的缺点;最后,利用MATLAB和AMESim软件进行联合仿真,仿真结果表明,该模型相比于其他两种算法在调节时间、超调量等性能方面都有很大的提升,并且表现出更强的鲁棒性和抗扰动能力,能够使阀位控制更加稳定可靠。     

基于PSO的神经网络机械臂自校正控制

粒子群优化算法(PSO)基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优.针对非线性机械臂系统,利用径向基函数(RBF)神经网络和PID控制器作为混合控制器,运用PSO算法对神经网络参数进行在线学习优化,同时在PID控制器的辅助下对机械臂系统进行在线自校正控制.计算机仿真表明,该控制器具有较高的控制精度和响应速度,可以满足机械臂工作要求.     

基于β参数B样条基函数及改进PSO算法的PID神经网络控制

针对传统PID控制参数难以选择以及神经网络PID不适合控制动态系统的缺点,本文提出了基于重新参数化的B样条神经网络以及考虑到早熟现象的改进粒子群算法的PSO-B-BP-PID控制器.该控制器能通过PSO的搜索找到最佳适合的因子,从而得到适合本网络权值搜索的最佳重新参数化B样条基函数,同时,文中还提出由考虑到早熟处理的改进粒子群算法取代传统BP后向传播算法来作为网络学习算法,从而有效克服传统算法易于陷入局部最优的缺点.实验结果表明PSO-B-BP-PID的控制系统可以实现对被控系统的有效控制,并可提高控制系统稳定性、精确性与鲁棒性.     

可变阀驱气门运动跟踪PSO和KF改进PID控制器

为了进一步提高可变阀驱气门运动控制精度以及运动稳定性,在原有PID控制的基础上,通过粒子群算法（PSO）和卡尔曼滤波（KF）方式对其进行优化改进。通过科尔曼滤波器来达到气门升程调控系统的干扰与噪声滤波功能,再把结果反馈至输入端,采用PSO优化PID控制器的各项参数。利用PSO以随机方式生成粒子群,再利用粒子对PID控制器赋值,完成计算过程。在Matlab软件中完成气门升程、速度及其加速度的仿真分析,并跟未经过改进的PID控制气门升程状态实施了比较。结果表明：通过改进PID方法进行控制时,气门升程、速度与加速度都达到较低的跟踪误差。运用PSO以及KF优化能够实现对液压驱动系统的高效控制,不会引起气门落座的大幅波动或突变的情况,从而提升了跟踪的精度。该研究对提升汽车发动机性能具有很好的实际应用效果。