基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知,不确定,时变单输入单输出离散非线性系统,利用三层BP网络,采用快速BP算法构成学习和自校正控制的方案,针对同一被控对象,设计了PID控制器,仿真结果表明本文所提出的神经网络自校正控制的优越之处。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于BP神经网络的矿井提升机故障诊断研究

介绍了一种采用BP神经网络故障诊断法对矿井提升机进行故障诊断分析的方法;以提升机运行状态为例,建立了BP神经网络故障诊断模型,并在Matlab环境下进行了仿真训练。仿真结果表明,基于BP神经网络的矿井提升机故障诊断模型收敛速度快,能够很好地预测提升机的故障类型及位置。     

PID自校正控制算法

本文对国内外近年来出现的常见的PID自校正方法进行了较详细的概述。在此基础上,提出了一种基于控制系统过渡过程特征的PID在线自校正算法。该算法的特色是在不知道被控对象特性的情况下,对被控对象进行辨识、整定並能自动在线寻优。在辨识的思想上也较传统的辨识方法有所拓展。     

基于CMAC神经网络的PID控制

提出利用CMAC神经网络与PID的复合控制,实现非线性系统控制。由于CMAc网络的优点使PID控制效果有很大提高。仿真实验表明了该方法的有效性。     

时变滞后系统的一种自校正PID控制

对时变滞后系统提出了一种自补偿PID控制算法和对积分系数KI进行自校正的算法，经MATLAB仿真验证，该算法具有良好的控制品质，适合对象参数大范围变化的时滞系统，且易于工程实现。     

基于Davidon最小二乘法的神经网络PID自校正控制器

介绍将PID控制与神经网络相结合,利用Davidon最小二乘法训练用于辨识和控制的神经网络,由此推导出对非线性对象仍有效的神经网络PID自校正控制器,还进行了仿真研究,并将其与常规的PID控制作了比较.     

电磁开关性能测试系统及自校正PID控制

介绍了起动机电磁开关及其测试系统的原理和结构。在测试系统中,设计了一种基于神经网络的PID自校正控制器。以一个两层线性网络构造PID控制器,通过网络权值的修正,在线地自动整定PID参数。提高了控制系统的适应能力和鲁棒性,改善了系统的动态品质。     

基于BP神经网络整定的PID控制

传统PID控制在控制系统中有广泛的应用,但是由于其在参数整定过程中对于对象模型过分依赖,并且参数一旦整定计算好后,在整个控制过程中都是固定不变的,而在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳的控制效果．为了改善传统PID控制的效果,又充分利用现有PID控制的研究成果,采用BP神经网络对PID参数进行整定,并对该系统进行了仿真分析．仿真结果表明,采用BP神经网络整定的PID控制较传统PID算法及BP网络算法都有较大程度的提高．     

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

基于BP神经网络PID控制的BLDCM调速系统

在分析无刷直流电机(BLDCM)数学模型的基础上,采用改进型BP神经网络与传统PID相结合作为速度控制器,应用于无刷直流电机调速系统中。在电机初始运行阶段采用传统PID控制,网络学习一段时间后,切换到经过改进的BP神经网络在线自整定PID控制。仿真研究表明,应用这种新型控制方式的无刷直流电机调速系统具有良好的动态性能和稳态精度。     

基于反推方法的一类自适应神经网络容错控制

针对一类可控标准型基础上添加非线性模型误差与故障项的MIMO非线性系统,结合反推技术,提出了神经网络自适应控制方案,对模型误差与故障项进行在线估计。文中鲁棒项用于补偿逼近模型误差,当检测出系统故障时,通过调整各步骤的虚拟控制量来补偿故障项,消除故障项对系统的影响。通过理论证明实现了提出的控制方法使得各残差信号一致有界,并最终收敛到一个小的邻域内。实例仿真表明该方案的可行性。     

基于RBF神经网络与Smith预估补偿的智能PID控制

针对工业控制中普遍存在的大滞后现象,提出了一种将RBF神经网络算法和Smith预估补偿算法与传统的PID控制器相结合的智能RBF-Smith-PID控制策略。该方法利用RBF神经网络的在线学习、控制参数自整定能力,和Smith预估补偿对纯滞后系统的良好控制,有效地克服了常规PID控制的缺陷,提高了系统的鲁棒性和自适应性,对纯滞后系统起到了良好的控制。     

基于单神经元PID的航空发动机解耦控制

将神经网络应用到PID控制器的参数整定过程中,提出了一种基于改进单神经元PID的航空发动机解耦控制方法,通过在航空涡扇发动机多变量控制系统中的应用,得出了实际的仿真结果及结论。仿真结果表明,该改进单神经元PID解耦控制方法与传统的PID多变量解耦相比,具有响应速度快,自适应能力强,抗干扰能力强,实现简单的优点,因而可以广泛的应用于非线性系统的解耦控制中。     

基于支持向量机的参数自整定PID非线性系统控制

对非线性系统提出了一种基于支持向量机的自整定PID控制新方法.用支持向量机辨识系统的非线性关系,并对之进行线性化,提取出瞬时线性模型,采用最小方差的准则获取PID控制器的最优参数.为改善控制器的性能,提出了一些改进措施,包括使用一阶滤波器、控制器参数更新标准及惩罚系数的调整等.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

基于BP神经网络的网络控制系统调度

为了在复杂的网络环境下能更合理地分配网络资源,提出了利用BP神经网络,通过对网络调度器产生的历史和当前数据进行训练,预测调度器下周期可能产生的数据,进而对下一调度周期的死区大小进行调整。实验仿真表明,所设计的反馈调度器能进一步改善网络控制系统的性能,进一步提高应对负载变化的能力。     

基于PID神经元网络和内模控制的拥塞控制算法*

针对网络系统的大时滞和非线性特性,设计了一种新的拥塞控制算法,将PID神经元网络与内模控制相结合应用于主动队列管理中,并使用Lyapunov理论证明了此算法的稳定性。NS仿真结果表明,这种算法的稳态和瞬态性能都优于PID算法,并且在参数变化和负载扰动时具有很强的鲁棒性。