共查询到20条相似文献,搜索用时 93 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
5.
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。 相似文献
6.
7.
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。 相似文献
8.
9.
电磁开关性能测试系统及自校正PID控制 总被引:2,自引:0,他引:2
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。 相似文献
10.
11.
基于BP神经网络整定的PID控制 总被引:8,自引:1,他引:7
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. 相似文献
12.
13.
基于神经网络的PID自整定控制系统 总被引:2,自引:0,他引:2
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。 相似文献
14.
15.
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。 相似文献
16.
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。 相似文献
17.
18.
基于支持向量机的参数自整定PID非线性系统控制 总被引:3,自引:0,他引:3
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. 相似文献
19.
20.
基于PID神经元网络和内模控制的拥塞控制算法* 总被引:1,自引:0,他引:1
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。 相似文献