基于BP神经网络整定的PID控制

针对经典PID控制参数不能在线调整的缺陷,研究了一种基于BP神经网络的PID控制算法,利用BP神经网络具有的任意非线性表达能力,通过对系统性能的学习,实现具有最佳组合的PID控制。     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,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。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

基于遗传BP网络的智能型电力负荷预测技术

为避免BP算法易陷入局部极小的缺陷,根据遗传算法具有全局寻优的特点,将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值,按负梯度方向修正网络权值及阈值,对网络进行训练。用matlab编写GA-BP计算程序,以多组数据进行测试,并与纯BP算法进行分析比较,结果表明该方法可以有效、准确的应用于短期电力负荷预测。     

基于Simulink的飞轮电池充放电控制设计与建模

飞轮电池是一种人们日益关注的新型机电电池,它实现能量转换的关键是依靠高效的"充电"和"放电"过程.本文设计了基于id=0控制策略的飞轮电池充放电电力电子控制系统,并在Matlab中建立了相应完整的充电/放电仿真控制模型.仿真结果表明,飞轮转子"充电"过程快速、稳定,具有良好的动态特性;"放电"过程转速稳定下降,输出电压达到期望效果,电压环跟踪可靠.从而证明了所设计的控制系统能够有效控制飞轮电池实现能量的双向转换.     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

电动汽车用飞轮电池充放电控制系统研究

针对现有电池技术还不能满足电动汽车对电池系统能量密度和功率密度还有寿命的要求,本文结合蓄电池的高比能量和飞轮电池的高比功率,提出了基于蓄电池和飞轮电池的复合电源。建立了飞轮电池的充放电的数学模型,并提出了飞轮电池充放电的控制策略。飞轮充电过程中采用模糊-PI复合控制策略,放电过程中根据驱动电机需要的瞬时电流值来控制斩波器开关的通断。结果表明系统具有较好的动态特性。     

基于BP网络二级倒立摆系统PID控制

为了更好地实现对二级倒立摆系统的控制,在基于BP神经网络的PID控制器的基础上,引入增量式函数观测器。以便更好反馈系统的状态来帮助PID控制器作出鲁棒性和适应性更高的控制策略。仿真实验表明,该技术成功地实现了对二级倒立摆系统的控制,其稳定性要优于LQR控制策略。     

基于MapReduce的BP神经网络算法研究

随着信息化社会的飞速发展,需要进行数据挖掘的数据量急剧增大,传统的串行化BP神经网络训练方法在处理海量数据集时存在很大问题,如耗时过长,甚至内存不足无法训练。为了解决这个问题,提出了一种在云计算环境下,基于MapReduce的BP神经网络训练方法 MR-GAIBP,实验证明,提出的方法,相比于已有的方法拥有更快的收敛速度和更高的精度,在大数据集上有更快的训练速度。     

基于遗传算法和BP网络的文字识别方法

将基于遗传的BP神经网络算法用于文字识别算法结合了遗传算法和BP网络的优点.先采用遗传学习算法进行全局寻优、再利用BP算法进行精确训练、优化BP(Back Propagation)神经网络权重学习和训练的神经网络文字识别算法.实验结果表明该算法完全达到了文字识别要求,识别率达到了98%.并且在识别速度上也明显优于传统的BP神经网络及其他改进算法,具有精确性、收敛性和识别速度快等特点.     

利用人工神经网络SNC进行最优励磁控制

BP神经网络是一种多层结构的映射网络。由于它计算简单、存储量小，并具有分布并行处理特性，所以是目前应用最广的一种模型。本文设计了一种BP神经网络的监督学习控制器（SNC），在线性最优励磁控制的基础上，利用3层BP神经网络对柴油发电机的控制过程进行监督学习。通过对网络的训练，使其能达到实时控制的目的。仿真结果表明，所设计的SNC在系统运行方式较大的变化范围内，都能提供很好的控制性能。     

基于BP神经网络的蓄电池充电控制优化研究

为了对蓄电池的充放电控制过程进行优化,根据其物理模型和化学反应机理,在Simulink环境中搭建铅酸蓄电池的三阶动态仿真模型.设置不同的实验测试条件,分析不同条件对蓄电池端电压和荷电状态(SOC)的影响.依据马斯最佳充电理论,基于BP神经网络算法控制蓄电池的充电电流,并与分阶段变流充电方式进行对比.实验和仿真测试结果表明,所建模型的准确率高,新型充电控制策略能更好地逼近马斯充电曲线,达到提高充电效率和延长蓄电池使用寿命的目的.     

基于BP神经网络PID的漂白温度控制算法的研究

本文讨论了使用BP神经网络PID控制算法,并且将这种控制算法应用在漂白工段的控制当中。利用神经网络自学习能力,在线整定PID控制参数。实践证明BP神经网络PID控制器具有实现简单,适应性强,具有较高的控制精度等特点。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

基于神经网络PID控制的自动化测试系统的开发与设计

针对汽车交流发电机性能自动化测试系统中测试对象特性的多样性及测试环境的多变性,在进行测试条件参数调节的过程中,采用改进型BP神经网络PID控制器,实现PID参数的在线自整定,改善自动化测试系统的动态品质,从而有效提高发电机生产线的生产效率.     

基于优化BP神经网络的PID控制器研究

提出了一种新型的基于优化BP神经网络结构的PID控制器（PID－NNC），该控制器将神经网络和PID控制规律融为一体，既具有神经网络自学习，自适应及逼近任意函数的能力，又具有常规PID控制器结构简单，可靠性高的特点，且控制器的算法采用的是优化的BP算法，可以避免网络陷入局部极小点，也可以加快网络的训练速度，所以该控制器可以对具有非线性，时变性和不确定性等复杂系统实行控制。利用MATLAB软件对非线性系统进行了仿真研究，其仿真结果表明该控制器具有很好的控制效果。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明,BP神经网络能够对电力负荷进行较好地预测。     

基于BP神经网络的加药控制系统研究

浮选是最重要的选矿方法之一,煤矿浮选工艺自动加药控制问题是影响浮选效果的重要因素;传统加药控制主要是由加药工根据生产经验来控制,为了解决浮选精度低这一问题,文中提出采用BP神经网络作为加药控制系统加药量的预测模型,并采用动量项方法对其进行优化,通过仿真得出动量项法网络和测试样误差曲线,说明带动量项改进的神经网络更容易满足网络精度的要求,并且该方法能够有效地降低误差、减小浪费。     

基于模糊神经网络控制的镍氢电池智能充电

镍氢蓄电池是具有复杂性和离散性的非线性系统,为其所建的数学模型或者不准确或者太复杂,现有的镍氢蓄电池充电技术一直不太完善,严重地影响了充电速度与质量。针对这一问题,将神经网络与模糊控制相结合,设计了模糊神经网络控制器,用于对MH-Ni蓄电池进行智能充电。通过Matlab仿真,发现充电过程中电压变化平稳,充电时间短,达到了控制要求。     

基于BP神经网络的故障诊断技术研究

分析了传统的故障诊断方法的特点和缺点,在此基础上选择BP神经网络应用于故障诊断,详细探讨了BP神经网络的建模方法,根据设备的层次结构和特点,将集成神经网络应用于故障诊断,有效地克服了单一神经网络故障诊断的一些缺点,大大提高了故障诊断的效率和准确率.