基于改进BP神经网络算法的PID参数整定

BP神经网络对PID参数整定的标准算法虽然能较好地解决PID参数整定的问题,但还存在不足,在迭代过程中不能保证最终得到的解是全局最优解,而且收敛速度很慢.为了解决这个问题,本文对PID的参数整定采用了基于DFP矫正拟牛顿法的傅里叶神经网络算法.试验表明,这种改进方法是有效的.     

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。     

一种基于动态神经网络的PID参数在线自整定方法

提出一种基于动态神经网络的PID控制器,给出PID参数在线自整定学习控制算法,并进行了算法仿真研究。数值仿真结果表明,该PID控制器是一种与对象模型无关的、具有在线自整定能力的智能控制器。     

一种新型滤波PID控制器设计

在设计控制系统时,PID控制器一般是工程技术人员的首选,往往需要手动设置PID参数,这个过程常常要耗费大量的时间和精力。传统PID由于微分环节容易受外界干扰,所以工程人员牺牲微分环节的动态性能,而采用动态灵敏度较差的PI控制。介绍一种新的滤波PID控制器,并利用新版本Matlab中的Simulink优化工具,使用一种快捷的PID参数整定方法,能在达到预期的控制效果的同时大大减少控制系统设计的研发周期。对比传统PID控制器和滤波PID控制器不同的仿真效果,并通过用C#制作的上位机监控软件展示实际的控制效果。     

改进BP神经网络PID多变量解耦控制器的设计

针对多变量系统间的耦合问题,设计了改进的BP神经网络与PID控制器相结合的多变量解耦控制器。在将BP神经网络附加动量项的基础上,还将激活函数进行了改进。利用神经网络的自学习能力,在线调整PID控制器的三个参数,实现了多变量系统的解耦控制。用Matlab软件对一个耦合系统模型进行仿真,结果表明,改进后神经网络PID控制器优于传统神经网络PID控制器,震荡小,系统响应速度快,可以得到满意的解耦效果。     

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。     

一种基于BP神经网络的模糊PID控制算法研究

提出了一种基于神经网络自学习和并行处理的能力。利用模糊控制对未知模型不精确控制的功能来设计的PID控制算法,仿真实例表明能较好地实现PID控制器参数在线调整和优化。     

一种新型的模糊神经网络控制器

本文在分析传统模糊控制的基础上,提出了一种由模糊神经网络实现的自适应模糊控制器,详细分析了网络的结构形式、控制器的在线学习、离线学习方法。最后成功地将它应用于两关节液压机器人的实时控制之中。     

基于BP神经网络的PID控制器的研究与实现

本文从BP神经网络的基本构成原理、学习规则和学习算法出发,介绍基于BP神经网络的PID控制器的研究与实现方法。     

基于BP神经网络的PID智能温度控制器设计

PID控制被广泛应用在工业过程控制领域,但是在实际应用中往往具有非线性、时变不确定性,导致PID参数整定难以达到最佳控制要求。本文将神经网络技术应用于PID控制中,利用神经网络具有的非线性函数逼近能力,通过对系统性能的学习来实现具有最佳组合的PID控制,并将研究结果用于单片机温度控制器,效果良好。     

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。     

一种用于优化PID参数的改进蚁群算法

PID控制由于算法简单,鲁棒性好在工业的过程控制中应用很广泛,但是传统的Z-N算法整定的PID参数却并不是最佳的。蚁群算法作为一种新型的仿生优化算法。该算法具有很多优良的性质,近年来在优化领域中得到了广泛应用。本文提出了一种改进的蚁群算法。通过增加高斯变异这一环节来增强算法的智能性。最后通过仿真实验获得了较好的控制效果。     

基于模糊神经网络和遗传算法的仿人智能PID控制器设计

阐述一种新型的模糊神经网络加遗传算法的智能PID控制器     

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。     

基于神经元网络参数自调整的PID控制器

本文介绍一种基于神经元网络自学习的ＰＩＤ控制器。该控制器不仅具有自学习自适应能力,而且具有自调整比例因子功能。实验表明,该控制器能够改善温度控制系统的动态特性和对环境的鲁棒性     

基于BP神经网络的Fuzzy-PID恒温控制器

在高精度恒温系统温度控制中,为了克服温度这种被控对象因其纯滞后、非线性和大惯性特性以及被控对象参数的时变性对精度的影响,采用了BP神经模糊PID控制器代替模糊控制,使推理速度加快,并通过在系统运行时不断地增加和完善模糊控制规则,不断提高系统控制的精度。仿真分析结果表明,经过BP神经网络优化学习后,系统具有良好的控制性能和自适应能力,很好地满足了大滞后系统对高精度控温与快速性的要求。     

基于BP神经网络的料筒温度PID控制器

针对注塑机料筒温度控制的要求和PID控制器的不足,设计了一种基于BP神经网络的PID控制器.该控制器将神经网络和PID控制技术相结合,能无限地逼近非线性系统,具有收敛快的优点.提出了基于BP神经网络的PID控制算法和程序流程.仿真结果表明,BP神经网络PID控制器能有效地缩短过渡过程,具有较好的稳定性和快速响应性,可以满足注塑机料筒的温度控制要求.     

基于共轭梯度法的改进型BP神经网络PID控制算法

针对常规BP神经网络PID控制器存在收敛速度慢和易陷入局部极小的缺点,提出一种基于共轭梯度算法的改进型BP神经网络PID控制器,采用Polak -Ribiere线性搜索方法,对传统BP神经网络PID控制器进行改进,加快了网络训练速度,避免网络陷入局部极小.在Matlab平台下实现算法程序,仿真结果表明该改进控制方法的有...