一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题。针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法。由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度快和全局最优特性与神经网络结合,并通过设计神经网络收敛系数进一步加快收敛速度。仿真结果表明,粒子群优化的神经网络控制效果比神经网络好,且效果明显优于传统PID控制器;相较于神经网络PID控制器,矿井提升机转速调节系统稳速调节速度明显提高;与传统PID控制器相比,电机电磁转矩和转子磁链脉动明显降低,具有较强的稳定性和鲁棒性。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题.针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法.由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度...     

改进型神经网络在雷达误差补偿中的应用

针对传统误差补偿方法用于防空雷达存在适应性和适用性差的问题,构建了一种基于改进粒子群算法优化的BP神经网络,能够更稳定、更精确地估计雷达误差,并补偿雷达量测值,从而更好地提高雷达的探测精度。首先,引入收敛因子以及动态自适应调节惯性权重,提高粒子群算法的全局寻优能力与收敛速度;其次,将改进的粒子群算法用于优化BP神经网络的初始权值和阈值,提高BP神经网络的估计精度,缩短训练时间。采用某雷达的实测数据进行仿真验证,结果表明,补偿后的距离、方位角、俯仰角的精度和误差起伏性均有大幅改善,与传统方法相比补偿效果更好,工程应用性和推广应用性更强。     

基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于PSO和改进神经网络的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法（PSO）的图像滤波方法。该方法利用对数最小均方误差函数（LNLS）代替BP神经网络传统的最小均方误差函数（LMS）,用来减小图像噪声对神经网络精度的影响;并将改进后的BP神经网络利用PSO算法优化,从而避免神经网络陷入局部极小值点,进一步提高神经网络滤波能力。实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

优化的神经网络在模拟电路故障诊断中的应用

在检测和诊断模拟电路的故障中,为了解决传统的BP神经网络初始权值和阈值是随机选取的,容易陷入局部最小值,出现不收敛或收敛速度慢的缺点,文中提出了采用粒子群算法来优化传统BP网络的方法。首先利用粒子群算法优化BP神经网络的初始权值和阈值,然后再由改进的BP算法进行训练仿真。通过和在单一改进BP算法下训练的诊断仿真结果进行对比,可以发现通过粒子群算法优化后的神经网络改善了网络不收敛的缺陷,在训练速度以及诊断正确率上都有所提高。     

基于改进神经网络算法控制开关电源的研究

针对数字开关电源的控制策略问题,提出一种改进共轭梯度算法的BP神经网络PID控制系统.以BUCK变换器为研究对象,在BP神经网络PID算法的基础上,通过改进共轭梯度算法优化控制系统的调节时间和恢复速度,以提高数字开关电源系统的控制性能和输出性能.基于MATLAB软件完成系统建模进行仿真研究.结果表明:改进后的控制系统比...     

基于PSO-BP神经网络的无线传感器网络定位算法

针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。     

基于BP神经网络PID控制在热力站的应用

热力站的换热器是一个非线性、时变的控制系统。常规的PID控制对热力站是不能达到较好的控制效果,于是提出了基于BP神经网络的智能PID控制方法对热力站控制。本文在介绍了BP神经网络模型的基础上,使用基于BP算法的PID控制器对热力站的换热器进行优化和整合,实现了对PID参数的在线调整,并使神经网络的学习和收敛速度加快,结果表明,采用神经网络PID控制对非线性系统及其参数有良好的整定,具有更好的适应性和鲁棒性。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

基于改进PID神经元网络的多变量系统控制算法

PID神经元网络具有动态特性,在系统控制应用中相比于传统的PID控制方法可取得更优的效果,但其学习算法为梯度学习算法,初始权值随机取得,为了提高其控制量逼近控制目标的速度和系统响应时间,引入粒子群算法对初始权值进行优化,最后应用Matlab软件对改进后的PID神经元网络算法进行仿真。仿真结果表明,该方法具有较好的控制性能。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。