模糊神经网络自适应PID控制在烟叶复烤系统中的应用

烟叶复烤过程具有时滞、不确定、非线性特性,仅利用常规P ID控制不能使复烤过程的各项性能指标满足要求.本文提出了一种模糊神经网络自适应P ID控制器,该控制器即具有模糊控制简单和有效的非线性控制作用,又具有神经网络学习和自适应能力和P ID的广泛适应性.仿真结果表明,该控制器能对烟叶复烤过程进行有效控制.     

PID神经网络内模控制在湿法烟气脱硫中的应用

该文针对石灰石/石膏湿法烟气脱硫工艺中吸收塔浆液pH值变化过程的高度非线性、时滞性以及各种不确定性、常规P ID控制难以达到满意的控制效果,提出了一种基于改进P ID神经网络的内模控制方案,对浆液pH值变化过程进行辨识和控制。仿真结果表明,在改进P ID-NN的内模控制下,吸收塔浆液pH值很好地跟踪了系统的设定输入及其变化,体现了高度的自适应性。同时系统超调量小,稳态精度高,优于常规P ID控制。满足实时控制的要求。     

基于神经网络的盾构机密封舱压力控制研究

根据从盾构机刀盘进入密封舱的渣土的体积与从螺旋输送机排除渣土的体积平衡原理以及渣土的非线性本构模型,建立了密封舱压力控制的离散状态方程。分别采用BP神经网络和P ID神经网络作为辨识器和控制器,研究了盾构机密封舱压力控制时变系统的辨识和控制问题。数值仿真结果表明,所提出的基于神经网络的盾构机密封舱压力控制方法是有效的,并且具有良好的稳定性和鲁棒性。     

前向神经网络在自适应控制中应用的研究

论述了前向神经网络自适应控制系统，论证了基于逆向建模的前向神经网络自适应控制方案的可行性，研究提出由该控制方案构成的控制系统不仅结构简单，易于实现，而且具有满意的动态指标．文中还通过一个水槽温度控制系统，进行了神经网络自适应控制仿真，给出了上述神经网络自适应控制方案的具体实现步骤并得出一些结论     

板球系统的模糊神经网络控制算法研究

针对具有非线性特性的控制系统,提出了一种逐级模糊神经网络控制算法。该系统控制采用了补偿模糊神经网络算法和逐级模糊控制规则。在matlab仿真环境下对简化的模型进行了仿真实验。通过仿真结果可以看出,该控制算法比传统的模糊控制具有更好的控制表面,更能适应复杂多变的非线性准确控制;补偿模糊神经网络算法在训练时,具有学习速率快、准确度高和扩展性好等优点。     

城市轨道交通环境控制系统控制策略的探讨

简要介绍了城市轨道交通环境控制系统的作用,对其系统结构进行了分析,并着重研究以神经网络作为控制方法的控制方案可行性;同时通过建立数学模型来研究神经网络应用于城市轨道交通环境控制系统具有良好的控制效果.     

回归神经网络控制器的研究与应用

分析了利用具有多层反馈的动态回归神经网络作为控制器的可行性 ,构造了基于RNN的控制系统,并对典型的非线性化工对象连续搅拌釜反应器(CSTR)和化工过程Benchmark问题进行了实时的控制应用。结果表明,多层反馈的回归神经网络控制器具有结构简单、控制效果好的优点,特别是在对Benchmark控制中采用了多入多出的RNN控制器构造的串级控制系统,体现了RNN控制系统的强适应能力,可用于复杂动态过程的控制。     

神经网络监督控制在船用一体化压水堆功率控制中的应用

设计了一种船用一体化压水堆功率控制的神经网络监督控制系统,在系统中神经网络作为前馈控制器,PID控制器作为反馈控制器.对压水堆功率控制过程进行了计算机仿真,仿真结果表明,与传统的PID控制相比,神经网络监督控制具有较强的自适应能力和鲁棒性,有效地提高了控制系统的精度.     

一种新的电液伺服系统神经网络自适应控制

提出一种基于直接模型参考的神经网络与滑模变结构控制相结合的神经网络自适应控制方法并对电液伺服系统进行控制,仿真结果表明用该控制方法的控制系统能实现较高粗度的控制,且具有较强的鲁棒性和自适应能力,具应用价值。     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

基于PID神经网络的拉深件变压边力控制方法研究

将传统的PID控制器与神经元网络融合,建立PID神经网络。运用VB语言编译了拉深过程中变压边力控制系统的PID神经网络仿真程序,并与传统的PID控制仿真进行了对比。建立了基于PIDNN的变压边力控制系统,并通过锥形件拉深实验,证实了PIDNN控制系统具有精度高,抗干扰能力强,能较准确达到变压边力控制要求等优越性。为后续的变压边力控制系统实验研究与工厂实际应用提供了理论与实践基础。     

基于PID神经网络自动换挡过程油门调速

提出了一种在AMT换挡过程中运用PID神经网络进行油门调速的方法.通过台架实验,建立了东风康明斯EQB235-20柴油发动机的油门实验模型,同时在Matlab平台上对PID神经网络进行训练,使其输出逼近理想油门实验模型.将训练后的PID神经网络移植入ECU,进行发动机调速实验.实验表明,PID神经网络有响应速度快、鲁棒性好、收敛特性好的特点,提高了车辆的自适应能力.     

基于单神经元PID控制器的闭环控制系统

目的 解决传统PID控制器对时变系统控制能力不强的弊病。方法 利用神经网络理论与传统PID控制理论相结合。结果 设计了一种单神经元PID控制器，将其应用于被控制对象是快时变和慢时变的两类闭环控制系统。结论 实验证明这种单神经元PID控制器通过在线边学习边控制的方式，实现了实时控制。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.     

基于多步预测的PID型神经网络控制

提出了一种基于多步预测的ＰＩＤ型神经网络控制方案,其控制机理类似于位置递式ＰＩＤ控制,但所产生的控制量是误差信号的比例、积分和微分量的一种非线性组合,可以有效地克服常规ＰＩＤ控制存在的快速性和超调的矛盾。通过利用多步预测误差对ＰＩＤ型神经网络控制器进行训练,可以弥补单步预测存在的控制信号波动较大的缺陷。仿真实验表明,基于多步预测的ＰＩＤ型神经网络控制系统有效随机干扰,具有较强的适应性和鲁棒性。     

一类基于Levenberg—Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳．利用神经网络进行复杂过程的PID控制可以很好地解决上述问题．Levenberg—Marquadt（LM）算法是梯度下降法与高斯一牛顿法的结合,就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制．得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法．