一种新型神经网络控制器的研究

提出了一种新型神经网络控制器,其控制机理与PID控制相类似,但解决了常规PID控制存在的快速性与超调量的矛盾.给出了该神经网络控制器的自适应学习算法,分析讨论了控制系统的稳定性.仿真实验表明,这种新型神经网络控制器构成的自适应控制系统具有较强的适应性和鲁棒性.     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

基于神经网络的高速无人艇模糊PID控制

针对采用喷水推进器的高速无人艇具有强非线性,传统控制手段难以快速精确控制的问题,提出以神经网络作为辨识器,并采用模糊控制器对其进行控制的方法。运用MATLAB软件建立系统模型,并进行模糊PID控制器设计,通过对系统仿真,结果证明运用神经网络和模糊PID控制器能够精确实时地实现无人艇控制。     

干燥过程模糊神经网络控制器的设计与仿真

为了准确控制干燥过程的温度和湿度,提高谷物干后品质,设计了一种基于改进遗传算法的干燥过程模糊神经网络控制器.利用模糊算法解除温湿度的耦合作用,采用神经网络实现模糊逻辑控制的全过程和信号的非线形处理,将训练好的被控对象网络模型与模糊神经网络控制器联成闭环回路,应用改进遗传算法对模糊神经网络控制器的参数进行自适应调整.在仿真实验中,将所设计的控制器与常规PID控制器和经典模糊控制器进行比较,结果表明所设计的模糊神经网络控制器具有较好的性能,满足了谷物干燥过程的控制要求.     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

基于BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中，其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中，充分利用神经网络具有非线性函数逼近能力，构造神经网络PID自整定控制器，并通过仿真试验，取得较好的结果。     

基于遗传神经网络的自整定PID控制器

提出了一种基于遗传算法和神经网络的自整定PID控制器的设计方法。该控制器主要由三个部分组成。第一部分利用遗传算法搜索出一组准优的PID参数，作为PID控制器参数的初值，第二部分利用神经网络具有逼近任意非线形函数的能力，在线调整PID参数，以确保系统的响应具有最优的动态和稳态性能，第三部分是传统的PID控制器，直接对被控对象闭环控制。计算机仿真结果表明，这种控制算法鲁棒性强，响应速度快，可用于控制不同的对象和过程。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

过热汽温系统的RBF神经网络控制

采用RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。通过将该方法应用于电厂过热汽温系统的控制进行仿真研究并与常规PID串级控制系统进行比较，结果表明控制系统的性能得到较大的提高。     

基于PID神经网络的主汽温系统设计与仿真

PID神经网络是将PID控制规律融入神经网络的一种智能控制技术,它既具有常规PID控制结构简单、参数物理意义明确的优点,又具有神经网络非线性映射能力强、自学习、自适应的功能。针对主汽温控制系统大滞后、非线性、时变等特性,综合考虑控制系统的动态、静态性能,PID神经网络对控制系统进行全工况的学习与优化设计,并进行了主汽温...     

基于广义预测的非线性解耦PID控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络的非线性多变量PID解耦控制方法。该控制器是由常规PID控制器与解耦补偿器、未建模动态前馈补偿器组成,而PID参数的整定是通过广义预测的方法实现的。同时给出了该控制方法的闭环系统的稳定性和收敛性分析。最后通过仿真实例验证了所提方法的有效性和可行性。     

网络流量的神经网络自适应Smith预估补偿控制

网络的时延对基于速率反馈的ATM网络的ABR流量控制具有极大的不利影响，Smith预估补偿是克服大纯滞后影响的有效手段，然而其对时延的预估误差非常敏感，实际网络时延的不确定性往往使其难以取得满意的效果。该文将在线学习的神经网络自适应控制器与Smith预估补偿相结合，很好地克服了网络的时延及其不确定性对流量控制的不利影响，从而使信源的发送速率能快速响应网络状态的变化。与PIDSmith预估补偿控制相比，控制的适应性和鲁棒性更好，更适用于实际网络，且为保证信元不溢出及链路带宽充分利用所需的缓冲容量更低。     

一种混合PID控制器的设计

传统PID方法的在数难以精确整定，故其控制精度也难以得到保证.本文提出了一种混合PID控制器的设计方法，它是采用神经网络作为补偿器，与传统的PID一起来对被控对象进行综合控制。仿真研究结果表明该方法较传统PID有更好的控制效果。     

基于支持向量机的自修复飞行控制及仿真研究

针对多输入多输出非线性耦合系统的控制问题,提出一种多输入多输出函数的支持向量机回归方法和一种基于支持向量机的逆控制方法。采用该回归算法对多输入多输出非线性耦合系统的逆系统进行辨识,再与原系统复合而成为一个伪线性系统,就可完成对非线性耦合系统的线性化解耦系统,最后设计相应的PID控制器以获得优良的动、静态特性与抗干扰能力。对一个两输入两输出非线性耦合系统的仿真结果表明该逆控制方法是一种较神经网络逆控制方法更为有效的控制律重构方法。

Abstract：

An algorithm of SVMs regressing to a multivariable inputs and multivariable outputs （MIMO） function and a inverse control based on SVMs were proposed for controlling MIMO nonlinear correlative systems. The inverse system of MIMO nonlinear correlative system was identified by MIMO SVMs regressing algorithm. The original system connected with the inverse system will become linear and irrelated. PID controller will be designed to improve the dynamic and static capability of the system. Simulation results show that SVMs inverse control is a more valid way of control reconfiguration than BP neural networks.