一种新的显式极点配置自校正PID前馈控制器

研制了一种新的显式极点配置自校正ＰＩＤ前馈控制器，与传统ＰＩＤ控制器不同，它考虑了对参考输入的滤波。因此，对于同时具有开环不稳和非最小相位两种复杂条件的系统，本控制器可以处理时滞大于１的情形，它能提高极点配置自校正ＰＩＤ控制器处理时滞的能力。计算机仿真结果证明，本控制器是可靠的，在工程方面的作用是明显的。     

基于结构奇异值的鲁棒PID控制器设计

本文提出了一种以结构奇异值为优化指标的ＰＩＤ控制器设计方法，该方法直接提出了对闭环系统鲁棒性的要求，符合工程实际需要，由于ＰＩＤ控制器可调参数少，因而采用结构奇异值为优化指标的设计可以用共方向法等非线性的直接方法完成，最后以机械手关节的ＰＩＤ控制器设计为例说明了这种方法。     

基于遗传算法（GAs）的在线自寻优PID控制器

设计了一种基于遗传算法的在线自寻优ＰＩＤ控制器，对于一类具有时变特性的线性系统，它可以根据系统参数的变化实现在线的ＰＩＤ参数优化。仿真结果证明其性能良好。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

模糊PID增益调节器的算法,结构及硬件实现

提出了一种模糊ＰＩＤ增益调节器算法。通过模糊推理在线调整ＰＩＤ控制器的参数,从而改善控制效果。仿真结果表明,模糊ＰＩＤ增益调节器在稳定时间、超调和均方误差上均比传统ＰＩＤ控制有较大的改进。     

一种记忆元网络自适应控制方法

本文提出了一种神经网络自适应方法。该方法采用记忆元网络采用记忆元神经网络进行对象模型辩识,用单个神经元实现了自适应ＰＩＤ 控制器。被控对象输出误差经记忆元辩识网络反传后得到控制器的输出误差,以此修正控制器网络权值,由于记忆元网络无需引入延迟算子,能够逼近任意阶线性动态,保证了模型辩识的精度和误差返传的精度,神经元ＰＩＤ 控制器具有极为简单的结构与算法,保证了自适应控制的实时性,大量仿真结果表明该方法可以有效地应付非线性对象。     

基于神经网络的Smith补偿PID控制设计

针对工程实践中常见的纯滞后对象,在Ｓｍｉｔｈ补偿控制基础之上,利用人工神经网络的非线性映射功能对控制对象进行在线辨识,达到对时滞补偿预报的目的;利用神经网络ＰＩＤ控制器（Ａｄａｌｉｎｅ网络）代替常规控制器,实现了对时滞复杂对象的在线自适应控制;并根据ＩＴＡＥ性能指标原则对神经网络控制器参数进行整定,得到一组经验公式。仿真结果验证了本文神经网络控制方案的有效性。     

一种基于神经网络的直流传动控制系统

基于梯度学习算法,提出一种具有自适应功能的ＰＩＤ控制器。它采用一种改进型神经网络,在线学习相控整流直流传动系统的动力学特性,继而给控制器提供必要的灵敏度信息以实现自适应补偿控制。从而提高整个控制系统在参数变化及受到负载扰动时的鲁棒性,改进型神经网络由两个子神经网络综合构成;一个是应用递推最小二乘算法的线性神经网络;一个是应用动态ＢＰ算法的动态递归网络。对基于相控整流直流传动系统的自适应控制实现策略     

参数自修正PID控制器

通过工程实例与仿真介绍了一类参数自修正ＰＩＤ控制器。研究了参数自修正ＰＩＤ控制器的实现及其控制特性，取得了令人满意的实际应用。     

自校正PID控制器的优化设计

通过对极点配置和最优化两类自校正ＰＩＤ控制器的研究,给出了自校正ＰＩＤ控制器的一般设计方法,并在此基础上研制出了优化设计仿真软件包,为适应性ＰＩＤ控制方案的研究和优化设计提供了有效的工具     

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．     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统,将传统ＰＩＤ工程整定法与神经网络相结合,采用直接自适应控制方法,使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制,更有效地改善控制品质．     

抄纸过程的BP神经网络PID控制

为了使抄纸过程的输出(湿度和基重)最大限度地接近给定值,采用BP神经网络PID控制。此控制器由PID控制器和BP神经网络组成,采用BP算法进行PID参数的在线调整,使输出值较好地跟踪了给定值,能达到较好的控制效果,并为抄纸过程的控制提供另一种思路。     

AQM中基于神经网络自适应的PID控制器

将神经网络和PID控制器有机结合,形成一种基于RBF网络在线辨识、单神经元网络在线整定的自适应PID控制器,用于对主动队列管理（AQM）的拥塞控制.仿真结果表明,该控制器对负载队列的控制效果明显优于传统PID控制器.     

PID神经网络混沌优化及其在机械臂轨迹跟踪控制中的应用

针对BP优化PID神经网络（BP-PDNN）易陷入局部极小的不足,提出了一种变尺度混沌优化PID神经网络设计方法,即MSCOA-PIDNN,将其应用于机械臂轨迹跟踪控制中.利用混沌运动的遍历性优化网络权值,通过压缩优化变量取值区间提高搜索效率.采用MSCOA-PIDNN建立机械臂系统的预测模型,以多步预测性能指标为目标函数,优化PID神经网络控制器,从而实现机械臂系统轨迹跟踪的有效控制.仿真结果表明,MSCOA-PIDNN在机械臂轨迹跟踪控制中性能优于BP-PIDNN.     

基于神经网络的开关磁阻电机自适应控制

针对开关磁阻电机显著的非线性特性，将具有非线性映射能力及自适应能力的误差反向传播（BP）神经网络应用于开关磁阻电机驱动系统（SRD），并结合传统比例、积分和微分（PID）控制的优点，提出一种基于BP神经网络的开关磁阻电机在线辨识与自适应PID控制方法．该方法利用BP神经网络实时观测系统输出，优化PID控制参数，对于解决开关磁阻电机由于非线性严重而导致控制困难的问题具有较强的针对性．实验结果证明了该方法的有效性，且系统适应性强，稳定性好，响应速度和控制精度均令人满意。     

LQR优化的BP神经网络PID控制器设计

针对传统神经网络PID(比例 积分 微分)控制器和传统线性二次调节器(LQR)优化型PID控制器对无刷直流电机转速控制恢复时间长及抗干扰性较差等问题, 提出一种LQR优化的BP神经网络PID控制器, 用于无刷直流电机的转速控制. 首先, 利用BP神经网络对PID增益进行调节, 提高控制器的动态适应性和鲁棒性； 然后, 采用LQR优化BP神经网络最优输出, 使其更接近目标PID增益. 仿真结果表明, 该控制器有效提高了响应速度, 减小了稳态误差并增强了抗干扰能力.     

轴承动态测量仪神经网络控制系统设计

轴承摩擦转矩的测量是一种动态测量,需要轴承在转动条件下获得数据.轴承型号及承载条件的改变,影响电机转速的控制规律.针对经典PID控制器的结构参数不能在线修改的问题,提出利用BP神经网络的自学习能力,对PID控制器进行结构参数调整,实现对电机速度规律的优化控制方法.仿真结果表明,经神经网络修正过的PID控制器,动态性能优于未修正的PID控制器.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

非线性励磁控制对发电机进相运行稳定性的改善

总结了非线性励磁控制对改善发电机进相运行稳定性的实验结果，验证了非线性控制理论中微分几何设计方法的正确性。在实验研究中，着重比较了比例－积分－微分控制器（ＰＩＤ）、电力系统镇定器（ＰＳＳ）、线性最优励磁控制器（ＬＯＥＣ）和非线性励磁控制器（ＮＥＣ）等四种不同的励磁控制方式对发电机进相运行的影响。实验结果表明，在改善发电机进相运行稳定性方面，非线性励磁控制较其它几种控制方式具有明显的优越性。在电网低谷进相运行中它是有较大潜力的技术措施。