基于DLF神经网络的非线性自适应PID控制器

针对非线性时变现象,将DLF神经网络与PID基本原理相结合,提出了基于DLF神经网络的非线性自适应PID控制器设计方法,并解决了此类控制器初始参数难以设置的问题,仿真研究证实了其可行性和有效性。     

一种基于模糊神经网络的智能PID控制器

本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,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,实现PID控制的智能化。通过仿真实验表明,该控制器具有较高的控制品质。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

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RBF神经网络的PID控制器

传统的PID控制器参数难以整定,且依赖于对象的精确数学模型,适应性较差。针对传统PID控制效果不理想的问题,采用RBF神经网络对PID参数进行整定,并用MATLAB进行仿真,取得了令人满意的效果。     

一种新型的非线性PID控制器及其应用

提出一种新型的非线性ＰＩＤ控制算法,通过调整增益,输出反馈,非线性前馈和死区修正算法,克服系统中大间隙,弹性,饱和,库仑摩擦等固有本质非线性因素的影响,提高了系统的品质。实验表明,由该算法构成的控制系统具有良好的动态响应、等要求高精度快速定位的系统中。     

神经网络和PID控制器在过程控制中的应用

运用ＰＩＤ控制器和神经网络相结合的方法，对一种非线性，变参数的受控对象的控制进行研究，仿真结果表明，控制效果比较令人满意。     

基于BP神经网络的PID控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时具有很强的鲁棒性。     

自适应神经网络PID控制器

提出了一种新型神经网络PID控制器，其学习速率是通过三层前向BP网络在线辨识学习，使神经元有较强的智能性、自适应和自学习的能力；同时，将Smith预估器与神经元PID控制器相结合，能更有效地抑制纯滞后的影响。仿真结果表明该控制器有较好的控制效果和鲁棒性。     

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。     

采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性.仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,...     

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.Lvenberg-Marquardt(LM)算法是梯度下降法与高斯-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.     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

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．     

基于Hebb规则的积分保持型PID神经网络多变量控制器

提出了一个积分保持型PID神经网络多变量控制器 ,网络的学习算法采用一种简单的类似Hebb规则的算法 .当将该控制器应用于多变量耦合的非线性系统的控制时 ,计算机仿真结果表明 ,网络的训练速度快 ,对权的初值的依赖性小 ,控制系统的动态和静态性能较好 .     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。     

BP神经网络PID控制器在主汽温控制中的应用

电厂锅炉主蒸汽温度对汽轮机的使用寿命和机组的运行安全有重要影响,电厂锅炉主蒸汽温度动态特性随着负荷的变化而变化,如何把主蒸汽温度快速稳定的控制在设定值附近是火电厂热工过程控制的难点之一.针对电厂锅炉在不同负荷下的主蒸汽温度控制问题,提出一种基于BP神经网络的PID串级控制方案,神经网络通过对系统的不断学习,加权系数不断调整的方式,使PID控制器参数实现最佳的组合,仿真实例验证了所提方法具有较好的控制品质和较强的抗干扰能力.     

预测型智能自整定PID控制器

提出一种预测控制和遗传算法相结合的自整定ＰＩＤ控制算法．该算法利用预测技术克服时滞,利用遗传算法优化ＰＩＤ控制器的参数．通过对工业过程中典型的大时滞被控过程进行数字仿真表明,这种控制算法鲁棒性强、响应速度快、抗干扰能力强,对控制系统有扰动、参数时变尤其时滞时变的大时滞生产过程有较好的控制效果．     

基于改进遗传禁忌算法的PID控制器

目的 为提高带式输送机PID控制器的动态性能,对其参数进行优化.方法 采用改进的遗传禁忌算法,通过MATLAB/SIMULINK仿真软件,实现系统仿真.结果 将改进的遗传禁忌算法应用到PID控制器中.结论 研究表明采用改进遗传禁忌算法的PID控制器可以提高系统的动态特性.