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。     

改进型PID参数神经网络自学习的船舶操纵控制器

船舶操纵的模型参数具有非线性、慢时变特性、船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用改进型BP神经网络实现PID参数自整定的控制方法，此法能根据船舶动态特性的变化，自动重新整定PID参数，从而改善了操纵性能和鲁棒性。     

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。     

气动人工肌肉主动悬架系统的可变自整定离散PID控制

构建以气动人工肌肉为新型执行器的车用主动悬架系统实验平台，为简化的基于1／4悬架模型的主动悬架系统设计了基于DRNN神经网络的可变自整定离散PID控制算法，分析了可变自整定离散PID算法的控制性能，为提高气动人工肌肉主动悬架系统的减震性能提供理论依据。     

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。     

基于鲁棒整定的球磨机系统多变量PID控制

基于内模控制原理，导出一种多变量系统的PID控制器参数整定新方法，可直接获得控制器的比例项、积分项、微分项系数以及考虑到微分项可实现性的实际微分环节的时间常数。该整定方法应用于严重多变量耦合的电厂制粉系统球磨机控制的仿真研究，结果表明：所整定的PID控制系统具有良好的调节品质，在系统特性变化的情况下具有很强的鲁棒性。     

电加热锅炉系统神经网络PID解耦控制器

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.     

一类多输入多输出系统的预测PID控制算法仿真

研究了一类参教未知的多变量系统的广义预测PID参数整定问题。基于广义预测控制(GPC)的思想和γGPC与PID的相互关系，提出了一种新的离散多变量系统PID参数整定方法，其中性能指标包含了稳态误差加权项。PID参数通过γGPC与PID的相互关系递推计算得到。仿真例子说明了该方法的有效性和可行性。     

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。     

基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

基于神经网络的时变参数系统仿真优化方法

时变参数系统的仿真优化问题是一个新兴的研究课题,相比传统仿真优化,时变参数系统对实时性的要求高,而对解的精度要求不高。本文提出将该问题转换为一类神经网络预测问题,并从理论上证明了该方法的可行性。首先,线下构建神经网络模型描述输入参数到最优解的映射关系;然后,利用训练好的神经网络模型线上实时预测最优解。考虑到边界样本对最优解拟合曲面的影响,提出构建中心样本和边界样本,分别训练两个神经网络模型。仿真和实例表明,该方法能够随时变参数的变化实时给出满意解,从而为求解时变参数仿真优化问题提供一种新的解决思路。     

时滞系统的智能控制方法

介绍了基于Smith预估结构的时滞系统自适应模糊PID控制方法，该方法根据偏差e和偏差变化ec与PID控制器三个参数之间的关系，利用模糊控制原理对PID参数进行在线修正，使被控系统具有良好的动静态特性和抗干扰能力。仿真研究和实验表明了该控制方法的有效性。     

基于超分辨ISAR成像的空中目标自动识别

利用最大熵谱估计的方法对四种飞机目标数据进行外推处理,并在此基础上进行逆合成孔径(IS-AR)成像。在获得较高分辨率ISAR图像的基础上,采用ISAR图像的三个特征:基于几何矩的不变量、形状特征、量化能量带等组成特征向量。并对该特征向量进行对数归一化,将归一化的特征向量作为径向基函数(RBF)神经网络的输入,在此基础上进行识别,达到较好的识别效果。     

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.     

Research on Satisfactory PID Control for Stochastic Systems with Opportunity-Awaiting Control Characteristic Indices Constraints

The problem of satisfactory PID control for a class of stochastic systems with constraints on desired opportunity-awaiting control characteristic indices and decay ratio index is considered. First, on the basis of the boundary cross theorem, an approach of determining all stabilizing PID controllers and the set of PID controller satisfying the desired decay ratio index is proposed. Second, according to the opportunity-awaiting control theory, the expressions of characterization of the set of PID controller satisfying the desired opportunity-awaiting characteristic indices, such as average residence time and average waiting time, are derived. Then, using the idea of satisfactory control, the consistency of the above three indices is analyzed. Moreover, an efficient algorithm of determining the range of consistent indices is also presented. Finally, a method of calculating the set of PID controller when the indices are consistent is given. A numerical example shows the validity and feasibility of the proposed method.     

基于多主分量神经网络的同步DS-CDMA伪码盲估计

针对批处理方法在实现非等功率同步直接序列码分多址(direct sequence code division multiple access, DS-CDMA)信号伪码序列盲估计时存在的复杂度高、收敛速度慢的问题,引入了3种多主分量神经网络(Sanger NN、LEAP NN和APEX NN)。首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,本文提出了一种在递归最小二乘(recursive least square, RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。理论分析与仿真实验表明:将3种神经网络用于同步非等功率DS CDMA信号伪码盲估计时的复杂度均明〖JP2〗显降低,且LEAP NN与Sanger NN均可有效地实现-20 dB信噪比、10个用户下的同步非等功率DS-CDMA〖JP〗伪码盲估计,APEX NN则相对较差,此外,LEAP NN消耗内存较大、收敛速度快,APEX NN相反,Sanger NN则介于两者之间。     

智能PID控制在电石炉电极调节系统中的应用

针对三相电极电流耦合的电石炉系统,设计出一种智能PID控制器。该控制器首先采用实数编码的遗传算法优化PID控制器的参数,得到一组参数的最优值。然后以此最优值作为PID参数的初始值,结合积分分离的原则设计出一种模糊解耦推理规则对PID参数进行实时整定,以确保系统的响应具有最优的动态和稳态性能。对比仿真试验的结果表明,与常规的PID控制器相比,这种智能PID控制器用于电石炉控制系统可达到良好的动、静态性能和鲁棒性。