基于神经网络辨识的自适应PID控制器

根据实际生产现场对控制的要求,提出了一种将PID控制与神经网络相结合,采用BP网络辨识未知的被控对象,使用单纯形算法寻找最优的PID控制参数,控制与学习并行的控制方案.并对二阶对象进行仿真研究,将其与单位阶跃响应进行了比较.     

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.     

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。     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

改进型神经网络参数自学习PID控制器的实现

用BP神经网络自学习PID控制器的3个可调参数KP,KI和KD，实现最佳组合的PID控制，在调整神经网络的权值算法中，用被控对象的预测模得到预测输出值来改进学习算法。该方法用于异步电动机直接矩控制中效果明显。     

基于神经网络的PID参数自整定与实时控制

将Bang-Bang控制与神经网络自适应控制相结合，利用神经元的学习功能构成了一种自适应PID控制器，控制器在Bang-Bang控制阶段进行系统辨识，利用系统参数整定PID控制参数，作为神经网络权系数的初值，其结构简单，工作稳定，鲁棒性强，实时控制结果表明，这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制，使得系统具有快速响应性和良好的抗干扰性。     

神经网络PID控制器在高大空间恒温空调系统中的应用

针对暖通空调领域中高大空间恒温空调系统大滞后、慢时变、非线性的特点以及不确定干扰因素多的实际情况，将具有自学习、自适应功能的神经网络PID控制器应用于空调系统中，并利用非线性辩识算法对控制过程进行预测输出，最后在空调房间数学模型的基础上通过Matlab环境下的计算机仿真和对某电视台大型演播室进行温度控制实验相结合，发现在高大空间恒温空调系统中神经网络PID控制响应快、超调小，验证了神经网络PID控制器的实用性和有效性．     

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．     

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 .     

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.     

基于神经网络PID控制器的远程控制实验系统设计

分析利用远程网络对机械臂进行远程控制的主要技术，并介绍远程控制系统的设计方法和总体结构。针对远程控制系统的非线性和难以精确建模的特点，设计BP弄申经网络的PID控制器来控制机械臂。最后给出了系统性能的定量分析结果。     

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．     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。     

PID神经网络解耦控制技术在VAV中的应用

通过采用PID系统神经元网络解耦控制技术，对耦合强烈的具有变风量空调系统传递函数矩阵形式的4维传递函数矩阵系统进行解耦控制，通过解耦控制仿真研究，可以看出取得了很好的解耦效果，为变风量空调系统（4个回路）的解耦控制提供了有效的方法。     

基于以太网的PID神经网络控制系统

介绍基于以太网的PID神经网络控制系统的构建及实时控制过程．该系统具有易于实现、成本低、兼容性好等特点,有利于对分布式设备进行实时控制．控制结果表明．该系统对于大滞后、非线性对象取得较好的控制效果．     

基于RBF神经网络的PID控制在锅炉温度系统中的应用研究

目的提高电厂锅炉温度系统控制的可靠性和安全性,达到精确控制。方法提出一种基于RBF(Radial Basis Function)神经网络的PID控制器,建立3层神经网络模型。结果在RBF-PID控制过程中,由神经网络RBF在线辨识得到梯度信息,然后根据梯度信息对PID的3个参数进行在线调整,从而改善系统的控制品质。结论仿真结果表明,基于RBF神经网络的PID控制较传统PID控制有较强的鲁棒性,提高了实时性能,获得了更好的控制效果。     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .