一种改进的自适应PID控制器

提出了一种新型的PID控制器，其基本思想是把神经元非线性映射和权值的自适应修正功能引入到PID控制器中，利用神经元收敛和权值在线修正，动态改变对偏差、偏差变化率、变化率之变化率的不同加权，从而获得较好控制性能。实验表明该算法使用可靠、精度高，而具有较强的抗干性能和鲁棒性。     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

改进的BP算法在地震灾害损失预测中的应用

神经网络因其自组织性、自学习性与高度非线性广泛应用于各种预测领域。针对传统神经网络存在的收敛速度慢,容易陷入局部最小等缺陷,为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法———双权值迭代优化法,将该算法应用于地震灾害损失的预测中去并取得较好效果。     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

多神经元神经网络算法的DSP无人侦察车伺服控制系统

提出一种改进型多神经元神经网络算法的DSP无人侦察车伺服控制系统,对多神经元PID控制器进行交叉并联构建并在DSP中运行,解决国内无人侦察车单片机伺服控制系统数据处理速度慢、设计不灵活、智能算法应用受限问题.结果表明该方法收敛速度快、无需人工干预实现自主调节系统被控量,仿真及试验验证了算法的有效性,为无人侦察车应用于战场侦察、突发灾害紧急救援等提供理论基础和借鉴.      

神经网络迭代学习控制快速算法的研究

研究了非线性系统的神经网络迭代学习控制问题，为了提高神经网络学习控制的收敛速度，改进了权值的迭代学习算法，提出了一种新的训练权值方法，它以递推的方法来计算网络权值，不仅能减少计算量且收敛速度快，最后，用仿真结果对该算法作了进一步的验证。     

改进的神经网络算法在瓦斯涌出量预测中的应用

针对传统神经网络存在的收敛速度慢、容易陷入局部最小等缺陷,采用改良的BP算法———双权值迭代优化法,提高神经网络传统BP算法的训练速度。以三层神经网络为例,对权值进行优化。实验对比表明：双权值迭代优化法应用于瓦斯涌出量的预测,比一般BP网络有更高的预测精度和程序运行速度。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

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。     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

基于神经网络的数据挖掘模型研究

在实代数理论的基础上引入样条权函数实现一个神经网络数据挖掘模型,克服传统神经网络训练的权值难以反映训练样本信息的缺陷;优化神经网络结构,简化数据挖掘模型结构;增强神经网络的泛化能力;解决神经网络神经元个数与样本有关的难点;采用以上方式实现一个能解决传统神经网络数据挖掘模型存在的挖掘速度慢、收敛速度慢、初值敏感等缺陷的高效神经网络数据挖掘模型.     

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。     

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,...     

一种自适应性神经元控制器研究

经典的控制器参数的整定过于依赖控制对象的数学模型,不便在线调整。为了解决这一问题,提出一种自适应性PID神经元控制器。在PID控制原理的基础上,充分利用神经网络用于非线性控制的特性,对神经元赋予了比例、积分和微分的功能。采用可微可导的激励函数,通过反向传播算法,实现了控制器参数的在线调整。仿真实例证明PID神经网络控制器具有较好的自适应性和抗干扰能力。     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

基于改进的神经网络最近邻聚类算法在结晶器液位系统中的应用

针对连铸机的结晶液位采用拉速控制导致控制过程不稳定而影响铸坯质量的问题,提出了基于神经网络的模型辨识及智能PID控制方法,它主要基于径向基函数(即RBF)神经网络,通过改进的最近邻聚类学习算法在线辨识相关的结晶器系统模型.基于径向基函数辨识网络,将辨识所得雅克比閜应用到智能PID控制器的权值调整之中.结果表明,该算法可...     

基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究

提出了一种基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断方法。利用蝙蝠算法对BP神经网络的权值和阈值参数进行优化,并针对蝙蝠算法优化后期易陷入局部最优缺点,使用混沌算法对群体进行混沌优化,使其减少无效迭代,提高收敛速度。将优化得到的参数值应用到构建的BP神经网络诊断模型中,对数据进行训练和测试。通过实例分析,表明改进蝙蝠算法优化BP神经网络用于变压器故障诊断具有实用性和有效性。     

一种基于神经网络算法的非线性PID控制器

针对非线性、不确定时滞对象,提出一种基于神经网络算法的非线性PID控制器。该控制器将传统PID的比例、积分和微分参数分别构造成关于误差信号的非线性函数,并将非线性比例运算单元、非线性积分运算单元和非线性微分运算单元分别作为隐层神经元的激励函数,从而构造将PID控制与神经网络控制融为一体的智能控制器。研究结果表明:采用此智能控制器有效解决了传统PID难以控制非线性对象的问题以及传统神经网络控制器隐层神经元节点数难以确定的问题,仿真结果验证了该智能控制器的有效性。     

基于改进蚁群算法的神经网络入侵检测方法研究

提出一种改进的蚁群算法并与传统的BP神经网络相结合用于入侵检测,它既克服了BP传统神经网络的权值确定难度较大、收敛速度慢易陷入局部最小等缺陷,也通过BP神经网络的梯度信息弥补了单独使用蚁群算法所面临的不足.仿真实验结果表明,与传统方法相比,本方法步骤简化,速度及测试精度明显提高.     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。