基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

神经网络控制、无模型控制PID控制仿真比较

在同一条件下，对三种仅用受控系统I／O数据来设计控制器的方法进行了控制性能仿真比较，三个受控系统分别取自文[1]和[5]。三种不同的控制方法各有其优缺点，仿真结果表明：无模型自适应控制具有其他两种方法所不具备的优点，适合处理结构时变、参数时变、阶教时变非线性离散时间系统的控制问题。     

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。     

基于距离测量的双领航AUV间协同导航算法

针对多自主水下航行器(AUV)编队中因领航AUV一时无法借助外部有源位置信息进行实时校准,自身定位误差逐渐增大可能导致的编队解体问题,提出了一种基于距离测量双领航AUV间协同导航算法.在给出领航AUV航位推算误差模型的基础上,首先设计两个领航AUV分别基于忽略对方位置误差的估计自身误差的滤波算法,然后提出其位置误差的分别修正算法,最后通过对位置误差估计的可观测性分析,指出在直线航行条件下两个领航AUV可通过加、减速进行相对机动,保证其可观测性.仿真结果表明:两个领航AUV存在航位推算位置误差的情况下,随着滤波时间增加其定位误差可逐渐趋同,并收敛到其经、纬度定位误差的均值,验证了本文所提协同导航算法的可行性和有效性.     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于神经网络的高速无人艇模糊PID控制

针对采用喷水推进器的高速无人艇具有强非线性,传统控制手段难以快速精确控制的问题,提出以神经网络作为辨识器,并采用模糊控制器对其进行控制的方法。运用MATLAB软件建立系统模型,并进行模糊PID控制器设计,通过对系统仿真,结果证明运用神经网络和模糊PID控制器能够精确实时地实现无人艇控制。     

时滞时变AUV的模糊变结构控制

针对自主水下航行器(autonomous underwater vehicle,AUV)具有时变的水动力学系数的现象,为了实现其鲁棒控制,设计了一个模糊变结构控制器.该控制器以变结构控制的切换函数及其变化率为模糊控制器的输入,以变结构控制律的变化率为模糊控制器的输出.为了提高控制器的性能,引入了压缩扩张隶属度函数.通过将该控制器和均分隶属度函数模糊变结构控制器、准滑模控制器的仿真对比,证明了设计的控制器具有更好的性能.数值仿真表明,该控制器能很好地实现对具有控制输入时滞和时变水动力系数AUV的深度控制,且稳定后基本无抖振现象.     

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BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中，其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中，充分利用神经网络具有非线性函数逼近能力，构造神经网络PID自整定控制器，并通过仿真试验，取得较好的结果。     

基于Simulink/VRML的自主水下航行器编队控制仿真

针对多自主水下航行器编队协同控制问题，建立了基于Leader-Follower编队的数学模型，设计了编队控制律，并从理论上证明了控制律的稳定性。为了直观地表达自主水下航行器编队控制的效果，利用MATLAB的Simulink/VRML工具箱构建了水下航行器的编队控制的可视化仿真模型。仿真结果表明，提出的编队控制算法是有效的，所构建的仿真平台直观地表达了自主水下航行器的编队效果，该仿真模型易于扩展，且可以验证其它编队控制算法。     

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。     

基于改进的灰色预测的模糊神经网络控制

采用等维新信息和提高原始数据列光滑度的方法对灰色预测模型进行改进,具有预测更准确的效果,结合采用模糊神经网络控制的精确稳定性特点,提出一种改进的灰色预测的孵化模糊神经网络控制算法,将其应用在具有大滞后、强干扰的孵化过程中。仿真和实际结果表明,提出的控制策略能够有效克服时滞过程的超调问题,具有较强的鲁棒性和自适应性。

Abstract：

Grey Predictive model was improved by using ＂moving window＂ and increasing the smoothness of original data,which can predict accurately,by combining grey predictive model with fuzzy neural network control algorithm which is accurate and stable.A fuzzy neural network control algorithm based on improved grey predictive model was proposed to be applied in incubation process which is lag largely and strongly disturbed.Simulation and running results show that the proposed control strategy can effectively overcome the overshoot caused by delay and has better flexibility and robustness.     

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.     

基于神经网络的车辆稳定性悬架阻尼控制仿真

应用神经网络设计了车辆稳定性控制的悬架阻尼控制参数自整定算法。论述了基于神经网络的悬架阻尼控制算法的设计过程,搭建了软件在环仿真平台,针对典型工况进行了仿真研究与分析。结果表明：控制算法通过控制悬架阻尼,能有效抑制车轮载荷变化,实现控制整车横摆的目的,显著改善了车辆操纵稳定性。     

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。     

水下机器人的S型模糊神经网络控制

模糊神经网络控制已经成功应用于水下机器人运动控制中,但其运算过程和训练算法比较复杂,对嵌入式硬件要求也较高.根据带翼水下机器人的运动特性提出了S型模糊神经网络控制方法,并推导了网络权值学习算法,最后以XX水下机器人为研究对象进行了仿真实验.试验结果表明,与基于高斯型隶属函数的模糊神经网络控制器相比,在没有过多损失整体控制品质的情况下,其网络算法得到极大简化,运算速度得到了提高,反应能力增强,非常适用于对精确定位能力和运动速度要求不高,但要求高机动性的水下机器人.