基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络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。     

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.     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

基于神经网络的开关磁阻电机自适应控制

针对开关磁阻电机显著的非线性特性，将具有非线性映射能力及自适应能力的误差反向传播（BP）神经网络应用于开关磁阻电机驱动系统（SRD），并结合传统比例、积分和微分（PID）控制的优点，提出一种基于BP神经网络的开关磁阻电机在线辨识与自适应PID控制方法．该方法利用BP神经网络实时观测系统输出，优化PID控制参数，对于解决开关磁阻电机由于非线性严重而导致控制困难的问题具有较强的针对性．实验结果证明了该方法的有效性，且系统适应性强，稳定性好，响应速度和控制精度均令人满意。     

一种时变非线性对象神经网络PID控制的仿真

利用BP神经网络对被控对象进行了控制和辨识,提出了一种基于BP神经网络的PID控制器;给出了相应的控制算法;并对典型的参数时变非线性系统的控制进行了仿真研究。仿真结果表明,同传统PID控制器相比,神经网络PID控制器对于模型、环境具有较好的适应能力与较强的鲁棒性,证明了神经网络控制的优越性。     

基于模糊变步长神经网络的永磁同步电机控制系统

永磁同步电机在传统工业生产、调速系统中应用较为广泛,但是该电机拥有非线性、强耦合、多变量等特性,使系统的响应能力和抗干扰能力降低。为保证系统平稳的运行,本文将RBF神经网络辨识器应用到永磁同步电机控制系统中,并使用模糊逻辑优化神经网络的学习步长,提高了RBF神经网络的辨识精度。仿真结果表明,这种优化后的神经网络辨识器对永磁同步电机速度控制有着良好的运行性能,比以往的传统PID控制转速超调量更小,更快地趋于平稳。     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

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.     

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...     

基于单神经元PID控制器的闭环控制系统

目的 解决传统PID控制器对时变系统控制能力不强的弊病。方法 利用神经网络理论与传统PID控制理论相结合。结果 设计了一种单神经元PID控制器，将其应用于被控制对象是快时变和慢时变的两类闭环控制系统。结论 实验证明这种单神经元PID控制器通过在线边学习边控制的方式，实现了实时控制。     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.     

基于BP神经网络PID在地铁车站温度控制中的研究

由于地铁的地下车站温度控制系统具有非线性、强耦合、时变、大滞后等特性.而传统的PID控制参数在整个控制当中是固定不变的,对于高度复杂的温度控制系统,传统的PID控制就显得无能为力,很难达到预期的控制效果.因此提出一种BP神经网络PID控制方法.此方法将传统的PID与BP神经网络相结合,组成BP神经网络PID控制.通过BP算法修正BP网络的加权系数,实现了PID三个参数的在线自我调整.MATLAB仿真结果显示BP神经网络PID控制比单纯的PID控制响应速度快,超调量小,稳定性好,能够有效实现对地铁车站温度的合理控制.     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

RBF网络在熔窑控制系统中的应用研究

主要针对熔窑温度表现出的非线性、慢时变、大迟延和不确定性等特点,根据径向基函数神经网络具有可以逼近任意非线性映射、较快的学习速度并避免局部极小问题的能力,将RBF网络用于熔窑温度过程非线性模型的在线辨识,仿真结果表明能较好地跟踪温度的实际输出数据,具有较高的学习精度.     

不确定磁悬浮轴承模型的自适应PID控制研究

针对磁悬浮系统具有开环不稳定、非线性以及传统PID控制器由于固定参数无法达到很好的控制效果问题,提出一种RBF神经网络前馈逆补偿-模糊RBF神经网络反馈控制方法,将模糊控制和RBF神经网络融合到PID控制器参数调整中,满足磁悬浮系统静态和动态性能要求。实验结果表明,采用常规PID控制有大约4%的超调,改进后的控制基本没有,且响应时间提前0.3s,具有更好的适应性和鲁棒性,可以更有效地控制磁悬浮系统。     

神经网络分数阶PID在网络控制系统中的应用

文章针对网络控制系统(NCS)存在的网络延时问题,设计了一种基于RBF神经网络的分数阶PID控制器,并将该控制器应用在网络控制系统中,减小网络延时对控制系统的影响。该控制器利用RBF神经网络具有任意精度逼近非线性函数及训练速度快的优点,在线整定分数阶PID控制器,并采用分数阶PID控制器直接控制被控对象;选取Ethernet控制的弹簧-阻尼控制系统作为实验对象。实验结果表明:该控制系统具有响应速度快、控制精度高、鲁棒性强的特点,有效地减少了网络延时对NCS的影响。     

船舶操纵的高斯势函数神经网络PID控制器研究

针对船舶操纵这种非线性、时变参数控制对象,提出了一种采用高斯势函数神经网络的自适应PID控制系统,该系统由2个高斯势函数神经网络组成,其中一个用于船舶运动模型的辨识,另一个用于PID学习控制。文中还提出了广义递归最小二乘学习算法,以便加快网络训练速度。船舶操纵的仿真结果表明此法明显优于传统的PID控制器。     

AGC板厚控制系统中对时滞非线性问题的有效控制方法

针对在AGC板厚控制系统中存在时滞、时变、大惯性、非线性等问题，提出了采用，自适应集中延时神经网络辨识、最优预报和模糊免疫PID控制相结合的控制方案，有效地提高了系统的控制精度和动态性能。经MATLAB仿真实验表明，各项指标均好于传统的控制方式，取得了令人满意的控制效果。