基于BP神经网络辨识的预测滤波PID控制

针对复杂非线性系统采用常规PID控制性能不好的问题,通过BP神经网络构建系统输出量的辨识器,在目标函数中加入优化参数的增量约束项,提出可克服算法病态的牛顿法,并用其在线学习BP神经网络的连接权,根据增量式预测滤波PID控制,推导了PID控制参数应满足的线性不等式约束条件,将PID控制参数的优化归结为线性不等式约束的最优化问题。综上研究提出基于BP神经网络辨识的在线优化参数预测滤波PID控制。仿真研究说明,因算法具有在线优化PID控制参数和预测控制性能,故提出的智能PID控制算法与常规PID控制相比,具有更优的性能。

多变量系统的变时滞无模型预测滤波PID控制

针对已有多变量紧格式动态线性化方法的泛模型仅适用于干扰为常值干扰和慢变化干扰的系统,在泛模型中加入辅助向量和时变时滞,当干扰为常值和慢变化情形时,提出一种更加有效的多变量紧格式动态线性化方法的泛模型。采用多变量增量型预测滤波PID控制,基于可克服算法病态的非线性递推最小二乘算法对PID控制参数在线优化,给出多变量系统的在线修正参数的变时滞无模型自适应预测滤波PID控制算法。结果表明,因提出的PID控制算法具有在线修正参数性能和无模型自适应预测控制功能,具有优良的控制效果。

RBF神经网络整定参数的预测滤波PID控制

针对非线性系统采用常规PID控制效果不佳的问题,通过径向基函数(RBF)神经网络构建系统的辨识器,推导了辨识器输出关于RBF神经网络参数的梯度及二阶导数矩阵。采用直接极小化指标函数自适应算法,实现RBF神经网络的输出权和节点中心及节点基宽参数的在线学习算法。基于增量式预测滤波PID控制,应用最速下降法对增量式预测滤波PID控制参数进行在线优化,提出基于RBF神经网络在线整定参数的预测滤波PID控制算法。仿真研究表明,因算法具有在线整定参数和预测控制性能,故具有良好的动、静态性能。

基于BP神经网络在线整定参数的预测滤波PID控制

针对复杂非线性系统采用常规PID控制品质不良的问题,通过引入辅助变量的紧格式动态线性化逼近系统模型,采用BP神经网络实现增量式预测滤波PID控制参数的在线整定算法,基于直接极小化指标函数优化算法进行BP神经网络连接权的在线学习,提出基于BP神经网络在线整定参数的预测滤波PID控制算法。仿真研究表明,因算法具有在线整定PID控制参数和预测控制性能,故提出的智能PID控制具有比常规PID控制更优的性能。