采用改进BP-PID控制的机器人避障仿真研究

针对移动机器人避障过程中行驶路径长、寻路速度慢等问题,提出了一种改进反向传播-比例-积分-微分(BP-PID)控制器,并对移动机器人避障效果进行仿真验证。利用移动机器人在二维坐标系的避障简图,得出了移动机器人运动方程式。引用比例-积分-微分(PID)控制器和3层BP神经网络结构,利用BP神经网络的学习能力调整PID控制器参数。引用粒子群算法进行改进,通过改进粒子群算法在线优化BP-PID控制器,确保移动机器人BP-PID控制器收敛于全局最优值,从而使移动机器人避障效果更好。在不同环境中,采用Matlab软件对移动机器人避障效果进行仿真,比较改进前和改进后的移动机器人避障效果。结果显示:在不同环境中,改进前和改进后的BP-PID控制器均能使移动机器人安全地躲避障碍物;但是采用改进的粒子群算法优化BP-PID控制器,可以使移动机器人运动路径更短,迭代次数更少,搜索时间更短。采用改进BP-PID控制器,能够提高移动机器人避障过程中寻路速度,缩短行驶路径,效果更好。

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明:对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。

基于Q-learning和BP神经元网络的交叉口信号灯控制

解决单交叉口信号灯最优控制问题。提出了基于强化学习的信号灯控制系统结构,应用强化学习中Q学习,将信号灯最优控制问题转变成是否切换运行相位的决策问题,提出了采用BP神经元网络实现Q学习的信号灯控制系统。应用微观交通仿真软件PARAMICS进行仿真分析,结果表明该系统能够感知交通流变化,并能够自适应地调整信号灯切换策略,以达到最优的控制效果,该方法是可行的,与定时控制相比具有明显的优势。

基于BP神经网络的加药控制系统研究

浮选是最重要的选矿方法之一,煤矿浮选工艺自动加药控制问题是影响浮选效果的重要因素;传统加药控制主要是由加药工根据生产经验来控制,为了解决浮选精度低这一问题,文中提出采用BP神经网络作为加药控制系统加药量的预测模型,并采用动量项方法对其进行优化,通过仿真得出动量项法网络和测试样误差曲线,说明带动量项改进的神经网络更容易满足网络精度的要求,并且该方法能够有效地降低误差、减小浪费。

基于BP神经网络的模型参考自适应控制

基于BP神经网络的误差反向传播机制 ,探讨了建立在BP神经网络基础上的模型参考自适应控制方法。该方法用 2个BP神经网络分别作辨识器和控制器 ,其中辨识器兼作间接传递误差的通道 ,从而解决了控制器权值的修正问题。仿真结果表明 ,经过学习该控制结构具有较好的有效性。

基于BP神经网络的捷联导引头控制系统设计

滚仰式捷联导引头稳定平台控制器的设计,是导引头完成闭环控制对机动目标实现快速稳定跟踪的关键。导弹在对目标进行跟踪攻击时弹体本身常常处于复杂的运动状态,这就对滚仰式捷联导引头的稳定控制产生严重影响。针对这一问题,提出了一种基于BP神经网络的PID控制器用于滚仰式捷联导引头位置回路校正环节,建立了导引头稳定与跟踪一体化仿真模型。仿真结果表明,针对滚仰式捷联导引头设计的基于BP神经网络的PID控制器的动态性能优于传统PID控制器,由此建立的导引头稳定与跟踪一体化仿真模型可以实现对导引头的闭环控制,能够对机动目标实现快速稳定的跟踪,在实际工程应用中为滚仰式捷联导引头的控制提供有益的参考。

BP神经网络PID控制器在温室温度控制中的研究

为了更好地实现对温室温度的控制,本文设计出了一种BP神经网络PID控制器,提出了BP神经网络PID控制算法,并对该算法进行了分析,最后以温室温度为控制对象分别对常规PID控制器和BP神经网络PID控制器进行了大量仿真研究。结果表明,基于BP神经网络整定的PID控制器具有较强的自适应能力和鲁棒性,其控制品质优于常规PID控制器。

一种基于BP神经网络的调驱增油预测方法

调驱后增油效果预测是调驱措施决策和方案优化设计的重要内容.通过室内岩心物理模拟实验参数,分析了调驱增油效果及其影响因素,建立了基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型.此方法对于渤海南堡35-2油田A21和B17井预测结果与实际调驱增油量统计数据间误差分别为9.89%和7.22%.由此可见,基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型切实可行,预测精度较高.

改进型BP网络PID在电动舵机控制中的应用

针对应用中对无刷直流电机位置控制的高精度要求,设计了一种改进的误差反向传播网络PID控制器,实现了对无刷直流电机位置的精确控制。系统融合了神经网络和PID控制算法的优点,适用于直流无刷电机这样的非线性、时变的复杂系统。仿真结果表明,改进后的BP神经网络PID控制器优于常规BP神经网络PID控制器和传统PID控制器,证明了该方法的可行性。

基于改进BP的神经网络模型参考自适应控制

由于传统BP算法存在收敛速度慢,容易陷入局部极小值等弊端,目前的BP优化算法又使得控制过程变得复杂,继而基于BP神经网络的模型参考自适应控制过程也存在实时性差,收敛性慢,精度不高等不足。现针对改进的BP算法和非线性系统的可逆性,分析设计了一种基于激励函数自寻优的BP网络模型参考自适应控制,并通过Matlab仿真结果表明,在满足控制精度的情况下控制系统中的辨识器和控制器效果都很理想。因此,对工程应用有很大的实际参考利用价值。

基于S函数的BP神经网络PID控制器及Simulink仿真

BP网络在人工神经网络中应用最为广泛,文中给出基于MATLAB语言的BP神经网络PID控制器的S函数实现,在此基础上建立BP神经网络PID控制器的Simulink仿真模型,最后给出了该仿真模型应用在非线性对象中的仿真结果。

基于BP神经网络的料筒温度PID控制器

针对注塑机料筒温度控制的要求和PID控制器的不足,设计了一种基于BP神经网络的PID控制器。该控制器将神经网络和PID控制技术相结合,能无限地逼近非线性系统,具有收敛快的优点。提出了基于BP神经网络的PID控制算法和程序流程。仿真结果表明,BP神经网络PID控制器能有效地缩短过渡过程,具有较好的稳定性和快速响应性,可以满足注塑机料筒的温度控制要求。

基于BP神经网络的倒立摆智能控制研究

本文首先介绍了一种典型3层BP神经网络模型及其基本原理,然后在惯性坐标系内应用经典力学理论建立了直线一级倒立摆的动力学模型,得到以小车加速度作为输入的系统状态空间方程,在MATLAB中利用lqr函数求得系统最优反馈增益矩阵K并实现了稳定控制。在实时控制过程中不断采集数据样本并保存,用.m文件编写BP神经网络训练程序,对数据样本进行训练并自动生成BP神经网络控制器模块,最后在Simulink中搭建仿真模型进行仿真验证,通过分析仿真结果并进行实物验证,证明了所设计的BP神经网络控制器的合理性与有效性。

基于BP神经网络的车辆转向稳定性控制策略及仿真

为研究某半主动悬架车辆的转向稳定性,提出了悬架阻尼BP神经网络PID控制技术。以理想的横摆角速度和实际的横摆角速度误差作为控制目标,对车辆实行转向横摆稳定性闭环控制。通过控制车辆的横摆角速度来分析悬架阻尼变化对车轮垂直载荷及侧倾的影响,针对单移线转向和阶跃转向两种典型工况,应用MATLAB软件进行了仿真。结果表明,在高附着路面上,可以通过控制悬架阻尼来控制车辆的横摆和侧偏运动,当前悬架阻尼增加后悬架阻尼减小时,车辆前、后轴左右车轮的载荷转移明显减小,从而能有效抑制车辆的过多转向特性,为改善操纵稳定性提供一种新控制方法。

车辆主动悬架的BP神经网络自适应PID控制

提出了一种主动悬架的基于BP神经网络的自适应PID控制方法,并借助于1/4主动悬架物理模型,探讨了该控制技术在车身主动减振方面的控制问题。以白噪声模拟路面输入,对车辆主动悬架系统进行计算机仿真研究。将BP神经网络PID主动悬架、PID主动悬架和被动悬架的车身加速度、悬架动挠度及车轮动位移三项指标的均方根值进行了对比分析。仿真结果表明,具有BP神经网络PID控制器的主动悬架控制效果明显优于PID主动悬架和被动悬架,可大大减少路面对车身的振动冲击,能显著地提高车辆行驶平顺性和乘坐舒适性,且鲁棒性好。

基于BP神经网络的连续搅拌反应釜PID自校正控制

研究了基于BP神经网络的连续搅拌反应釜PID自校正控制,采用梯度下降法调整PID参数,BP神经网络的逼近特性和自适应能力改善了控制效果。通过仿真实例对基于神经网络的PID控制器和经典PID控制器性能进行比较,结果表明:在相同的暂态响应时间下,前者的超调量更小,而且控制器具有较小的输出量。

BP神经网络模糊PID控制器在DMF生产中的应用

文章基于DMF在工业生产中的重要作用,对于其回收工艺中的精馏塔温度的控制,提出了BP神经网络模糊PID控制器的方案,并用遗传模拟退火算法对其进行优化。通过与传统PID控制器和模糊PID控制器的仿真结果比较可知,该方案更为实时有效,更加适用于工业生产。

模拟退火优化BP神经网络在航向控制系统中的应用

目前,广泛运用于神经网络中的误差反向传播算法(BP算法)训练时间较长,且易陷入局部最优.为了克服BP算法的固有缺陷,文中提出了在BP算法中加入模拟退火算法权因子.在航向控制系统中进行了仿真,数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力,收敛速度更快,精度提高比较明显.

基于优化BP神经网络的PID控制器研究

提出了一种新型的基于优化BP神经网络结构的PID控制器 (PID -NNC) ,该控制器将神经网络和PID控制规律融为一体 ,既具有神经网络自学习、自适应及逼近任意函数的能力 ,又具有常规PID控制器结构简单、可靠性高的特点。且控制器的算法采用的是优化的BP算法 ,可以避免网络陷入局部极小点 ,也可以加快网络的训练速度。所以该控制器可以对具有非线性、时变性和不确定性等复杂系统实行控制。利用MATLAB软件对非线性系统进行了仿真研究 。

基于BP神经网络PID的纸浆浓度自适应控制

目的为了克服纸浆浓度控制系统的滞后性、非线性和时变性,以提高纸浆浓度控制性能。方法针对纸浆浓度控制问题提出一种BP神经网络PID控制技术,构建3-4-3的BP神经网络结构,并在该基础上建立BP神经网络PID控制的数学模型,利用BP神经网络实现PID参数的自适应调整。结果仿真结果表明,BP神经网络PID控制相较于传统PID控制收敛速度更快、超调量更小、抗干扰能力更强、鲁棒性更好。结论该控制方法实现了纸浆浓度的自适应控制,为纸浆浓度的最优控制提供了一种有效可行的控制方法。