PID型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。

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BP网络的PID型预测自校正控制器

采用ＢＰ网络对ＰＩＤ型大范围预测控制器（ＰＩＤＧＰＣ）的参数ｋｐ，ｋｉ，ｋｄ及α进行自学习，并在多个模型构成的系统上进行了仿真，验证了该算法的适应性和鲁棒性，为设计通用的ＧＰＣ控制器提供了一种新的手段。

基于Elman型回馈神经网络的流域降雨-径流动态过程建模的研究

本文将Elman回馈型神经网络与水文系统的特点相结合 ,建立了流域降雨 -径流动态模型。文中用较简单的方法解决了神经网络模型难以直接描述水文系统前期状态的难题 ,并以福建沙县流域的降雨 -径流过程为研究对象 ,通过完整的分析 ,表明Elman型神经网络与水文系统概念相结合的动态过程模型是一种能够保证较高的预报准确性的模型 ,同时又具有良好的适应性、健壮型和外延性 ,显示出良好的应用前景。

基于PID型模糊神经网络的火电站单元机组协调控制

针对火电站机炉协调控制对象的非线性、时变和纯迟延的特性 ,采用了一种 PID型模糊控制器[1 ] 。为了使此控制器具有自学习功能 ,提出了一种包含一个自回归神经元的 5层模糊神经网络 ,并根据梯度下降算法 ,给出了它各层权值的修正算法。通过对参考文献 [2 ]的模型进行仿真研究 ,证明使用这种初值易选、学习能力较强的模糊神经网络控制器可以克服协调控制对象的时变性和随机性干扰 ,大大改善了控制品质。图6表 1参

基于PID型神经网络的自适应控制

本文提出了一种新的基于 PID型神经网络的自适应控制系统 ,给出了神经网络控制器的学习算法和控制系统的稳定性分析。仿真结果对该控制方案进行了验证。

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.

基于改进型Elman神经网络的短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度,提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层,增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。

基于PID型模糊神经网络的火电站汽包压力控制

为克服火电站燃料-汽包压力调节对象的非线性、时变和纯迟延特性,采用含自回归神经元的PID型模糊神经网络作为汽包压力控制器,进行协调控制系统的设计。仿真研究表明,这种初值易选、学习能力较强的模糊神经网络控制器可以克服该对象的时变性和随机性干扰。

基于Elman网络的鲁棒型广义预测控制方法研究

提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC).该算法首先用Elman网络对非线性系统进行辨识,建立预测模型,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,加强控制器的适应能力和鲁棒性.仿真结果证明:将本算法应用于非线性系统预测控制,对未建模动态具有很强的鲁棒性和很好的控制能力.

基于线性二次型最优控制和径向基神经网络PID的ESC控制策略

为提高电子稳定控制(ESC)的鲁棒性和自适应能力,采用联合扩展卡尔曼滤波方法估算轮胎侧偏刚度,改进了2自由度模型,在此基础上提出了线性二次型最优控制和径向基神经网络PID联合的控制算法,设计了双层控制器,其上层控制器通过线性二次型最优控制算法获取主动横摆力矩,下层控制器通过径向基神经网络PID进行车轮分配和变滑移率的控制。采用15自由度车辆模型进行了仿真验证,结果表明设计的控制策略较好地满足ESC的控制要求,并具备良好的自学习功能和瞬态控制能力。

串联型模糊神经网络PID控制器的设计

该文提出了一种串联型模糊神经网络PID控制器的设计方法 ,该方法利用人工神经元网络的聚类功能来对反馈回来的误差输入量进行分类 ,然后串联一个模糊控制器 ,并根据人工神经网络的分类结果来构造模糊规则库 ,使整个控制器既具有PID调节的功能 ,同时避免了神经元网络的发散问题 ,并解决了模糊规则库构造的困难 ,从而实现对PID控制器参数的智能调节。

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统,提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,实现系统的智能控制。仿真结果表明,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。

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题。为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法。仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明显的提高,该方法有效的提高了PIDNN控制的使用范围,为智能方法在PID控制中的应用提出了一个新的参考。

汽包锅炉燃烧的PID型神经网络解耦控制系统仿真研究

介绍了汽包锅炉燃烧控制系统的控制任务、物理量间关系、原则性控制方案、传统控制方法,以及解耦控制方法的发展,引入了PID型神经网络控制系统的结构、学习算法、初始权值参数选取.MATLAB仿真结果表明,该控制系统对多变量强耦合时变的锅炉燃烧控制对象具有良好的解耦性能和自学习控制特性.

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制。其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的。通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据。

改进型Elman神经网络在电石炉控制系统中的应用

借鉴神经网络理论的研究成果,将其用于具有典型非线性、大滞后特性的电石炉控制系统.利用改进型El-man神经网络模型,通过系统仿真,与目前大量采用的PID控制系统比较,Elman神经网络在系统仿真中系统超调、调节时间等指标均优于PID控制,为电石炉控制系统控制环节的升级换代提供了现实可行的解决方案.

基于线性二次型调节器的神经网络PID控制系统

讨论了基于神经网络PID的控制方法在线性二次型调节器(LQR)问题中的应用，针对控制工程中的无限时间LQR问题，提出了神经网络PID控制整定方法，从而实现PID参数的在线自适应寻优。同时，考虑了连续时间线性时不变系统的渐近稳定性问题。最后，运用MATLAB仿真实现证明了该方法的可行性、有效性。

基于ELMAN神经网络PID控制的BLDCM调速系统设计

针对无刷直流电机时变性、非线性、耦合性等特性,设计改进Elman神经网络PID控制算法。改进算法融合分层递阶思想和小生境PSO算法思想,联合优化ELMAN神经网络结构及初始化参数,解决传统控制算法收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题。引入自适应灾变因子提高寻优精度。仿真结果表明,使用改进算法优化PID控制器可使BLCDM调节时间和超调量大幅减小,响应速度加快,具备较好的动态性能和较强的鲁棒性。