基于模糊神经网络的自适应PID控制器

提出了一种应用于自适应PID控制器的神经网络与模糊控制相结合的算法,该算法可以有效地解决普通PID控制器依赖于对象的数学模型的缺点,可实现控制系统的在线自适应调整,可满足实时控制的要求。仿真结果表明,基于模糊神经网络整定的PID控制器具有较好的自学习和自适应性,具有较快的响应速度。     

基于BP算法神经网络的物理实验曲线拟合

介绍了人工神经元网络的基本原理和BP算法神经网络。将BP算法神经网络应用于物理实验中的幅频特性曲线拟合，在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性。     

DVD光学头的RBF神经网络自适应PID控制器设计

为了使三维光存储技术的应用水平得到提高,以DVD伺服技术、双光子吸收技术为基础组建了一套信息存储系统。针对DVD光学读取头系统,采用RBF神经网络自适应PID控制器进行控制,充分利用RBF神经网络的自学习和全局非线性逼近能力,在线调整修正PID控制器的3个参数,使其达到一种最优控制,并通过MATLAB软件进行了计算机仿真。由仿真结果可以得出:通过应用RBF神经网络自适应PID控制算法,系统单位阶跃响应的调整时间为0.25 s,并使系统的超调量降低到几乎为零。     

基于遗传算法的PID控制器优化设计

遗传算法是一种模拟自然进化而提出的简单高效的优化组合方法。本文研究了比例-积分-微分(PID)控制器优化设计的性能指标的选择问题,介绍了遗传算法的基本原理,给出了利用遗传算法进行PID控制器优化设计的步骤。同时给出了一个用遗传算法进行单环系统PID控制器优化设计的仿真实例。仿真结果表明了遗传算法应用于PID控制器优化设计的可行性和有效性。遗传算法还克服了其它方法的某些弊端。     

BP神经网络PID控制算法在农作物干燥控制系统中的应用研究与设计

针对传统PID控制算法对于农作物烘干控制方法存在的不足,以实现对农作物高效、节能的干燥为目的,设计了一种新型农作物干燥控制系统。系统采用DS18B20、SHT10为信息采集源,将采集到的温湿度信息传递到以C8051F340单品机为核心的控制器进行整个干燥过程的控制决策。系统应用了BP神经网络PID控制算法调节温湿度。     

采用BP神经网络拟合铁磁材料的磁滞回线

介绍了采用BP神经网络模拟人脑智能拟合铁磁材料磁滞回线的方法,给出了实现磁滞回线拟合的BP神经网络结构模型.拟合结果表明,该方法拟合精度较高,对解决非线性拟合问题非常有效.     

基于BP神经网络的多升降台同步控制研究

大型分布式升降台控制系统中,其同步控制是最关键的问题之一。针对传统神经网络PID控制器在多升降台同步控制的结构复杂及同步时间长等问题,提出一种基于相邻偏差耦合控制结构的BP神经网络PID同步控制策略,在确定同步误差定义的基础上,建立异步电机的矢量控制模型,改进了BP神经网络同步控制器。对多升降台同步控制系统的仿真实验表明：所研究的控制策略同步误差小,收敛速度快,实用性强。     

基于BP神经网络的智能灯光控制系统的研究

智能灯光控制系统是智能家居控制系统的重要组成部分。在分析了目前智能灯光控制系统缺陷与不足的基础上,提出了BP神经网络在智能灯光控制系统的应用,将BP算法嵌入到智能灯光控制系统的数据处理模块,提高控制系统对于数据的处理能力。系统通过引入BP神经网络的自学习能力,改善了智能灯光控制系统智能化程度低的问题。通过实验分析,该系统能够提高智能灯光控制系统的智能性,给人们提供了一个舒适的居家灯光环境。同时,BP神经网络在智能灯光控制系统的应用,对于解决智能家居控制系统解决智能化程度低的问题也有一定的促进作用。     

基于GA-WPA优化的BP神经网络目标威胁估计

在防空作战中,目标威胁估计是指挥控制过程的重要一环,是决策和指挥的重要依据。BP神经网络能够解决目标威胁估计问题,但存在收敛速度慢、易陷入局部最优等缺点。提出将遗传算法(Genetic Algorithm,GA)的选择、交叉和变异操作融入到狼群算法(Wolf Pack Algorithm,WPA)中,提出了GA-WPA算法,以提高狼群算法的收敛速度。在此基础上,利用所提出的GA-WPA算法对BP神经网络进行优化,确定最优初始权值和阈值。最后,将优化后的BP神经网络解决地面防空系统目标威胁估计问题。仿真实验表明,所提算法能够有效克服BP神经网络收敛速度慢、易陷入局部最优等缺点,能够提高目标威胁估计的准确性和适应性。     

PID控制器分析

介绍PID控制器的计算机仿真实验教学法。首先在Matlab中应用Simulink模块构建一个基于PID控制器的自动控制系统。然后通过仿真运行系统,对系统的动态响应曲线进行观察和比较,分析了PID控制器中比例、微分和积分各环节所起的作用。通过实验观察和分析,使学生对PID控制器各环节的作用有了直观明确的认识,取得了良好的教学效果。     

基于径向基神经网络和BP神经网络对日落黄荧光光谱的分析

对食用合成色素日落黄的荧光光谱进行研究,发现在最佳激发波长370nm紫外光的激励下,荧光峰值波位于576nm;经分析认为,日落黄溶液之所以能产生荧光是因为分子中偶氮键将一个苯环和一个萘环连接在一起,形成大共轭结构,并且取代基与—SO3Na与—OH处于萘环的对位,大大增强了日落黄分子的共轭程度,使其具有强的吸光功能,发出强荧光。另外,结合径向基神经网络和BP神经网络对未知样本进行浓度预测,结果精确,平均相对误差分别为3.51%和5.45%,RSD分别为1.83%和2.95%。该方法有望成为对食用合成色素进行高效检测的有效方法。     

模糊神经网络PID在数字舵机控制中的应用

针对某型号数字舵机系统在非线性时变的复杂条件下,传统的PID控制器响应速度慢,精度低,抗过载能力差的缺点,通过对模糊神经网络算法的研究,结合传统的PID控制器,设计了模糊神经网络PID控制器。分别将两种控制算法应用到舵机系统进行实验可以得出,模糊神经网络PID控制器使得舵机位置环阶跃响应上升时间从80ms减小到35ms,超调量从10％减小到小于5％,在频率特性测试中反馈曲线衰减从-2.79dB减小到-0.77dB,相移从65°减小到35°,同时系统非线性引起的畸变明显改善。     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要。遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

BP神经网络在磷酸盐溶液紫外吸收光谱中的应用

利用紫外分光光度法测定磷酸盐溶液的光谱,经过转换得到吸光度与溶液浓度的非线性关系,使用BP神经网络算法处理此非线性问题。Matlab语言中的神经网络工具箱提供了许多有关神经网络设计、训练和仿真的函数来实现BP网络,使应用BP网络来解决此类问题变得方便和有效。实验证明Levenberg-Marquardt法网络收敛速度最快,量化共轭梯度法最慢。本文还运用Matlab中的数据拟合法与BP神经网络法进行比较,前者虽然得到拟合曲线关系式,但较为复杂,工作量大。因此,BP神经网络法更适合于解决此类问题。     

小潜艇供电系统全桥DC-DC开关电源智能优化设计

小型潜艇水下潜行采用蓄电池供电,通过全电力供电系统推进。以蓄电池为直流电源,在推进系统正常运转的状况下,开关电源电压输出值保持恒定。传统的PID控制器很难对全桥DC-DC开关电源进行精确控制,因此,将粒子群算法(PSO)、BP神经网络与径向基函数(RBF)神经网络与传统PID控制相结合,提出带有RBF神经网络辨识的PSO-BP-PID控制方法。通过神经网络在线自学习对PID三个参数在线调整,最终实现系统恒电压输出控制。仿真结果得出：带有RBF神经网络辨识的PSO-BP-PID控制算法可以很大的改善系统控制效果,同时使系统具有更好的在线调整能力。     

基于GA参数整定的时变时滞系统灰色预测控制

针对一类数学模型未知且存在时变时滞的复杂系统,提出一种基于遗传算法参数整定的灰色预测控制方法。该方法采用BP神经网络对系统的时变时滞进行辨识,利用灰色预测算法对系统的输出进行预测,进而使用基于遗传算法整定PID控制器对系统进行输出反馈控制。该方法将灰色预测算法与遗传算法相结合,有效提高了控制器的自适应性。通过仿真实例,结果表明该方法能够对具有大时滞、大惯性、模型不确定等特点的复杂系统进行有效地控制。该方法是可行的、有效的。     

基于遗传神经网络的VAV空调系统预测模型

针对单纯的机理建模方法难以准确预测变风量空调系统（VAV）的参数,利用BP神经网络构建了变风量空调系统的预测模型,并将遗传算法与BP网络相结合,提出运用遗传算法对神经网络的权值和阈值进行遗传搜索,寻优后再进行BP运算,以克服BP算法收敛速度慢、易陷入局部解的缺点。通过实验平台采集了大量数据对所建模型进行训练和验证,结果表明,模型对空调送风参数以及房间温湿度的预测结果与实测数据能很好拟合,精确度高,泛化能力强。     

热流计校准装置自适应温度控制方法研究

以热流计校准装置为研究对象,建立了热板温度仿真模型。根据模糊控制原理和BP神经网络原理,分别设计了模糊PID控制器和BP神经网络PID控制器,并在Matlab的Simulink下进行了不同控制方法的仿真对比实验。仿真结果表明:模糊PID有更快的响应速度、更短的稳定时间,BP神经网络PID有更小的超调量。     

耦合多种特征的森林蓄积量反演方法比较——以雅鲁藏布江流域森林为例

森林资源遥感监测是遥感的重要应用方向之一。传统的统测方法花费大量的人力、物力,科学的森林资源预测可以提升工作效率并降低测算成本。森林蓄积量是评价森林生态系统质量的重要指标。蓄积量反演模型是用来估测蓄积量的数学模型,具有学习和预测的功能。同样的地物在不同光照或阴影区域有较大的差别,利用波段比值可以在一定程度上减小光照和阴影区域在建模时得出结果的误差。森林蓄积量的预测模型通常选取光谱信息和纹理特征作为主要建模因子,但未充分考虑选取波段比值、植被指数、地形因子等多特征变量时不同模型对预测精度的影响。针对不同模型的精度问题,以西藏自治区米林县为研究区域,以Landsat OLI影像、 DEM数据以及森林资源二类调查数据为数据源,对光谱信息、纹理特征和地形因子等进行提取与分析,并建立了三种基于多特征的森林蓄积量的反演模型,分别是多元逐步回归模型、 BP神经网络模型和随机森林模型。旨在研究不同模型对森林蓄积量反演的影响。采用可决系数(R²)、平均绝对误差(MAE)和均方根误差(RMSE)来对模型进行拟合度和精度的评价。结果显示随机森林模型的拟合度和精度均为最优(R^2...