基于BP神经网络的PID优化控制研究

PID控制要取得较好的控制效果,就必须通过调整好比例、积分和微分三种控制的关系。本文提出一种基于BP神经网络的PID优化控制的方法,充分利用BP神经网络自学习、自适应、强大的泛化能力,弥补PID控制方法学习,适应能力的不足。将此方法应用于控制直流电机调速系统,仿真结果表明,此方法能提高系统的控制精度,具有良好的鲁棒性。     

基于优化BP神经网络的PID控制研究与仿真

PID控制要取得较好的控制效果．就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系。优化BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点，将其隐含层单元分别作为比例（P）、积分（I）、微分（D）单元。可以建立参数自学习的PID控制器。仿真结果表明基于优化BP神经网络的PID控制器具有较好的自学习和自适应性。     

基于神经网络的PID控制及其仿真

提出基于神经网络的PID控制方案,利用神经网络的自学习能力对PID控制参数在线整定,使PID控制器具有自适应性.这里采用三层前向网络、动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能.最后用Matlab软件对一个实例进行仿真研究.仿真结果表明,神经网络PID控制器优于传统PID控制器,具有较高的精度和较强的适应性,它可以获得满意的控制效果.     

基于BP神经网络的模糊PID控制器的设计

工业过程控制中广泛采用PID控制,但传统PID控制因其控制参数的固定,在线整定难等问题。为此本文研究了一种新的自适应模糊PID控制方法,为了解决模糊推理没有学习能力的问题,本文又提出了一种基于BP神经网络的自适应模糊控制方法。此方法是模糊控制、神经网络和PID控制的有效结合。仿真实验表明,这种基于BP神经网络的模糊PID控制算法具有良好的控制效果。     

基于BP神经网络的汽车车型识别方法

将BP神经网络应用于汽车车型的自动识别,在简述车型图像预处理和特征抽取的基础上,重点讨论学习算法的选取问题,提出一种分阶段的训练方法。对三类车型的36对样本做训练和测试实验,实验结果表明,所采用的训练算法优于传统BP算法和共轭梯度法,所设计的网络能快速有效地识别汽车车型。     

基于人工神经网络的改进共轭梯度算法研究

针对前馈式神经网络结构,提出用一种改进共轭梯度算法建模的最速下降搜索迭代的新方法,并把它用于神经网络。同时用神经网络来预报经济指标,通过预测中使用的基本模型和训练算法,提出了单因素非线性自回归和多因素非线性回归两种神经网络预报模型,并对四川省的社会总产值进行预测,结果表明此神经网络用于经济预测是一种新的、更精确、更有效的预测方法。     

基于神经网络的VAV空调系统多区域解耦控制

分析变风量空调系统多区域运行时的耦合关系,针对变风量空调参数多变、强耦合的特点,提出了一种改进的误差反向传播算法的神经网络分散解耦控制方法,对送风量-室内温度进行解耦;然后采用基于BP神经网络的PID控制方法对解耦后的2个近似独立的单输入单输出系统进行控制。仿真结果表明,神经网络分散解耦算法具有很强的自学习功能和自适应解耦能力,控制系统响应快,稳态误差小,有效提高变风量空调系统的控制精度及性能指标。     

基于BP神经网络的智能电网配电系统改进算法的研究

提出一种基于BP神经网络的智能电网配电系统改进算法.由于BP网络是一种按误差逆传播算法训练的多层前馈网络,具有学习性,可以根据已有的配电参数样本集进行训练,从中分析出内蒙古各地区根据时间不同所配电的分配情况的内在联系,实现对以后配电系统进行自适应控制.该算法的优点就是在构造过程考虑了BP的预测精度和训练时间,采用了梯度下降法的方法,进行Matlab仿真实验,获得了较为准确的预测结果.     

基于单神经元PID的开关电源控制研究

开关电源本身是一个非线性系统,所以常规PID控制很难满足系统控制要求.采用单神经元PID控制具有更好的动态性能和启动性能.用MATLAB/Simulink仿真工具对开关电源所建模型进行控制算法仿真,仿真结果表明:单神经元PID控制器优于常规PID,其自适应能力好,响应快,鲁棒性强,系统稳态和动态性能良好.有较好的应用前景.     

基于小波包神经网络的开关电源电路故障诊断研究

针对开关电源电路常见故障,提出一种基于小波包神经网络的开关电源电路故障诊断方法。利用小波分析对开关电源输出电压进行分析处理,依据小波多分辨分析的特点,获得信号各频段的细节系数及其能量,再利用小波包分析对小波分析中没有细分的高频信号进行分解,提高频率分解率,将各频段能量进行归一化处理后,构造故障特征向量作为神经网络的输入进行分类。将Multisim13与Matlab可以实现开关电源电路的故障诊断。     

一种基于ART2神经网络的算法改进

针对传统的ART2神经网络中对于主观设置的警戒参数以及识别分类过程中产生模式漂移的问题,提出基于改进算法的ART2神经网络模型,用于解决分析模式识别问题。通过自组织,加权,迭代等过程推导合理的警戒参数用于聚类运算,通过对ART2神经网络的权值训练方面进行修正,减缓学习速率,降低模式漂移速度,近一步对聚类对象进行合理分类。实验结果证明,该方法是可行的和有效的。     

改进型卷积神经网络焊点缺陷识别算法研究

为了同时对多种焊点缺陷类型进行快速识别,解决现有焊接异常图像识别算法误检率与漏检率偏高的问题,设计了基于改进型卷积神经网络的深度学习算法。利用自组织映射分类技术,提高了卷积神经网络的数据选择自适应性,结合自适应矩估计分析, 约束了焊接异常图像中特征集合的收敛条件。实验中将5种常见焊接异常图像以等比例随机分布的形式放入训练集、验证集和测试集中,再分别用传统识别算法(canny算法和k均值算法)和该算法进行测试。结果表明,对于桥连缺陷,3种方法均无误检、无漏检;对于小球缺陷,3种方法均符合要求,而canny算法的检出能力最优;对于偏球缺陷, 3种算法的误检率分别是12.4%, 7.3%和与1.4%,漏检率分别是13.3%, 6.5%和1.1%;对于虚焊和少锡缺陷,该算法相比传统算法精度高约1个数量级。该算法在对多种焊点缺陷类型识别中具有明显优势。     

基于改进网中网神经网络的交通标志识别

针对在实际交通环境中交通标志识别中提高识别准确率和降低计算成本需求,文中提出一种基于网中网(Network in Network,NIN)神经网络的交通标志识别算法。相比卷积神经网络模型,NIN模型增加了MLP结构,并使用全局均值池化层替代全连接层,同时使用ELU函数代替Re LU修正单元。在德国交通标志数据集(GTSRB)进行分类识别研究。研究结果表明,算法在GTSRB基准数据集上获得98. 31%以上的识别准确率,同时能够有效地解决过拟合和梯度弥散等问题,文中算法有一定的先进性和鲁棒性。     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于改进神经网络算法的变电站变压器裂纹图像识别

为了保证电力系统的正常运行,提高电站变压器裂纹图像的识别精度,提出基于改进神经网络算法的变电站变压器裂纹图像识别模型。首先收集变电站变压器裂纹图像,并进行去噪处理,然后提取变电站变压器裂纹图像的特征,并对特征进行无量纲化处理,最后采用神经网络建立变电站变压器裂纹图像识别模型,并对神经网络的不足进行相应改进,在Matlab 2014R平台上进行变电站变压器裂纹图像识别的仿真测试,结果表明,改进神经网络不仅能够获得较好的变电站变压器裂纹图像识别结果,而且识别速度也能够满足变电站变压器裂纹图像检测的要求。     

基于神经网络的数据挖掘算法研究

神经网络可以实现分类、预测等多种网络模型。将神经网络的BP(前馈神经网络)和SVM(支持向量机)数据挖掘算法应用于西安地区的空气质量预测,虽然它们的泛化和收敛能力不同,但通过以往的历史数据训练网络模型。实验结果证明该算法可以较准确地预测未来的数据。     

基于改进遗传算法的配网无功优化

针对配电网无功优化问题进行研究。以配电网络有功网损最小为优化目标,使用连接权重将配电网中的有功网络损耗、电压稳定性、补偿设备投入容量等多目标优化变为单目标优化。利用具有全局搜索能力的免疫算法与遗传算法相结合,从而提高了遗传算法的稳定性和适应性。最后通过IEEE 14节点的配网无功优化实例对所研究的改进遗传算法的优化模型进行分析。研究结果表明,使用改进遗传算法后的有功损耗相比常规遗传算法下降了0.28 MW,损耗降低率提高了1.37%,并且迭代次数明显降低,提高了优化的速率。     

基于改进卷积神经网络的人体检测研究

为了解决梯度方向直方图在复杂背景下行人检测性能不足的问题,引入深度学习算法进行人体特征提取和行人检测。为了减少卷积神经网络的训练样本数量需求,在保证原数据库背景分布和行人分辨率的基础上使用基于内容的图像检索方法进行数据扩充以便于训练。为了提高算法在复杂背景下的检测效率,在卷积神经网络反射传播权值更新时引入费舍尔约束准则,使用误差反向传播算法获取样本类内类间约束函数的权值,在考虑误差的同时保证算法的分类精度。对INIRIA数据库检测结果表明,改进后算法的漏检率、检测率等性能得到一定提高,在大多数复杂背景下可以成功检测出行人。