基于神经网络的PID控制器研究

本文应用人工神经网络的原理,提出一种新的神经网络的智能PID控制器. 仿真结果表明,此NNPID控制器对线性、弱非线性时不变系统比传统的PID有好 的控制效果;对中等非线性系统和含有噪声扰动的线性知非线性系统有单纯PID 不能达到的控制效果.     

基于RBF神经网络的色彩空间转换研究

针对可变数字印刷中色彩空间转换的要求,文章提出一种基于RBF神经网络的RGB(Red,Green,Blue)→CMYK（Cyan,Magenta,Yellow,Black）色彩空间转换方法,解决了Lab色彩空间到CMYK色彩空间的非线性关系。通过研究分析RBF神经网络的原理,建立了基于RBF神经网络色彩空间转换数学模型,并在该模型下进行数据的预测与精度分析。实验结果表明,该方法实现的转换精度非常高,转换后的色偏明显减小,转换速度也很快。     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题，用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点，提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性，能够对蒸发器过热度进行有效的控制．     

基于RBF神经网络的人脸识别方法

计算机模式识别是视觉领域中的研究热点之一,是指用生物特征比如人脸信息来识别和辨认某个人类个体.提出了一种基于RBF神经网络的人脸识别方法：采用主成分分析技术把样本维数降低,同时利用模糊聚类算法进行粗分,然后用ORL标准人脸数据库进行实验.实验结果表明,该方法大幅度提高了人脸识别的效果.     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。     

基于MATLAB的PID控制器设计

介绍了Ziegler-Nichols规则的PID控制器设计,给出了基于MATLAB的实现方法和仿真.仿真结果表明,此算法设计的PID控制器有良好的性能指标.     

基于粗糙集和RBF神经网络的分类模型研究

分类是数据挖掘中一个重要的研究领域。针对原始决策表中往往存在大量冗余信息,从而影响决策分类综合性能这一问题,提出了一种基于粗糙集和RBF神经网络的分类模型。该模型在保持训练样本分类质量的情况下,运用属性约简方法对决策表进行约简,得到维数较小的训练样本空间。通过这样确定RBF神经网络输入层变量,优化了网络结构。实例结果表明了该方法的有效性和实用性。     

基于RBF神经网络的永磁同步电机控制系统

由于永磁同步电机控制系统具有非线性等特点，而使传统PID人工调节参数过程过于繁琐，且无法根据电机的运行状态改变参数，为了提高控制精度、增强控制系统的自适应能力，课题组以电流环PI控制为基础，结合径向基（RBF）神经网络对永磁同步电机进行在线辨识，根据辨识得到的灵敏度信息整定PID控制参数，建立参考模型。在MATLAB软件中利用Simulink中建立了PMSM模型，通过对比PID、RBF PID在启动环节和负载变化时的速度变化，验证了改进BRF PID控制的有效性。仿真结果表明RBF PID控制具有更快的响应，更好的抗干扰能力。     

基于RBF神经网络的可重构机械臂控制研究

采用RBF神经网络控制算法来解决MIMO不确定非线性系统的自适应输出反馈控制问题,以系列模块化机械臂为研究对象,设计RBF神经网络控制器不断逼近可重构机械臂动力学模型,采用MATLAB软件基于RBF神经网络逼近设计的控制器对RR构型机械臂进行控制仿真.结果表明该控制器能有效地逼近机械臂动力学模型,并能较好地适应机械臂不同构型.     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

车车通信下基于RBF神经网络的防追尾模型研究

提出一种车车通信环境下基于RBF制动意图辨识网络的防追尾安全距离模型,通过RBF神经网络辨识驾驶员的制动意图,并根据前车的运行状态分为紧急制动模式、常规制动模式以及匀速或匀加速行驶3种工况进行讨论,采用实车数据和Matlab/Simulink软件分别对前车在紧急制动、常规制动、匀速及匀加速运行4种场景下进行联合仿真分析。结果表明,基于RBF制动意图辨识网络的安全距离模型与传统安全距离模型相比,安全距离得到显著降低,模型最高平均误报率为2. 4%,最低平均误报率为1%,性能可靠,模型不仅可以有效减小车间安全距离,增加对交通设施资源的有效利用,提高道路运营效率,还能为驾驶员提供更加及时的追尾预警,进一步提高车辆的主动安全性。     

基于RBF神经网络的车辆安全换道时机决策模型研究

为了帮助驾驶人正确决策车辆换道时机,使用了一种模式识别方法——RBF神经网络,建立了车辆换道时机决策模型。模型可以预测车辆换道的安全性,从而保证驾驶人和车辆的安全。对车辆换道时机决策的影响因素进行了分析,提出了11个现代传感器容易获取的影响参数,并作为RBF神经网络的输入变量。模型的学习和测试运用了大量的车辆行驶数据,实验结果显示:11个参数的RBF神经网络模型预测精度较高,可以达到87. 9%,高于7个参数模型的81. 8%;随着模型精度的不断提高,在驾驶主动安全系统和智能车辆无人驾驶系统中,本文模型也可以起到关键的作用。     

PLC实现的模糊PID控制器研究

设计了模糊PID控制器,在MTLAB环境下离线计算出了查询表,采用西门子S7—300在Step7软件中利用查表法实现了程序的设计。结合一阶模型进行实验,结果表明,这种方法能在线调整PID参数,取得了不错的效果。     

基于灵敏度的不稳定对象PID控制器

针对不稳定对象提出了一种基于灵敏度指标的PID控制器整定方法.首先采用内环反馈结构将不稳定对象转换成一个稳定的模型,然后基于灵敏度指标设计PID控制器,最后通过将两个回路等价为一个反馈回路结构获得给定加权PID控制器参数.仿真结果表明,本PID控制器整定方法可以使不稳定对象闭环系统获得期望的灵敏度,保证了系统的鲁棒性和良好的控制性能.     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

基于模糊RBF神经网络的柴油机电液调速控制方法

介绍了电液调速执行器的动态特性,设计了电液调速控制回路,实现了模糊RBF神经网络对柴油机油门执行器位置的控制。将一种基于模糊RBF神经网络的PID控制器应用于柴油机调速控制中,详细说明了模糊RBF神经网络控制器的设计过程,它结合了传统PID以及神经网络和模糊控制的优点,可以在线调整得到一组最优的PID控制参数。仿真结果表明该系统比传统模糊控制的响应速度快、超调小,且适应性强,具有推广价值。     

改进的RBF神经网络模式分类方法应用研究

经典的 Bayes分类方法一般需要事先对样本的分布特性作出假设 ,当假设模型与样本实际分布情况不相符时 ,就难以得到较高的分类精度。当处理同类别多区域样本分布问题 ,例如变标签问题时 ,距离判别、Fisher判别、k-近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战 ,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的 RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算法大致相同。核函数生成既考虑了训练集样本自身的类别因素 ,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层 LBF网络对提高改进的 RBF网络分类正确率的极端重要性。大量应用实例表明 ,与前向三层 RBF网络和前向三层 LBF网络相比 ,该 IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点 ,有利于实现实时分析     

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数 ( RBF)网络和前向两层线性基本函数 ( LBF)网络的分类机理及其结构与初始参数优化确定方法 ,提出了 Guassian核函数的中心和宽度应通过学习自动确定 ,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数 ,并根据新增核函数对测试集的作用自动删除多余核函数的观点 ,从理论上阐明了采用 Sigmoid活化函数的两层LBF网络的分类阈值为 0 .5 ,进而提出了由两层 RBF网络和两层 LBF网络组成的前向 RBF神经网络—— IRBF神经网络     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。