CN110262219A - 一种基于bp神经网络的电机pid自整定方法 - Google Patents
一种基于bp神经网络的电机pid自整定方法 Download PDFInfo
- Publication number
- CN110262219A CN110262219A CN201910516862.2A CN201910516862A CN110262219A CN 110262219 A CN110262219 A CN 110262219A CN 201910516862 A CN201910516862 A CN 201910516862A CN 110262219 A CN110262219 A CN 110262219A
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- neural network
- input
- pid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003831 deregulation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及电机控制领域,更具体的,涉及一种基于BP神经网络的电机PID自整定方法,本发明利用BP神经网络对PID控制的比例系数Ki、积分系数Kp和微分系数Kd进行调整,通过进行自我学习自动逼近PID最优解,从而不需要人为去调节PID参数,大大节省了开发者调整PID参数的时间,提高了工作效率。
Description
技术领域
本发明涉及电机控制领域,更具体地,涉及一种基于BP神经网络的电机PID自整定方法。
背景技术
在电机的控制中,人们常常需要控制电机以某一匀速转动或者转动某一角度,这时候就需要使用PID进行控制。使用PID需要调整好比例系数Ki、积分系数Kp和微分系数Kd。经典的PID控制器是直接对被控对象进行闭环控制,完全靠改变被控制器件的Kp、Ki、Kd三个参数来获得较为满意的结果,这一调节过程无疑是繁琐的,对开发者来说是一笔巨大的时间开销。而且就算花费大量时间去调节PID参数,得到的结果也未必最优。
发明内容
为了解决现有技术中使用PID时对比例系数Ki、积分系数Kp和微分系数Kd的调整需要消耗大量时间的不足,本发明提供了一种基于BP神经网络的电机PID自整定方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于BP神经网络的电机PID自整定方法,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值和j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd;
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
优选的,所述的BP神经网络的具体结构如下:
如图2所示,BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即表示时间;q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
优选的,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且而未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
优选的,如图3所示,在步骤S4中采用增量式PID算法计算输出△u(k)。
优选的,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
与现有技术相比,本发明技术方案的有益效果是:
本发明的目的是提供一种基于BP神经网络的电机PID自整定方法,本发明能进行自我学习自动逼近PID最优解,从而不需要人为去调节PID参数,大大节省了开发者调整PID参数的时间,大大提高了工作效率。
附图说明
图1为本发明的框架图。
图2为本发明BP神经网络的结构图。
图3为本发明增量式PID算法的流程图。
图4为实施例2的仿真结果。
图5为实施例2的误差曲线。
图6为实施例2的PID控制器输出曲线。
图7为实施例2的Kp、Ki、Kd的参数曲线。
图8为实施例3的程序流程图。
图9为控制小车进行前进的示意图。
图10为控制小车进行后退的示意图。
图11为控制小车进行水平向左的示意图。
图12为控制小车进行水平向右的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-图3所示,一种基于BP神经网络的电机PID自整定方法,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值和j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd;
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
作为一个优选的实施例,所述的BP神经网络的具体结构如下:
BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即表示时间;q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
作为一个优选的实施例,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且而未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
作为一个优选的实施例,在步骤S4中采用增量式PID算法计算输出△u(k)。
作为一个优选的实施例,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
实施例2
在本实施例中,假设输入目标值rink(k)=1.0;输入层为4,隐含层为5,输出层为3.设电机的随机函数为其中a(k)=1.2(1-0.8exp(-0.1k)),u为PID控制器输出。
仿真结果如图4所示,其中虚线为yout,实线为rink;误差曲线如图5所示,PID控制器输出曲线如图6所示,Kp、Ki、Kd的参数曲线如图7所示。
实施例3
在本实施例中,主控芯片采用stm32f103zet6,在芯片内建立BP神经网络算法,通过读取编码器数值传递到BP神经网络算法中,经过算法输出Kp、Ki、Kd三个参数至PID控制算法中,经过PID控制算法输出PWM值控制电机的转速。程序流程图如图8所示,图9-图12为电机通过控制小车的三个轮子的速度差进行全方位移动。
图9为控制小车进行前进,实现前进的要求是1号轮不动,2号、3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现以相同的速度向上V_L、V_R,进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L2和V_R2分速度大小相同,方向相反,相互抵消。V_L1和V_R1分速度大小和方向相同,进行叠加。从而使得小车向前行进。
图10为控制小车进行后退,实现后退的要求是1号轮不动,2号、3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现以相同的速度向下V_L、V_R,进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L2和V_R2分速度大小相同,方向相反,相互抵消。V_L1和V_R1分速度大小和方向相同,进行叠加。从而使得小车向后行进。
图11为控制小车进行水平向左,实现水平向左的要求是1号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定速度V_F,2号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向上V_L,3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向下V_R。2号、3号进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L1和V_R1分速度大小相同,方向相反,相互抵消。V_L2和V_R2分速度大小和方向与V_F速度大小、方向相同,进行叠加。从而使得小车水平向左行驶。
图12为控制小车进行水平向右,实现水平向右的要求是1号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定速度V_F,2号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向下V_L,3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向上V_R。2号、3号进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L1和V_R1分速度大小相同,方向相反,相互抵消。V_L2和V_R2分速度大小和方向与V_F速度大小、方向相同,进行叠加。从而使得小车水平向右行驶。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于BP神经网络的电机PID自整定方法,其特征在于,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值和j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd;
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
2.根据权利要求1所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,所述的BP神经网络的具体结构如下:
BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即k表示时间,q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
3.根据权利要求2所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且而未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
4.根据权利要求1所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,在步骤S4中采用增量式PID算法计算输出△u(k)。
5.根据权利要求4所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516862.2A CN110262219A (zh) | 2019-06-14 | 2019-06-14 | 一种基于bp神经网络的电机pid自整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516862.2A CN110262219A (zh) | 2019-06-14 | 2019-06-14 | 一种基于bp神经网络的电机pid自整定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262219A true CN110262219A (zh) | 2019-09-20 |
Family
ID=67918520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516862.2A Pending CN110262219A (zh) | 2019-06-14 | 2019-06-14 | 一种基于bp神经网络的电机pid自整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262219A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459014A (zh) * | 2020-03-25 | 2020-07-28 | 唐山钢铁集团有限责任公司 | 一种基于神经网络pid的天车摆角模型控制方法 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
CN113504721A (zh) * | 2021-07-30 | 2021-10-15 | 南京理工大学 | 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法 |
CN113793653A (zh) * | 2021-08-13 | 2021-12-14 | 河海大学 | 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法 |
CN114047691A (zh) * | 2022-01-10 | 2022-02-15 | 杭州海康威视数字技术股份有限公司 | 自适应学习率协同优化的目标识别方法、装置及电子设备 |
CN114063443A (zh) * | 2021-12-01 | 2022-02-18 | 上海电力大学 | 改进bp整定分数阶pid的并网逆变器控制方法 |
CN114114912A (zh) * | 2021-11-13 | 2022-03-01 | 河南驼人医疗器械研究院有限公司 | 一种基于pid调节的bp神经网络算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN102508089A (zh) * | 2011-12-29 | 2012-06-20 | 天津市润垦科技发展有限公司 | 一种基于pci总线结构的电池保护板测试装置 |
CN105299612A (zh) * | 2015-11-05 | 2016-02-03 | 吉林省电力科学研究院有限公司 | 基于多模型切换的主蒸汽温度控制方法及控制系统 |
CN105911865A (zh) * | 2016-06-08 | 2016-08-31 | 中国人民解放军后勤工程学院 | 一种pid控制器的控制方法 |
CN108549213A (zh) * | 2018-06-26 | 2018-09-18 | 西安科技大学 | 一种基于rbf神经网络pid的速比控制方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
-
2019
- 2019-06-14 CN CN201910516862.2A patent/CN110262219A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN102508089A (zh) * | 2011-12-29 | 2012-06-20 | 天津市润垦科技发展有限公司 | 一种基于pci总线结构的电池保护板测试装置 |
CN105299612A (zh) * | 2015-11-05 | 2016-02-03 | 吉林省电力科学研究院有限公司 | 基于多模型切换的主蒸汽温度控制方法及控制系统 |
CN105911865A (zh) * | 2016-06-08 | 2016-08-31 | 中国人民解放军后勤工程学院 | 一种pid控制器的控制方法 |
CN108549213A (zh) * | 2018-06-26 | 2018-09-18 | 西安科技大学 | 一种基于rbf神经网络pid的速比控制方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459014A (zh) * | 2020-03-25 | 2020-07-28 | 唐山钢铁集团有限责任公司 | 一种基于神经网络pid的天车摆角模型控制方法 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
CN113504721A (zh) * | 2021-07-30 | 2021-10-15 | 南京理工大学 | 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法 |
CN113504721B (zh) * | 2021-07-30 | 2023-03-31 | 南京理工大学 | 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法 |
CN113793653A (zh) * | 2021-08-13 | 2021-12-14 | 河海大学 | 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法 |
CN114114912A (zh) * | 2021-11-13 | 2022-03-01 | 河南驼人医疗器械研究院有限公司 | 一种基于pid调节的bp神经网络算法 |
CN114063443A (zh) * | 2021-12-01 | 2022-02-18 | 上海电力大学 | 改进bp整定分数阶pid的并网逆变器控制方法 |
CN114047691A (zh) * | 2022-01-10 | 2022-02-15 | 杭州海康威视数字技术股份有限公司 | 自适应学习率协同优化的目标识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262219A (zh) | 一种基于bp神经网络的电机pid自整定方法 | |
Yu et al. | LLR: Learning learning rates by LSTM for training neural networks | |
Kang et al. | An adaptive PID neural network for complex nonlinear system control | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN109696827A (zh) | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 | |
Fang et al. | A course control system of unmanned surface vehicle (USV) using back-propagation neural network (BPNN) and artificial bee colony (ABC) algorithm | |
CN109960149B (zh) | 用于pH中和过程的自抗扰控制参数整定方法 | |
CN104865979A (zh) | 一种污水处理过程自适应广义预测控制方法及系统 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
Puangdownreong | Fractional order PID controller design for DC motor speed control system via flower pollination algorithm | |
CN113325719B (zh) | 时变时滞多智能体的分布式脉冲一致性控制方法及系统 | |
CN111967179B (zh) | 一种能源互联网能量单元动态优化匹配方法 | |
Shen et al. | Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints | |
CN103927451A (zh) | 一种空间机器人系统参数在轨辨识方法 | |
CN111608868A (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
Wang et al. | Gradient descent-barzilai borwein-based neural network tracking control for nonlinear systems with unknown dynamics | |
CN109606364B (zh) | 一种分层式自学习可拓神经网络车道保持控制方法 | |
CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 | |
Mahmud | Neural network based PID control analysis | |
CN116387957A (zh) | 一种激光器系统及激光器的输出控制方法、存储介质 | |
CN114637301B (zh) | 基于最优仿射队形变换的多机器人动态避障装置及方法 | |
CN102662324A (zh) | 槽式反应器基于在线支持向量机的非线性模型预测控制方法 | |
Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |