CN112327631A - 一种粒子群优化rbf神经网络的pid控制方法 - Google Patents
一种粒子群优化rbf神经网络的pid控制方法 Download PDFInfo
- Publication number
- CN112327631A CN112327631A CN202011315001.7A CN202011315001A CN112327631A CN 112327631 A CN112327631 A CN 112327631A CN 202011315001 A CN202011315001 A CN 202011315001A CN 112327631 A CN112327631 A CN 112327631A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle
- particle swarm
- pid control
- fitness
- 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.)
- Granted
Links
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及自动控制技术领域,公开了一种粒子群优化RBF神经网络的PID控制方法,包括:初始化粒子群优化算法;利用粒子群的进化规则进行寻优;将第一最优解进行码;确定BRF神经网络的网络结构;将所述BRF神经网络的参数的最优解进行解码;确定BP神经网络的网络结构;计算所述BP神经网络输入值和输出值;利用所述BP神经网络的迭代算法修正所述BP网络的加权系数持续调参,直至获取最优参。本发明通过对无人机姿态控制器的PID参数进行自适应控制,首先,利用粒子群优化算法改进的RBF神经网络PID控制比传统的BP神经网络PID控制的响应时间快,且超调小;其次,基于粒子群优化改进的RBF网络参数整定时间有效缩短;且基于粒子群PSO改进的RBF网络参数整定算法效率高。
Description
技术领域
本发明属于技术自动控制技术领域,具体涉及一种粒子群优化RBF神经网络的PID控制方法。
背景技术
按比例、积分和微分进行控制的调节系统简称为PID控制系统,是工业过程控制中应用最广泛,历史最悠久,生命力最强的控制方式。然而,对于传统PID控制系统,在把其投入运行之前,要想得到较理想的控制效果,必须先整定好三个参数:比例系数KP、积分系数KI、微分系数KD,并依赖于精确的数学模型才能实现。
在无人机自动控制领域,传统的PID控制系统已经无法适应无人机复杂的控制过程,无法保证控制精度。为了克服上述技术问题,人们一直在寻找PID控制系统参数的自适应技术,以适应复杂系统的控制要求,神经网络理论的发展使得这种设想成为可能。神经网络控制能够充分任意地逼近任何复杂的非线性关系,具有很强的信息综合能力,能够学习和适应严重不确定系统的动态特性,可以处理那些难以用模型和规则描述的过程。现有的利用神经网络对PID参数自整定的方法,主要是基于BP神经网络的PID参数自整定方法,利用神经网络的自学习和自适应能力来调整PID参数,进而对无人机模拟姿态控制模型进行仿真比较。
然而,上述利用BP神经网络对PID参数自整定的方法的响应时间和参数整定时间尚无法满足无人机控制的理想的控制需求。
发明内容
本发明的目的在于提供一种粒子群优化RBF神经网络的PID控制方法,用以解决现有技术中利用BP神经网络对PID参数自整定的方法的响应时间和参数整定时间尚无法满足无人机控制的理想的控制需求的技术问题。
为了实现上述目的,本发明采用以下的技术方案:
一种粒子群优化RBF神经网络的PID控制方法,所述方法包括:
步骤A:采集聚类样本,用减聚类算法对样本进行聚类分析,确定基函数的中心个数;
步骤B:初始化粒子群优化算法,确定变异粒子群优化算法的粒子群位数M,并给出粒子群惯性权重范围[Wmin,Wmax]、加速系数c1和c2、位置范围[Xmin,Xmax]、速度范围[Vmin,Vmax];
步骤C:利用粒子群的进化规则进行寻优,并实时调整粒子的速度和位置,以获取粒子的最优解;
步骤D:将所述第一最优解进行码,以获取得到基函数的中心位置和宽度;
步骤E:计算BRF神经网络的隐含层的单元输出和输出层的单元输出;
步骤G:利用粒子群的进化规则对所述BRF神经网络的参数进行寻优,获取所述BRF神经网络的参数的最优解;
步骤H:将所述BRF神经网络的参数的最优解进行解码,并对解码后的所述BRF神经网络进行学习;
步骤I:确定BP神经网络的输入层节点数M和隐含层节点数Q,并给出各层加权系数初值Wij(0)和Wli(0),选定学习速率η和惯性系数a,此时计算次数k=1;
步骤J:采样得到所述BP神经网络的输入值r(k)、输出值y(k),计算该时刻的误差e(k);
步骤K:计算所述BP神经网络输入值和输出值,所述BP神经网络的输出值为PID控制系统的三个可调节参数,然后计算得到u(k),将u(k)传入被控对象以及所述RBF辨识网络,并产生所述控制对象的下一步输出y(k+1);
步骤L:利用所述BP神经网络的迭代算法修正所述BP网络的加权系数,令计算次数k=k+1,返回至步骤C继续运算,直至所述PID控制系统的调节参数达到最优,结束当前流程。
进一步的,所述利用粒子群的进化规则进行寻优,并实时调整粒子的速度和位置,以获取粒子的第一最优解包括:
步骤C1:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤C2:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤C3:更新粒子的速度和位置;
步骤C4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤D;否则返回执行步骤C1。
进一步的,所述利用粒子群的进化规则对所述BRF神经网络的参数进行寻优,获取所述BRF神经网络的参数的最优解包括:
步骤G1:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤G2:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤G3:更新粒子的速度和位置;
步骤G4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤H;否则返回执行步骤G1。
进一步的,所述步骤K中的u(k)具体的计算公式如下:
u(k)=u(k-1)+kp[e(k)-e(k-1)]+kIe(k)+kD[e(k)-2e(k-1)-e(k-2)] (1)
其中,kp,kI,kD分别为比例、积分、微分系数,u(k)和u(k-1)分别为PID第k次和第k-1次运算的输出值,e(k)、e(k-1)、e(k-2)分别为BP神经网络中第k次、第k-1次和第k-2次运算的误差值;
将kp,kI,kD视为依赖于系统运行状态的可调参数时,可将公式(1)描述为:
u(k)=f[u(k-1),kp,kI,kD,e(k),e(k-1),e(k-2)] (2)
其中,f()是与kp,kI,kD、u(k-1)、u(k)、e(k),e(k-1),e(k-2)有关的非线性函数。
进一步的,所述BP神经网络的输出层神经元的变换函数取非负的Sogmoid函数,所述BP神经网络的隐含层神经元的变换函数可取正负对称的Sigmoid函数。
进一步的,所述PID控制系统的内环采用迎角(a)负反馈,用于增加系统的静稳定性;所述PID控制系统的外环采用法向过载(nz)和俯仰角速率(q)负反馈,用于增加系统的阻尼特性。
进一步的,所述控制对象为无人机纵向运动学模型。
本发明的有益效果为:通过对无人机姿态控制器的PID参数进行自适应控制,首先,利用粒子群优化算法改进的RBF神经网络PID控制比传统的BP神经网络PID控制的响应时间快,而且超调小;其次,基于粒子群优化改进的RBF网络参数整定时间有效缩短;此外,基于粒子群PSO改进的RBF网络参数整定算法效率高,无需人工调参,减少了人工成本。
附图说明
图1是本发明实施例粒子群优化RBF神经网络的PID控制方法的流程示意图;
图2是本发明实施例步骤C的方法流程示意图;
图3是本发明实施例步骤G的方法流程示意图;
图4是本发明实施例粒子群优化RBF神经网络的PID控制系统结构示意图;
图5-1是本发明实施例中基于BP神经网络的PID输入阶跃响应曲线图;
图5-2是本发明实施例中基于RBF神经网络的PID输入阶跃响应曲线图;
图5-3是本发明实施例中粒子群优化RBF神经网络的PID控制输入阶跃响应曲线图;
图6-1是本发明实施例中基于BP神经网络自适应控制参数整定曲线图;
图6-2是本发明实施例中粒子群优化RBF神经网络自适应控制参数整定曲线图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明保护的范围。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
应当理解,在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时,它可以与另一个单元直相连接或耦合,或中间单元可以存在。相対地,在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时,表示不存在中间单元。另外,应当以类似方式来解释用于描述单元之间的关系的其他单词(例如,“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解,本文使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解,若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清。
实施例
为了解决现有技术中对于外骨骼助力效果的评价方式相对单一,缺乏全面有效的评价方法,导致外骨骼设备质量定位不清晰的技术问,本申请实施例提供了一种基于神经网络的外骨骼助力效果评估方法,该方法通过获取全面的客观数据和主观数据相结合,利用神经网络算法对外骨骼设备的助力效果进行综合评估,能够为外骨骼行业生产作业中对产品的性能提供有效的参考。
本申请实施例提供的一种粒子群优化RBF神经网络的PID控制方法可以应用于到各个领域中,主要应用于无人机的PID控制器上。
请具体参见图1-6,示出了本发明实施例的一种粒子群优化RBF神经网络的PID控制方法,包括以下步骤:
步骤A:采集聚类样本,用减聚类算法对样本进行聚类分析,确定基函数的中心个数;
步骤B:初始化粒子群优化算法,确定变异粒子群优化算法的粒子群位数M,并给出粒子群惯性权重范围[Wmin,Wmax]、加速系数c1和c2、位置范围[Xmin,Xmax]、速度范围[Vmin,Vmax];
步骤C:利用粒子群的进化规则进行寻优,并实时调整粒子的速度和位置,以获取粒子的最优解;
在本发明实施例中,优选的,步骤C具体包括:
步骤C1:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤C2:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤C3:更新粒子的速度和位置;
步骤C4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤D;否则返回执行步骤C1。
步骤D:将所述第一最优解进行码,以获取得到基函数的中心位置和宽度;
步骤E:计算BRF神经网络的隐含层的单元输出和输出层的单元输出;
步骤G:利用粒子群的进化规则对所述BRF神经网络的参数进行寻优,获取所述BRF神经网络的参数的最优解;
在本发明实施例中,优选的,所述步骤G具体包括:
步骤G1:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤G2:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤G3:更新粒子的速度和位置;
步骤G4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤H;否则返回执行步骤G1。
步骤H:将所述BRF神经网络的参数的最优解进行解码,并对解码后的所述BRF神经网络进行学习;
步骤I:确定BP神经网络的输入层节点数M和隐含层节点数Q,并给出各层加权系数初值Wij(0)和Wli(0),选定学习速率η和惯性系数a,此时计算次数k=1;
在本发明实施例中,进一步的,所述BP神经网络的输出层神经元的变换函数取非负的Sogmoid函数,所述BP神经网络的隐含层神经元的变换函数可取正负对称的Sigmoid函数。
步骤J:采样得到所述BP神经网络的输入值r(k)、输出值y(k),计算该时刻的误差e(k);
步骤K:计算所述BP神经网络输入值和输出值,所述BP神经网络的输出值为PID控制系统的三个可调节参数,然后计算得到u(k),将u(k)传入被控对象以及所述RBF辨识网络,并产生所述控制对象的下一步输出y(k+1);
在本发明实施例中,优选的,所述u(k)的计算方式如下:
u(k)=u(k-1)+kp[e(k)-e(k-1)]+kIe(k)+kD[e(k)-2e(k-1)-e(k-2)] (1)
其中,kp,kI,kD分别为比例、积分、微分系数,u(k)和u(k-1)分别为PID第k次和第k-1次运算的输出值,e(k)、e(k-1)、e(k-2)分别为BP神经网络中第k次、第k-1次和第k-2次运算的误差值;
将kp,kI,kD视为依赖于系统运行状态的可调参数时,可将公式(1)描述为:
u(k)=f[u(k-1),kp,kI,kD,e(k),e(k-1),e(k-2)] (2)
其中,f()是与kp,kI,kD、u(k-1)、u(k)、e(k),e(k-1),e(k-2)有关的非线性函数。
步骤L:利用所述BP神经网络的迭代算法修正所述BP网络的加权系数,令计算次数k=k+1,返回至步骤C继续运算,直至所述PID控制系统的调节参数达到最优,结束当前流程。
在本发明实施例中,进一步的,所述PID控制系统的内环采用迎角(a)负反馈,用于增加系统的静稳定性;所述PID控制系统的外环采用法向过载(nz)和俯仰角速率(q)负反馈,用于增加系统的阻尼特性,所述控制对象为无人机纵向运动学模型。
验证例
作为本发明实施例的一个仿真验证例,请结合参见图5-1到图6-2,其中图5-1到5-3是不同控制网络下输入阶跃响应曲线,图6-1和图6-2是不同控制网络下的参数整定曲线。
根据上述图示,可以得出,通过对无人机姿态控制器的PID参数自适应控制,首先,发现基于BP网络的阶跃响应时间比基于RBF网络PID控制响应时间长大约10倍左右,而粒子群改进的RBF网络PID控制比RBF网络PID控制的响应时间快,而且超调小;其次,参数整定曲线图可以看出,基于BP网络的参数整定自适应时间比较长,基于PSO改进的RBF网络参数整定时间要小很多;由此可以看出基于PSO改进的RBF网络参数整定算法效率高,比人工调参工作量要小很多,且不需要知道PID具体控制参数,适合实际工作中的应用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型。
Claims (7)
1.一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述方法包括:
步骤A:采集聚类样本,用减聚类算法对样本进行聚类分析,确定基函数的中心个数;
步骤B:初始化粒子群优化算法,确定变异粒子群优化算法的粒子群位数M,并给出粒子群惯性权重范围[Wmin,Wmax]、加速系数c1和c2、位置范围[Xmin,Xmax]、速度范围[Vmin,Vmax];
步骤C:利用粒子群的进化规则进行寻优,并实时调整粒子的速度和位置,以获取粒子的最优解;
步骤D:将所述第一最优解进行码,以获取得到基函数的中心位置和宽度;
步骤E:计算BRF神经网络的隐含层的单元输出和输出层的单元输出;
步骤G:利用粒子群的进化规则对所述BRF神经网络的参数进行寻优,获取所述BRF神经网络的参数的最优解;
步骤H:将所述BRF神经网络的参数的最优解进行解码,并对解码后的所述BRF神经网络进行学习;
步骤I:确定BP神经网络的输入层节点数M和隐含层节点数Q,并给出各层加权系数初值Wij(0)和Wli(0),选定学习速率η和惯性系数a,此时计算次数k=1;
步骤J:采样得到所述BP神经网络的输入值r(k)、输出值y(k),计算该时刻的误差e(k);
步骤K:计算所述BP神经网络输入值和输出值,所述BP神经网络的输出值为PID控制系统的三个可调节参数,然后计算得到u(k),将u(k)传入被控对象以及所述RBF辨识网络,并产生所述控制对象的下一步输出y(k+1);
步骤L:利用所述BP神经网络的迭代算法修正所述BP网络的加权系数,令计算次数k=k+1,返回至步骤C继续运算,直至所述PID控制系统的调节参数达到最优,结束当前流程。
2.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述利用粒子群的进化规则进行寻优,并实时调整粒子的速度和位置,以获取粒子的第一最优解包括:
步骤C1:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤C2:对每个粒子,比较它的适应度fi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤C3:更新粒子的速度和位置;
步骤C4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤D;否则返回执行步骤C1。
3.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述利用粒子群的进化规则对所述BRF神经网络的参数进行寻优,获取所述BRF神经网络的参数的最优解包括:
步骤G1:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新Pbestid,并将该Pbestid作为该粒子当前的个体最优值并储存;
步骤G2:对每个粒子,比较它的适应度gi与它经历最好位置的适应度,如果更好,更新gbestid,并将该Pbestid作为该粒子当前的群体最优值并储存;
步骤G3:更新粒子的速度和位置;
步骤G4:判定当前粒子的个体最优值和群体最优值的速度和位置是否满足结束条件,若满足则寻优结束并进入到步骤H;否则返回执行步骤G1。
4.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述步骤K中的u(k)具体的计算公式如下:
u(k)=u(k-1)+kp[e(k)-e(k-1)]+kIe(k)+kD[e(k)-2e(k-1)-e(k-2)] (1)
其中,kp,kI,kD分别为比例、积分、微分系数,u(k)和u(k-1)分别为PID第k次和第k-1次运算的输出值,e(k)、e(k-1)、e(k-2)分别为BP神经网络中第k次、第k-1次和第k-2次运算的误差值;
将kp,kI,kD视为依赖于系统运行状态的可调参数时,可将公式(1)描述为:
u(k)=f[u(k-1),kp,kI,kD,e(k),e(k-1),e(k-2)] (2)
其中,f()是与kp,kI,kD、u(k-1)、u(k)、e(k),e(k-1),e(k-2)有关的非线性函数。
5.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,
所述BP神经网络的输出层神经元的变换函数取非负的Sogmoid函数,所述BP神经网络的隐含层神经元的变换函数可取正负对称的Sigmoid函数。
6.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述PID控制系统的内环采用迎角(a)负反馈,用于增加系统的静稳定性;所述PID控制系统的外环采用法向过载(nz)和俯仰角速率(q)负反馈,用于增加系统的阻尼特性。
7.根据权利要求1所述的一种粒子群优化RBF神经网络的PID控制方法,其特征在于,所述控制对象为无人机纵向运动学模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315001.7A CN112327631B (zh) | 2020-11-20 | 2020-11-20 | 一种粒子群优化rbf神经网络的pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315001.7A CN112327631B (zh) | 2020-11-20 | 2020-11-20 | 一种粒子群优化rbf神经网络的pid控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327631A true CN112327631A (zh) | 2021-02-05 |
CN112327631B CN112327631B (zh) | 2022-06-10 |
Family
ID=74320933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011315001.7A Active CN112327631B (zh) | 2020-11-20 | 2020-11-20 | 一种粒子群优化rbf神经网络的pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327631B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330115A (zh) * | 2021-10-27 | 2022-04-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于粒子群搜索的神经网络空战机动决策方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847954B1 (en) * | 1999-08-23 | 2005-01-25 | Fisher Rosemount Systems, Inc. | Control-loop auto-tuner with nonlinear tuning rules estimators |
CN103639211A (zh) * | 2013-12-23 | 2014-03-19 | 太原重工股份有限公司 | Bp神经网络和pid参数优化的辊缝控制方法及系统 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN106849814A (zh) * | 2017-03-27 | 2017-06-13 | 无锡开放大学 | 基于果蝇蛙跳模糊神经网络pid直线同步电机控制方法 |
-
2020
- 2020-11-20 CN CN202011315001.7A patent/CN112327631B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847954B1 (en) * | 1999-08-23 | 2005-01-25 | Fisher Rosemount Systems, Inc. | Control-loop auto-tuner with nonlinear tuning rules estimators |
CN103639211A (zh) * | 2013-12-23 | 2014-03-19 | 太原重工股份有限公司 | Bp神经网络和pid参数优化的辊缝控制方法及系统 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN106849814A (zh) * | 2017-03-27 | 2017-06-13 | 无锡开放大学 | 基于果蝇蛙跳模糊神经网络pid直线同步电机控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330115A (zh) * | 2021-10-27 | 2022-04-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于粒子群搜索的神经网络空战机动决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112327631B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
WO2020207219A1 (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
Han et al. | Real-time model predictive control using a self-organizing neural network | |
CN109227543B (zh) | 一种位置受限柔性关节机器人基于模式的智能控制方法 | |
Narendra et al. | Fast reinforcement learning using multiple models | |
Liu et al. | Adaptive fuzzy finite-time stability of uncertain nonlinear systems based on prescribed performance | |
CN107615186A (zh) | 模型预测控制的方法和装置 | |
CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
CN111580392A (zh) | 一种串联倒立摆的有限频率范围鲁棒迭代学习控制方法 | |
CN106774379A (zh) | 一种智能超螺旋强鲁棒姿态控制方法 | |
CN112327631B (zh) | 一种粒子群优化rbf神经网络的pid控制方法 | |
CN106647241B (zh) | 一种新型的非线性pid控制器 | |
Wang et al. | A novel alleviating fuzzy control algorithm for a class of nonlinear stochastic systems in pure-feedback form | |
Hager et al. | Adaptive Neural network control of a helicopter system with optimal observer and actor-critic design | |
CN114740710A (zh) | 一种随机非线性多智能体的强化学习优化编队控制方法 | |
CN115167102A (zh) | 一种基于并行优势动作评价的强化学习自适应pid控制方法 | |
CN114326405A (zh) | 一种基于误差训练的神经网络反步控制方法 | |
CN112346342B (zh) | 一种非仿射动力学系统的单网络自适应评价设计方法 | |
CN116432539A (zh) | 一种时间一致性协同制导方法、系统、设备及介质 | |
Shen et al. | Stock index prediction based on adaptive training and pruning algorithm | |
CN110544124A (zh) | 一种基于模糊神经网络的废旧手机定价方法 | |
Xia et al. | The control of two-wheeled self-balancing vehicle based on reinforcement learning in a continuous domain | |
CN112894819A (zh) | 一种基于双神经网络的机器人动力学运动控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |