CN114995106A - 基于改进小波神经网络的pid自整定方法、装置和设备 - Google Patents
基于改进小波神经网络的pid自整定方法、装置和设备 Download PDFInfo
- Publication number
- CN114995106A CN114995106A CN202210617948.6A CN202210617948A CN114995106A CN 114995106 A CN114995106 A CN 114995106A CN 202210617948 A CN202210617948 A CN 202210617948A CN 114995106 A CN114995106 A CN 114995106A
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- neural network
- wavelet neural
- input
- 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 191
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000006870 function Effects 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000013526 transfer learning Methods 0.000 claims abstract description 24
- 238000011423 initialization method Methods 0.000 claims abstract description 17
- 230000003213 activating effect Effects 0.000 claims abstract description 8
- 238000011478 gradient descent method Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 7
- 150000001875 compounds Chemical class 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及基于小波神经网络的PID自整定方法、装置和设备,方法包括:获取小波神经网络并采用POLYWOG3函数激活,建立包括输入层、隐含层以及输出层的改进小波神经网络;基于迁移学习的网络权值初始化方法,对改进小波神经网络进行初始化,得到输入层与隐含层之间的初始权值以及隐含层与输出层之间的初始权值;根据改进小波神经网络以及两个初始权值,依次计算输入层的输出、隐含层的输出以及输出层的输出;根据输出层的输出,采用PID控制算法,计算PID控制的输出;当PID控制的输出满足预设标准时,以输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。采用本方法能够提高网络收敛速度、避免网络陷入局部最优。
Description
技术领域
本申请涉及电机控制技术领域,特别是涉及基于改进小波神经网络的PID自整定方法、装置和设备。
背景技术
在对电机的控制中,根据不同的应用场景,人们常常需要控制电机快速、稳定、精确的转动到某一角度,比例微分积分PID控制是目前应用于电机控制中一种比较成熟的控制方法。经典的PID闭环控制算法对被控对象进行闭环控制,通过对PID三个参数即:比例系数Kp、积分系数Ki和微分系数Kd的整定来获得满意的结果。PID参数的整定多数依赖于专家经验完成,并且,在系统参数扰动和外界干扰出现时,需要对PID参数进行再整定,由此耗费了大量资源。因此诞生出以智能控制策略为基础的PID参数自整定控制器,其中以神经网络PID控制为代表的智能控制策略初见成为热点。
现有技术中,以反向误差传播为基础的BP神经网络PID方法存在网络规模尚无统一而完整的理论指导、收敛速度慢、网络容易陷入极小值的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种基于改进小波神经网络的PID自整定方法、装置和设备,能够具有较强的泛化能力、逼近能力及快速收敛能力。
基于改进小波神经网络的PID自整定方法,包括:
获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
在一个实施例中,基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,包括:
采用生成标准正态分布随机数的方法,对所述改进小波神经网络进行随机初始化,得到初始化后改进小波神经网络;
对所述初始化后改进小波神经网络,进行追踪正弦信号的数值仿真,导出所述初始化后改进小波神经网络的损失函数;
当所述损失函数小于0.001时,调用网络权值输出函数输出所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值。
在一个实施例中,基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,还包括:
基于改进动量梯度下降法,采用粗粒度搜索方法确定超参数所处的初始范围;根据所述初始范围,采用细粒度搜索方法确定所述超参数的最优值,以所述最优值先后对所述隐含层与所述输出层间的初始权值以及所述输入层与所述隐含层间的初始权值进行更新。
在一个实施例中,根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:
根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,得到赋值后改进小波神经网络;
对赋值后改进小波神经网络对应的PID控制系统的目标输入及实时输出进行采样,并计算采样时刻的误差,得到所述改进小波神经网络的网络输入;
根据所述网络输入,得到所述输入层的输入;
采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出。
在一个实施例中,采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:
获取所述改进小波神经网络的隐含层节点数以及输出层节点数,并通过迁移学习得到所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数;
所述改进小波神经网络的输入层的输入即为输入层的输出;
采用小波神经网络算法,根据所述输入层的输出、所述隐含层节点数和所述第一加权系数,计算所述隐含层的输入;所述隐含层的输入经过隐含层激活函数激活后的输出,即为隐含层的输出;
根据所述隐含层的输出、所述输出层节点数和所述第二加权系数,计算所述输出层的输入;
所述输出层的输入经过输出层激活函数激活后的输出,即为输出层的输出。
在一个实施例中,当所述PID控制的输出不满足预设标准时,计当前迭代次数为1;
根据PID控制的输出训练所述改进小波神经网络,更新迭代次数为当前迭代次数加1,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数;
重新对所述改进小波神经网络进行采样,并根据调整后的第一加权系数和调整后的第二加权系数,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出,并计算PID控制的输出,直至PID控制的输出满足预设标准。
在一个实施例中,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数包括:
获取控制对象的性能指标函数,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,根据所述性能指标函数对所述第一加权系数和第二加权系数的负方向进行搜索调整,并采用链式法则,得到调整后的第一加权系数和调整后的第二加权系数。
在一个实施例中,根据所述输出层的输出,采用PID控制算法,计算PID控制的输出包括:
以所述输出层的输出为循环比例系数、循环积分系数和循环微分系数,计算PID控制的输出增量;
采用PID控制算法,根据所述PID控制的输出增量,计算PID控制的输出。
基于改进小波神经网络的PID自整定装置,包括:
建网模块,用于获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
计算模块,用于基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
输出模块,用于当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
上述基于改进小波神经网络的PID自整定方法、装置和设备,采用POLYWOG 3函数对小波神经网络的中间层进行激活,并采用sigmoid函数对小波神经网络的输出层进行激活,得到改进小波神经网络;采用基于迁移学习的网络权值初始化方法对基于POLYWOG3的改进小波神经网络进行初始化,根据初始化后的改进小波神经网络,计算输入层、隐含层和输出层的输出,并计算PID控制的输出;通过改进小波神经网络的自我迭代学习,对PID控制的比例系数Kp,积分系数Ki和微分系数Kd进行调整,自动逼近PID参数最优解,对PID参数进行在线自整定。本发明中闭环控制算法的精度在经过40epochs之后达到了双隐含层的普通神经网络需要迭代200次才能达到的效果,可弥补传统BP神经网络调节PID参数的不足,明显提高了获取最优PID参数的速度即收敛速度,节约了开发时间和控制时间,提高电机闭环控制系统的鲁棒性,节省人力物力财力,提高工作效率。
附图说明
图1为一个实施例中基于改进小波神经网络的PID自整定方法的流程图;
图2为一个实施例中电机闭环控制系统总体框架的示意图;
图3为一个实施例中改进小波神经网络的结构示意图;
图4为一个实施例中PID算法的流程示意图;
图5为基于改进网格搜索中超参数学习率最优值所处的范围示意图;
图6为基于改进网格搜索中超参数动量因子最优值所处的范围示意图;
图7为一个具体实施例中仿真结果的示意图;
图8为一个具体实施例中误差结果的示意图;
图9为一个具体实施例中PID控制器的曲线输出示意图;
图10为一个具体实施例中PID参数的曲线示意图;
图11为另一个具体实施例中仿真结果的示意图;
图12为另一个具体实施例中误差结果的示意图;
图13为另一个具体实施例中PID控制器的曲线输出示意图;
图14为另一个具体实施例中PID参数的曲线示意图;
图15为一个实施例中基于改进小波神经网络的PID自整定装置的结构框图;
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供的一种基于改进小波神经网络的PID自整定方法,可以应用在如图2所示的电机闭环总体控制结构中。电机闭环总体结构包括改进小波神经网络模块,增量式PID控制器模块以及控制对象模块(电机)。利用改进小波神经网络模块对比例系数、积分系数和微分系数进行设定,用于增量式PID算法中,PID参数的整定,增量式PID控制器用于输出Δu(t)即为系统的输出增量,u(t)为控制对象的实际输出。
在一个实施例中,一种基于改进小波神经网络的PID自整定方法包括以下步骤:
步骤102,获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;改进小波神经网络包括:输入层、隐含层以及输出层。
具体的,获取小波神经网络,基于POLYWOG3函数激活小波神经网络的中间层神经元,得到改进小波神经网络的隐含层;根据小波神经网络的输入层、小波神经网络的输出层以及隐含层,建立改进小波神经网络。
POLYWOG3函数指Poly nominals Wind Owed with Gaussians函数。
步骤104,基于迁移学习的网络权值初始化方法,对改进小波神经网络进行初始化,得到输入层与隐含层之间的初始权值以及隐含层与输出层之间的初始权值;根据改进小波神经网络、输入层与隐含层之间的初始权值以及隐含层与输出层之间的初始权值,依次计算输入层的输出、隐含层的输出以及输出层的输出;根据输出层的输出,采用PID控制算法,计算PID控制的输出。
具体的,采用生成标准正态分布随机数的方法,对所述改进小波神经网络进行随机初始化,即采用符合标准正态分布范围在[-1,1]之间的随机数训练所述改进小波神经网络,得到初始化后改进小波神经网络;对所述初始化后改进小波神经网络,进行追踪正弦信号的数值仿真,导出所述初始化后改进小波神经网络的损失函数;当所述损失函数小于0.001时,调用网络权值输出函数输出所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值。
需要说明,基于迁移学习的网络权值初始化方法是指对改进小波神经网络进行初始化,并得到初始权值的整个过程。
网络权值输出函数以及调用网络权值输出函数输出权值均属于现有技术,在此不再赘述。
基于改进动量梯度下降法,采用粗粒度搜索方法确定超参数所处的初始范围;根据所述初始范围,采用细粒度搜索方法确定所述超参数的最优值,以所述最优值先后对所述隐含层与所述输出层间的初始权值以及所述输入层与所述隐含层间的初始权值进行更新。
需要说明,改进动量梯度下降法指的是综合粗粒度搜索方法和细粒度搜索方法的改进网格搜索动量梯度下降法。
根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,得到赋值后改进小波神经网络;对赋值后改进小波神经网络对应的PID控制系统的目标输入及实时输出进行采样,并计算采样时刻的误差,得到所述改进小波神经网络的网络输入;根据所述网络输入(包括:目标输入、实时输出和采样时刻的误差),得到所述输入层的输入;获取所述改进小波神经网络的隐含层节点数以及输出层节点数,并通过迁移学习得到所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数;所述改进小波神经网络的输入层的输入即为输入层的输出;采用小波神经网络算法,根据所述输入层的输出、所述隐含层节点数和所述第一加权系数,计算所述隐含层的输入;所述隐含层的输入经过隐含层激活函数激活后的输出,即为隐含层的输出;根据所述隐含层的输出、所述输出层节点数和所述第二加权系数,计算所述输出层的输入;所述输出层的输入经过输出层激活函数激活后的输出,即为输出层的输出。
以所述输出层的输出为循环比例系数、循环积分系数和循环微分系数,计算PID控制的输出增量;采用PID控制算法,根据所述PID控制的输出增量,计算PID控制的输出。
PID控制算法可以采用位置式PID算法或者增量式PID算法。
优选地,采用增量式PID算法。增量式PID算法的计算仅与相邻三次采样时间的误差相关,降低了系统计算复杂度;增量式PID的输出量为控制量的增量,降低了对系统稳定性的影响;增量式PID算法用在电机闭环控制系统中,计算简单、鲁棒性更强。
步骤106,当PID控制的输出满足预设标准时,以输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
PID控制的输出满足预设标准是指:计算PID控制的输出与目标之间的误差,且判断误差满足预设标准,预设的标准可以是均方误差MSE<0.001。
在建立改进小波神经网络时,输出层节点数设置为3,则当PID控制的输出满足预设标准时,输出层的输出有三个值,依次对应PID控制器的比例系数、积分系数和微分系数。
当PID控制的输出不满足预设标准时,计当前迭代次数为1;根据PID控制的输出训练所述改进小波神经网络,更新迭代次数为当前迭代次数加1;获取控制对象的性能指标函数,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,对网络进行反向传播计算,即根据所述性能指标函数对所述第一加权系数和第二加权系数的负方向进行搜索调整,并采用链式法则,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数;重新对所述改进小波神经网络进行采样,并根据调整后的第一加权系数和调整后的第二加权系数,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出,并计算PID控制的输出,直至PID控制的输出满足预设标准。
也就是说,在本实施例中,在利用改进小波神经网络进行PID参数自整定时,先对改进小波神经网络进行符合标准正态分布的随机权值初始化,对网络(此处指改进小波神经网络)进行训练,导出评价指标(平均绝对误差)小于一定阈值(0.001)的权值矩阵,作为输入层与隐含层之间的初始权值以及隐含层与输出层之间的初始权值;然后根据初始权值,得到赋值后改进小波神经网络;对赋值后改进小波神经网络对应的PID控制系统进行采样,计算网络各层的输出以及PID控制的输出,判断PID控制的输出与目标之间的误差,并通过该误差对改进小波神经网络的各层(输入层、隐含层和输出层)进行权值更新,导出评价指标(平均绝对误差)小于一定阈值(0.001)的权值矩阵,作为新的权值,以训练改进小波神经网络;对训练后的改进小波神经网络对应的PID控制系统重新进行采样,并重新计算网络各层的输出以及PID控制的输出,重新判断PID控制的输出与目标之间的误差,直至该误差满足预设标准,则输出比例系数、积分系数和微分系数,对电机进行PID自整定;在训练过程中,采用改进网格搜索动量梯度下降法,对动量梯度下降法中的超参数组合(两个超参数)进行寻优,得到进行PID参数整定时的最优超参数,加速改进小波神经网络的训练过程。
在本实施例中,构造改进小波神经网络的小波基函数为POLYWOG3函数,改进小波神经网络中的小波变换采用具有相同形状、不同带宽和主频的滤波器对输入信号进行滤波,使其具有迅速衰减、更强的适应新数据以及避免较大的外推误差的能力,因此更适用于PID参数整定方法中。
此外,在改进小波神经网络应用于PID参数整定的过程中,对于网络权值的初始化,也就是初始权值的选择,没有采用现有技术中随机初始化的方法,而是采用迁移学习的方法,将网络在处理任务A时学习到的权值参数导出,作为处理任务B时的初始权值,且结合PID参数整定的需求,对迁移学习的方法进行改进,采用函数追踪的方法导出初始权值,避免了陷入局部最优并增加网络训练时间的风险,在一定程度上降低网络训练难度、跳出局部最优能够下降到全局最优并减少了网络训练时间。
另外,小波神经网络属于前馈神经网络,其网络权值的更新过程基于反向梯度传播算法,在反向梯度传播过程中,网络权值根据学习率调整权值下降步长,但对于学习率的调整,一般选定一个学习率,并在整个训练过程中保持不变,采用固定学习率的方法训练网络,很容易使网络训练过程中错过最优值,并出现振荡状态。本实施例在对权值进行更新的过程中,采用了改进网格搜索动量梯度下降法,采用添加动量项的方法,用梯度的移动平均来代替当前时刻的梯度,作为参数的更新方向,从而缓解梯度下降方法中的震荡问题。梯度的移动平均通过上一时刻的梯度增量乘以动量因子实现,动量梯度下降方法中的超参数为学习率和动量因子。且在动量梯度下降法的基础上,在网络训练过程中,对于学习率和动量因子两个超参数的值的确定,采用了改进网格搜索的方法,先进行粗粒度搜索再进行细粒度搜索,可以加速超参数选择的过程,既避免了人工搜索方式的复杂,又避免了传统网格搜索方法对于搜索范围较大的情况会消耗较多的计算资源和时间资源的问题,加速网络寻优过程,使改进小波神经网络具有快速收敛、泛化能力强和逼近能力强的特点。
上述基于改进小波神经网络的PID自整定方法、装置和设备,采用POLYWOG 3函数对小波神经网络的中间层进行激活,并采用sigmoid函数对小波神经网络的输出层进行激活,得到改进小波神经网络;采用基于迁移学习的网络权值初始化方法对基于POLYWOG3的改进小波神经网络进行初始化,根据初始化后的改进小波神经网络,采用动量梯度优化方法计算输入层、隐含层和输出层的输出,并计算PID控制的输出,其中动量梯度优化方法中的超参数,通过改进网格搜索寻找最优超参数组合;通过改进小波神经网络的自我迭代学习,对PID控制的比例系数Kp,积分系数Ki和微分系数Kd进行调整,自动逼近PID参数最优解,对PID参数进行在线自整定。本发明中闭环控制算法的精度在经过40epochs之后达到了双隐含层的普通神经网络需要迭代200次才能达到的效果,可弥补传统BP神经网络调节PID参数的不足,明显提高了获取最优PID参数的速度即收敛速度,节约了开发时间和控制时间,提高电机闭环控制系统的鲁棒性,节省人力物力财力,提高工作效率。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示的改进小波神经网络的结构,改进小波神经网络包括:输入层、隐含层以及输出层。
其中,隐含层的激活函数为POLYWOG3函数。
如图4所示,对PID控制系统的目标输入及实时输出进行采样,得到目标输入,控制系统的实际输出,并计算采样时刻的误差:
error(k)=rin(k)-yout(k)
式中,error(k)为采样时刻的误差,rin(k)为目标输入,yout(k)为系统的实际输出。
根据目标输入rin(k)、实际输出yout(k)和采样时刻的误差error(k),得到输入层的输入:
Xj=[rin(k),yout(k),e(k),1]
式中,Xj表示输入层的输入,rin(k)表示k时刻所设定的目标位置值,yout(k)表示该时刻采集回的电机控制系统实际返回值,e(k)表示k时刻目标值与实际值之差,常数1的作用是增强网络的稳定性;
获取改进小波神经网络的输入层节点数input_nodes为4、隐含层节点数hidden_nodes为5以及输出层节点数output_node为3;
采用标准正态分布的随机数将网络各层权值分别进行初始化为(即第一加权系数)和(即第二加权系数),其中j表示输入层节点,i表示隐藏层节点,l表示输出层节点,反向梯度传播过程中的优化方法选择动量梯度下降法,其公式可以表示为:
其中学习率和动量因子为超参数,取学习率η=0.20和动量因子α=0.05.
采样得到PID控制系统的输入值rin(k)和系统实时输出值yout(k),计算时刻误差error(k):
rin(k)=sin(2πt)
error(k)=rin(k)-yout(k)
采用改进网格搜索的方法,寻找超参数的最优组合。首先,进行粗粒度搜索得到:学习率η∈(0,0.4),动量因子α∈(0,0.2);其次,采用细粒度搜索的方式搜索学习率和动量因子的最优组合,学习率和动量因子的变化步长Ns均为0.01。
输出所述小波神经网络迭代1500次过程中,平均绝对误差MAE最小的超参数组合;
基于上述小波神经网络结构,及迁移学习所得的网络权值以及上述最优超参数组合,对改进小波神经网络开展PID参数整定的过程。
采用小波神经网络算法,根据输入层的输入、输入层节点数,可得输入层的输出:
根据输入层的输出、隐含层节点数和第一加权系数,计算所述隐含层的输入:
隐含层的输入经过隐含层激活函数激活后的输出,即为隐含层的输出:
以隐含层的输出为输出层的输入:
根据所述输出层节点数和所述第二加权系数,计算所述输出层的输入;所述输出层的输入经过输出层激活函数激活后的输出,即为输出层的输出:
以输出层的输出为循环比例系数、循环积分系数和循环微分系数,根据时刻误差error(k),计算PID控制的输出增量Δu(k);采用PID控制算法,根据PID控制的输出增量Δu(k)计算PID控制的输出:
式中,Δu(k)为PID控制的输出增量,u(k)为PID控制的输出。
当PID控制的输出满足预设标准时,以输出层的输出为PID控制器的比例系数Kp、积分系数Ki和微分系数Kd,对电机进行PID自整定。
当PID控制的输出不满足预设标准时,计当前迭代次数为k=1;根据PID控制的输出训练改进小波神经网络,更新迭代次数为当前迭代次数加1,获取控制对象的性能指标函数:
式中,E(k)为控制对象的性能指标函数,rin(k)为k时刻的目标输入值,yout(k)表示k时刻下的实际输出值。
式中,η为选定的学习速率learning_rate,α为动量因子。
综合上述公式可以得到以下关系式:
得到调整后的第二加权系数计算公式如下:
activation_function2'=activation_function2*(1-activation_function2)
其中,输出层激活函数sigmoid函数即activation_function2;activation_function2'表示sigmoid函数的一阶导数。
并得到调整后的第一加权系数计算公式如下:
其中,小波神经网络隐含层激活函数POLYWOG3函数即activation_function,activation_function'表示POLYWOG3的一阶导数。
重新对小波神经网络进行采样,并根据调整后的第一加权系数和调整后的第二加权系数,依次计算输入层的输出、隐含层的输出以及输出层的输出,并计算PID控制的输出,直至PID控制的输出满足预设标准。
如图5和图6所示,采用改进网格搜索,粗粒度搜索方式确定动量梯度下降方法中的学习率η和动量因子α,两个超参数最优值的大范围,其结果为η∈[0,0.4],α∈[0,1],从结果可分析,然后进行细粒度搜索的范围为η∈[0,0.35],α∈[0,0.2]。
如图7至图10所示,在一个具体的实施例中,假设输入目标值rin(k)=1.0,输入层神经元数(即输入层节点数)为4,隐含层神经元数(即隐含层节点数)为5,输出层神经元数(即输出层节点数)为3,加权系数的初始值采用基于迁移学习得到的权值,此时网络各层之间导出的权值为:
wi=[-0.7305-0.7305 0.0213-0.7104;
-0.2837 0.2520-0.7449-0.6741;
0.3626 1.1929-0.5405 0.6550;
0.4073-0.9621 1.2831 0.2714;
1.7764-0.3547 0.1100-0.4806]
wo=[0.8159 0.3199 0.6403-0.0833 0.0776;
-0.0563 0.3532 0.8935 0.2788-0.5236;
0.7784 0.5149 0.8255 0.5545-0.5367]
基于改进网格搜索所得的学习速率η=0.32,惯性系数α=0.13,设电机的随机函数为:
式中,u为PID控制器的输出。
仿真结果如图7所示,其中竖线表示为控制器实际输出yout,横线表示目标值rin,误差曲线如图8所示,PID控制器误差输出曲线如图9所示,PID控制器三个参数Kp、Ki、Kd的参数输出曲线如图10所示。
如图11至图14所示,在另一个具体的实施例中,假设输入目标值rin(k)=sin(2πt),输入层神经元数(即输入层节点数)为4,隐含层神经元数(即隐含层节点数)为5,输出层神经元数(即输出层节点数)为3,学习速率η=0.20,惯性系数α=0.05,加权系数的初始值采用基于迁移学习得到的权值,基于改进网格搜索所得的学习速率η=0.32,惯性系数α=0.13,设电机控制系统的仿真模型为:
式中,u为PID控制器的输出。
仿真结果如图11所示,其中控制器实际输出yout与目标值rin拟合较好,误差曲线如图12所示,PID控制器输出曲线如图13所示,PID控制器三个参数Kp、Ki、Kd的参数输出曲线如图14所示。
在一个实施例中,如图15所示,提供了一种基于改进小波神经网络的PID自整定装置,包括:建网模块1502、计算模块1504和输出模块1506,其中:
建网模块1502,用于获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
计算模块1504,用于基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
输出模块1506,用于当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
在一个实施例中,计算模块1504还用于基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,包括:采用生成标准正态分布随机数的方法,对所述改进小波神经网络进行随机初始化,得到初始化后改进小波神经网络;对所述初始化后改进小波神经网络,进行追踪正弦信号的数值仿真,导出所述初始化后改进小波神经网络的损失函数;当所述损失函数小于0.001时,调用网络权值输出函数输出所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值。
在一个实施例中,计算模块1504还用于基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,还包括:基于改进动量梯度下降法,采用粗粒度搜索方法确定超参数所处的初始范围;根据所述初始范围,采用细粒度搜索方法确定所述超参数的最优值,以所述最优值先后对所述隐含层与所述输出层间的初始权值以及所述输入层与所述隐含层间的初始权值进行更新。
在一个实施例中,计算模块1504还用于根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,得到赋值后改进小波神经网络;对赋值后改进小波神经网络对应的PID控制系统的目标输入及实时输出进行采样,并计算采样时刻的误差,得到所述改进小波神经网络的网络输入;根据所述网络输入,得到所述输入层的输入;采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出。
在一个实施例中,计算模块1504还用于采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:获取所述改进小波神经网络的隐含层节点数以及输出层节点数,并通过迁移学习得到所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数;所述改进小波神经网络的输入层的输入即为输入层的输出;采用小波神经网络算法,根据所述输入层的输出、所述隐含层节点数和所述第一加权系数,计算所述隐含层的输入;所述隐含层的输入经过隐含层激活函数激活后的输出,即为隐含层的输出;根据所述隐含层的输出、所述输出层节点数和所述第二加权系数,计算所述输出层的输入;所述输出层的输入经过输出层激活函数激活后的输出,即为输出层的输出。
在一个实施例中,输出模块1506还用于当所述PID控制的输出不满足预设标准时,计当前迭代次数为1;根据PID控制的输出训练所述改进小波神经网络,更新迭代次数为当前迭代次数加1,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数;重新对所述改进小波神经网络进行采样,并根据调整后的第一加权系数和调整后的第二加权系数,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出,并计算PID控制的输出,直至PID控制的输出满足预设标准。
在一个实施例中,输出模块1506还用于采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数包括:获取控制对象的性能指标函数,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,根据所述性能指标函数对所述第一加权系数和第二加权系数的负方向进行搜索调整,并采用链式法则,得到调整后的第一加权系数和调整后的第二加权系数。
在一个实施例中,计算模块1504还用于根据所述输出层的输出,采用PID控制算法,计算PID控制的输出包括:以所述输出层的输出为循环比例系数、循环积分系数和循环微分系数,计算PID控制的输出增量;采用PID控制算法,根据所述PID控制的输出增量,计算PID控制的输出。
关于基于改进小波神经网络的PID自整定装置的具体限定可以参见上文中对于基于改进小波神经网络的PID自整定方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于改进小波神经网络的PID自整定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。该计算机设备可以是仿真设备,输入装置将相关的信息输入给仿真设备,处理器执行存储器中的程序进行组合仿真,显示屏显示相关的仿真结果。
本领域技术人员可以理解,图16中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中方法的步骤。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于改进小波神经网络的PID自整定方法,其特征在于,包括:
获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
2.根据权利要求1所述的方法,其特征在于,基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,包括:
采用生成标准正态分布随机数的方法,对所述改进小波神经网络进行随机初始化,得到初始化后改进小波神经网络;
对所述初始化后改进小波神经网络,进行追踪正弦信号的数值仿真,导出所述初始化后改进小波神经网络的损失函数;
当所述损失函数小于0.001时,调用网络权值输出函数输出所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值。
3.根据权利要求2所述的方法,其特征在于,基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,还包括:
基于改进动量梯度下降法,采用粗粒度搜索方法确定超参数所处的初始范围;根据所述初始范围,采用细粒度搜索方法确定所述超参数的最优值,以所述最优值先后对所述隐含层与所述输出层间的初始权值以及所述输入层与所述隐含层间的初始权值进行更新。
4.根据权利要求1至3任一项所述的方法,其特征在于,根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:
根据所述改进小波神经网络、所述输入层与所述隐含层间的初始权值以及所述隐含层与所述输出层间的初始权值,得到赋值后改进小波神经网络;
对赋值后改进小波神经网络对应的PID控制系统的目标输入及实时输出进行采样,并计算采样时刻的误差,得到所述改进小波神经网络的网络输入;
根据所述网络输入,得到所述输入层的输入;
采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出。
5.根据权利要求4所述的方法,其特征在于,采用小波神经网络算法,根据所述输入层的输入和所述改进小波神经网络,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出包括:
获取所述改进小波神经网络的隐含层节点数以及输出层节点数,并通过迁移学习得到所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数;
所述改进小波神经网络的输入层的输入即为输入层的输出;
采用小波神经网络算法,根据所述输入层的输出、所述隐含层节点数和所述第一加权系数,计算所述隐含层的输入;所述隐含层的输入经过隐含层激活函数激活后的输出,即为隐含层的输出;
根据所述隐含层的输出、所述输出层节点数和所述第二加权系数,计算所述输出层的输入;
所述输出层的输入经过输出层激活函数激活后的输出,即为输出层的输出。
6.根据权利要求1至3任一项所述的方法,其特征在于,当所述PID控制的输出不满足预设标准时,计当前迭代次数为1;
根据PID控制的输出训练所述改进小波神经网络,更新迭代次数为当前迭代次数加1,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数;
重新对所述改进小波神经网络进行采样,并根据调整后的第一加权系数和调整后的第二加权系数,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出,并计算PID控制的输出,直至PID控制的输出满足预设标准。
7.根据权利要求6所述的方法,其特征在于,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,更新所述输入层和所述隐含层之间的第一加权系数以及所述隐含层和所述输出层之间的第二加权系数,得到调整后的第一加权系数和调整后的第二加权系数包括:
获取控制对象的性能指标函数,采用基于改进网格搜索的超参数寻优下的动量梯度下降法,根据所述性能指标函数对所述第一加权系数和第二加权系数的负方向进行搜索调整,并采用链式法则,得到调整后的第一加权系数和调整后的第二加权系数。
8.根据权利要求1至3任一项所述的方法,其特征在于,根据所述输出层的输出,采用PID控制算法,计算PID控制的输出包括:
以所述输出层的输出为循环比例系数、循环积分系数和循环微分系数,计算PID控制的输出增量;
采用PID控制算法,根据所述PID控制的输出增量,计算PID控制的输出。
9.基于改进小波神经网络的PID自整定装置,其特征在于,包括:
建网模块,用于获取小波神经网络并采用POLYWOG3函数激活,建立改进小波神经网络;所述改进小波神经网络包括:输入层、隐含层以及输出层;
计算模块,用于基于迁移学习的网络权值初始化方法,对所述改进小波神经网络进行初始化,得到所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值;根据所述改进小波神经网络、所述输入层与所述隐含层之间的初始权值以及所述隐含层与所述输出层之间的初始权值,依次计算所述输入层的输出、所述隐含层的输出以及所述输出层的输出;根据所述输出层的输出,采用PID控制算法,计算PID控制的输出;
输出模块,用于当所述PID控制的输出满足预设标准时,以所述输出层的输出为PID控制器的比例系数、积分系数和微分系数,对电机进行PID自整定。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617948.6A CN114995106A (zh) | 2022-06-01 | 2022-06-01 | 基于改进小波神经网络的pid自整定方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617948.6A CN114995106A (zh) | 2022-06-01 | 2022-06-01 | 基于改进小波神经网络的pid自整定方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114995106A true CN114995106A (zh) | 2022-09-02 |
Family
ID=83030764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210617948.6A Pending CN114995106A (zh) | 2022-06-01 | 2022-06-01 | 基于改进小波神经网络的pid自整定方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518785A (zh) * | 2024-01-04 | 2024-02-06 | 广东云舜综合能源科技有限公司 | 一种基于改进单神经元pid算法的小水电机组频率调节方法 |
-
2022
- 2022-06-01 CN CN202210617948.6A patent/CN114995106A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518785A (zh) * | 2024-01-04 | 2024-02-06 | 广东云舜综合能源科技有限公司 | 一种基于改进单神经元pid算法的小水电机组频率调节方法 |
CN117518785B (zh) * | 2024-01-04 | 2024-03-29 | 广东云舜综合能源科技有限公司 | 一种基于改进单神经元pid算法的小水电机组频率调节方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492814B (zh) | 一种城市交通流量预测方法、系统及电子设备 | |
Liang et al. | Deep reinforcement learning for traffic light control in vehicular networks | |
CN111262858B (zh) | 基于sa_soa_bp神经网络的网络安全态势预测方法 | |
Papageorgiou et al. | Active Hebbian learning algorithm to train fuzzy cognitive maps | |
CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
Tyukin et al. | Feasibility of random basis function approximators for modeling and control | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN111582445B (zh) | 一种基于脉冲神经网络的高效学习系统及学习方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
Tian et al. | Time-delay compensation method for networked control system based on time-delay prediction and implicit PIGPC | |
CN114839884B (zh) | 一种基于深度强化学习的水下航行器底层控制方法及系统 | |
CN111507530A (zh) | 基于分数阶动量梯度下降的rbf神经网络船舶交通流预测方法 | |
CN114995106A (zh) | 基于改进小波神经网络的pid自整定方法、装置和设备 | |
CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
Na et al. | A novel heuristic artificial neural network model for urban computing | |
CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
CN117035464A (zh) | 基于时序网络改进循环网络的企业用电碳排放预测方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
CN115453880A (zh) | 基于对抗神经网络的用于状态预测的生成模型的训练方法 | |
CN114911157A (zh) | 基于部分可观测强化学习的机器人导航控制方法及系统 | |
CN114021847A (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 |
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 |