由图3可知,在MPSO-BP-PID控制器工作过程中,第一步是由MPSO算法优化BP神经网络。在此过程中MPSO算法结合PID控制对象的控制误差error(k)对神经网络的隐含层权值wij及输出层权值woj进行优化更新,从而为BP神经网络提供优化过的权值,得到PID最优化的控制参数kp,ki,kd;第二步,在控制参数的作用下,由PID控制器输出最优...
但是传统比例-积分-微分(Proportion Integral Derivative,PID)控制器存在参数整定困难,不能在线实时调整以及面对复杂非线性系统时应用效果不佳等问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化的反向传播(Back Propagation,BP)神经网络PID控制方法。将BP神经网络与PID控制器相结合,利用BP神经网络的自适...
但是传统比例-积分-微分(Proportion Integral Derivative,PID)控制器存在参数整定困难,不能在线实时调整以及面对复杂非线性系统时应用效果不佳等问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化的反向传播(Back Propagation,BP)神经网络PID控制方法。将BP神经网络与PID控制器相结合,利用BP神经网络的自适...
将BP神经网络与PID控制器相结合,利用BP神经网络的自适应学习能力在线实时调整PID控制参数,提升系统稳定性,针对BP-PID自学习过程中容易陷入局部极小值问题,利用改进的PSO算法对其进行优化,确保BP-PID系统收敛于全局最优解。基于仿真数据开展实验,结果表明,所提方法能够有效提升系统的控制精度和控制稳定度。
本设计正是利用BP神经网络PID控制器对一个单闭环调速系统进行仿真研究,并和常规的PID控制进行对比,从而得出BP神经网络PID控制器具有较强的自整定、自适应的优点。
以单点混合磁悬浮球作为研究对象，在完善单点混合悬浮球数学模型的基础上，研究基于粒子群优化(PSO)的BP-PID 控制算法。以传统单点电磁悬浮球模型为参考，对混合悬浮球系统进行理论模型分析，并简化得出其动力学被控对象。依据该系统的非线性和时滞性特征，设计基于粒子群优化算法的BP-PID 控制策略。在仿真环境下，与...
基于PSO-BP优化PID模型的水肥控制系统研究 宋卓研，徐晓辉，宋涛，崔迎港，司玉龙 (河北工业大学电子信息工程学院，天津市，300401)摘要：针对传统灌溉施肥方式无法切实满足作物生长需求和水肥资源浪费严重的问题,设计一种基于PSO和BP神经网络优化PID模型的水肥控制系统(系统通过结合作物种植环境水肥浓度信息，利用PSO和BP...
提出了一种基于粒子群优化(PSO)算法,BP神经网络及比例积分微分(PID)控制的复合算法的注塑机料筒温度预测模型,即PSO-BP-PID神经网络模型,并进行了仿真研究.结果表明:使用PSO算法确定该模型的输出权重,并且对混合核函数参数进行优化升级;在模型训练过程中,使用更大的容许度处理正误差,保证预测误差始终处于正值,使预测...
智能优化算法(七):粒子群算法(PSO)自适应优化PID控制器参数Simulink仿真 1、粒子群算法是一种基于群智能的全局寻优方法, 方法简单易于实现, 寻优效果好,它可以根据系统参数的变化实现在线的 PID 参数优化。 (1)初始化一个粒子群,即随机产生各粒子的初始位置和速度; (2) 根据目标函数评价每个粒子的适应度; (3)...
经过改进的PSO-BP神经网络对PID参数进行优化的主要步骤为:将BP神经网络的初始权值用改进后的粒子群算法优化,即从最优粒子向量中恢复出神经网络的权值参数矩阵,在此基础上通过BP神经网络在线继续优化调整权值,直到权值最优或满足设置的隐藏的最大时间,完成对PID控制器的3个参数的调节。 图3是改进后的PSO-BP神经网络P...