资料下载
×
基于DRNN在线辨识的真空炉温度控制
消耗积分:2 |
格式:rar |
大小:152 |
2009-09-01
分享资料个
提出一种基于DRNN在线辨识的单神经元PID控制方案，由DRNN对系统进行在线辨识，
建立其在线参考模型并为单神经元控制器提供梯度信息，从而实现控制器参数的在线调整。仿真结果表明，对象参数非线性时变时，该控制方法温度控制精度高，动态特性好，收到了良好的效果。
关键词：DRNN 单神经元PID控制 在线辨识 仿真
基于神经网络模型的控制方法显示出较好的自适应性, 在非线性系统的辩识和控制中
都得到了广泛的应用。目前应用较多的神经网络是基于BP算法的多层前馈神经网络,这种网络反映的是系统静态的输入输出映射关系[1,2]。文献[4]提出了一种基于对角回归神经网络(diagonal recurrent neural network, DRNN)的控制系统。与静态网络相比，回归网络更适合于处理时变的输入、输出过程[4]。单神经元自适应控制器是传统PID控制器的改进形式，具有自学习、自适应的能力，结构简单并且能适应环境变化，有较强的鲁棒性，能克服常规控制器在控制非线性系统时随动性差的缺点[3]。因此，将DRNN与单神经元自适应智能PID控制器相结合，设计的控制系统将具有更强的适应能力和更强的鲁棒性，用于真空炉的温度的控制有着实际的研究意义。
建立其在线参考模型并为单神经元控制器提供梯度信息，从而实现控制器参数的在线调整。仿真结果表明，对象参数非线性时变时，该控制方法温度控制精度高，动态特性好，收到了良好的效果。
关键词：DRNN 单神经元PID控制 在线辨识 仿真
基于神经网络模型的控制方法显示出较好的自适应性, 在非线性系统的辩识和控制中
都得到了广泛的应用。目前应用较多的神经网络是基于BP算法的多层前馈神经网络,这种网络反映的是系统静态的输入输出映射关系[1,2]。文献[4]提出了一种基于对角回归神经网络(diagonal recurrent neural network, DRNN)的控制系统。与静态网络相比，回归网络更适合于处理时变的输入、输出过程[4]。单神经元自适应控制器是传统PID控制器的改进形式，具有自学习、自适应的能力，结构简单并且能适应环境变化，有较强的鲁棒性，能克服常规控制器在控制非线性系统时随动性差的缺点[3]。因此，将DRNN与单神经元自适应智能PID控制器相结合，设计的控制系统将具有更强的适应能力和更强的鲁棒性，用于真空炉的温度的控制有着实际的研究意义。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
