《计算机应用研究》|Application Research of Computers

基于最小资源分配网络的自适应PID控制

Adaptive neuron PID control based on minimum resource allocation network

免费全文下载 (已被下载 次)  
获取PDF全文
作者 李草苍,张翠芳
机构 西南交通大学 信息科学与技术学院,成都 610031
统计 摘要被查看 次,已被下载
文章编号 1001-3695(2015)01-0167-03
DOI 10.3969/j.issn.1001-3695.2015.01.037
摘要 针对常规径向基函数神经网络(radial basis function neural network,RBFNN)的逼近性能对网络结构和初始参数依赖性强的问题,采用最小资源分配网络进行改进,并与单神经元PID控制相结合,提出了一种基于最小资源分配网络的自适应PID控制方法。该方法利用最小资源分配网络动态构建RBFNN,实现RBFNN结构和参数的在线优化,并用该RBFNN辨识对象的离散模型,然后由单神经元PID控制器完成PID参数的自适应整定。仿真结果表明,该方法中PID参数能够很好地适应系统输入信号的变化,对非线性系统控制效果较为理想。
关键词 径向基函数神经网络;最小资源分配网络;单神经元;比例—微分—积分控制;非线性系统
基金项目
本文URL http://www.arocmag.com/article/01-2015-01-037.html
英文标题 Adaptive neuron PID control based on minimum resource allocation network
作者英文名 LI Cao-cang, ZHANG Cui-fang
机构英文名 School of Information Science & Technology, Southwest Jiaotong University, Chengdu 610031, China
英文摘要 To solve the problem that the approximation performance of conventional RBFNN had a strong dependence on network structure and initial parameters, this paper used minimal resource allocation network to dynamically construct RBFNN, and combined the RBFNN with single neuron PID control, proposed an adaptive neuron PID control method based on minimum resource allocation network. Firstly, the method used the minimum resource allocation network to optimize the structure and parameters of RBFNN on line, and identified the discrete model of the controlled object by the RBFNN. Then it used single neuron PID controller to tune the controller parameters. The simulation result indicates that the parameters of PID controller in this method can adapt well with the changes of the system input signal, and has a more ideal control effect on nonlinear system.
英文关键词 RBFNN; minimal resource allocating network; single neuron; PID control; nonlinear system
参考文献 查看稿件参考文献
  [1] 刘金琨. 先进PID控制及其Matlab仿真[M] . 北京:电子工业出版社, 2004:132-134.
[2] 胡晓青, 程启明, 白园飞, 等. 基于RBF神经网络整定PID控制的UPQC并联侧研究[J] . 华东电力, 2013, 41(3):629-635.
[3] 黎明, 黄勇. 16KM空间光通信的跟中实验研究[J] . 仪器仪表学报, 2011, 32(1):230-234.
[4] 曾琳, 张文涛. 基于RBF神经网络的智能PID控制算法[J] . 计算机与数字工程, 2011, 39(1):17-20.
[5] 莫太平, 王丹, 王蒙. 基于RBF网络PID的远程实时温度监控系统[J] . 计算机测量与控制, 2013, 21(6):1508-1510.
[6] 陈益飞. RBF神经网络的PID控制研究与仿真[J] . 计算机仿真, 2011, 28(4):212-215.
[7] 田一鸣, 黄友锐, 高志安, 等. 基于GA与CSA-RBF神经网络辨识的自适应PID控制器[J] . 系统仿真学报, 2008, 20(17):4618-4621.
[8] 刘寅虎, 李绍铭. 基于动态RBF神经网络在线辨识的单神经元PID控制[J] . 系统仿真学报, 2006, 18(增刊2):804-807.
[9] 解启荣, 姚荣斌, 李生权, 等. 基于动态神经网络的自整定PID控制策略[J] . 微计算机信息, 2010, 26(1):67-69.
[10] 张绍德, 李坤, 张世峰. 基于RBF网络逆控制的一种设计方案[J] . 系统仿真学报, 2006, 18(9):2688-2790.
[11] 乔俊飞, 韩红桂. 神经网络结构动态优化设计的分析与展望[J] . 控制理论与应用, 2010, 27(3):350-357.
[12] 许昌, 吕剑虹, 程明, 等. 一种改进RBF网络与PID相协调的自适应控制[J] . 哈尔滨工程大学学报, 2007, 28(6):660-664.
[13] YIN Jian-chuan, ZHANG Wen-jun, LI Tie-shan, et al. Modified minimal resource allocating network for ship motion predictive control[C] //Proc of International Conference on Intelligent Control and Information Processing. 2010:231-235.
[14] YINGWEI L, SUNDARAJAN N, SARATCHANDRAN P. A sequential learning scheme for function approximation using minimal radial basis function neural networks[J] . Nueral Computaion, 1997, 9(2):461-478.
[15] 焦俊, 陈无畏, 王继先, 等. 基于RBF在线辨识的AGV转向单神经元PID控制[J] . 仪器仪表学报, 2008, 29(7):1431-1435.
收稿日期 2013/10/31
修回日期 2014/1/3
页码 167-169,178
中图分类号 TP273
文献标志码 A