PID神经网络

摘要： 橡胶挤出机是橡胶制品生产的关键设备,其挤出过程是一个多变量大时滞系统,其中温度和压力两个关键的工艺参数存在强耦合,单变量控制和传统的解耦方式无法保证挤出制品质量。文章从影响橡胶复合挤出机生产过程中的众多因素中选出最重要的两个因素,即温度和压力来进行研究。针对橡胶复合挤出机温度和压力的耦合现象,使用麻雀搜索算法(Sparrow Search Algorithm,SSA)对PID神经元网络的初始权值进行优化以及调整,以加快系统解耦后的响应速度和提高系统稳定性。利用MTATLAB软件分别使用PID神经元网络和SSA-PID神经元网络对挤出机温度压力进行解耦控制,并将二者结果对比。结果表明,SSA-PID神经元网络的解耦控制后的系统响应速度更快、稳态误差更小,系统的动态性能和稳态性能都有所提升。

摘要： 针对工业上电加热炉存在非线性、大惯性、时滞等缺陷,传统的控制方法难以精确实现温度恒定的需求,文中提出改进蚁群算法的初始信息素分配原则,并引入免疫算法中抗体浓度调节机制,再利用改进后的蚁群算法对PID神经网络的权值进行整定,形成一种新型PID神经网络控制器对电加热炉进行控制.仿真结果表明,与传统的PID神经网络控制器相比,改进蚁群算法优化的PID神经网络控制器控制电加热炉,温度调节时间短,超调量小,抗干扰能力强.

摘要： 加热炉温度控制系统具有非线性、时变性、滞后性等缺陷,导致系统控制过程中响应速度慢、抗干扰能力差,传统的控制方法无法对其进行精确控制.将免疫算法引入蚁群算法中,根据免疫算法中的亲和力原理,增加蚁群的多样性,并对蚁群的初始信息素规则进行改进.利用改进的蚁群算法来调节PID神经网络(PIDNN)的权值,提出一种新型PIDNN控制方法,并采用计算机仿真软件对其进行实验.仿真实验结果表明,与传统的PIDNN控制方法相比,当采用改进蚁群算法的PIDNN控制器对加热炉进行控制时,系统达到稳态所需时间缩短了约34％;当加入扰动后,系统恢复到稳态所需时间减少了约26％,振动幅度明显降低,加热炉控制系统的抗干扰能力增强.

摘要： 在大数据时代下各类信息传输速度快,人的思维活跃,传统管理机制已跟不上时代要求。为了提高大数据时代下高等教育管理长效管理能力,建立大数据时代下的高等教育管理长效管理机制。运用大数据技术,科学合理进行结构布局,充分吸收现有管理平台运行的经验,逐步完善软件环境建设,提高教育管理平台的运行效率,探索基于大数据的高等教育管理长效机制实现方法。采用理论分析方法,进行大数据时代高等教育管理长效机制的实现路径分析,并探究影响高等教育管理长效机制作用的因素,针对上述因素实时调整路径的应用规划,切实提高高等教育管理长效机制的作用效果。为了证明该机制实现路径的有效性,结合SPSS19. 0统计分析软件进行研究分析。分析结果表明,通过大数据管理,高等教育管理长效机制可提高高等教育管理平台的运行效率。

摘要： 热连轧机中的活套系统是多变量强耦合、非线性、多约束的复杂对象,其解耦控制问题一直是控制界关注的热点.采用PID神经元网络解耦控制方法来消除活套高度和轧件张力之间的耦合,PID神经元网络连接权值由粒子群算法进行学习优化.仿真结果表明所建模型和所提出控制方法的有效性.新的方法可在大范围内克服系统的非线性和强耦合问题,具有较强的鲁棒性.

摘要： 变风量空调系统是一个非线性、大滞后、多变量的系统,简单的PID控制对非线性系统控制效果较差,控制精度不高.针对变风量空调系统控制过程中,送风量-房间温度、送风温度-房间湿度两控制回路间存在耦合的现象.采用神经网络算法进行解耦控制,以消除耦合.首先,应用最小二乘法建立被控对象控制回路的数学模型,其次,采用PID神经网络解耦控制算法和交叉解耦控制算法对存在耦合的回路进行解耦控制.最后,进行仿真分析,并加载到空调系统中进行验证.

摘要： 所谓非线性系统辨识,是指建立一个对象大范围的、全局的非线性模型,这一模型主要用于描述研究对象输入/输出关系,还可用于时间序列预测、故障诊断等方面.本文先分析了PID神经网络系统辨识方面的问题,再阐述了系统控制等相关问题,旨在通过对非线性系统的深入研究更好地提高PID控制性能,达到最佳的非线性系统控制效果.

摘要： 为了解决油田计量间回油温度控制中多热水管路流量耦合、 控制响应高时滞的问题,引入了一种PID神经网络控制方法,该方法基于无线传感器网络(WSN)技术实现,所设计的PID神经网络控制算法能够在低成本微控制单元(MCU)上实时运行.该PID神经网络由3个并联的子网络组成,每个子网络隐含层中包含3个神经元,用以模拟PID控制中的比例、 积分、 微分作用.仿真分析结果标明,在3路回油热水管路强耦合情况下,针对3路不同给定控制量,均能起到较好控制效果.

摘要： 介绍了基本PID神经网络,提出引入一组PID参数使神经网络的比例元、积分元和微分元更好地模拟比例、积分和微分处理功能,引入附加动量项以提高神经网络学习效率并避免陷入局部最优,同时结合改进粒子群算法优化初始权值.以三输入三输出非线性强耦合对象为例进行仿真,结果显示,本文方法应用于多变量系统解耦控制,系统具有更好的动态和静态性能,取得了比基本PID神经网络更好的控制效果.

摘要： 介绍了基本PID神经网络,提出引入一组PID参数使神经网络的比例元、积分元和微分元更好地模拟比例、积分和微分处理功能,引入附加动量项以提高神经网络学习效率并避免陷入局部最优,同时结合改进粒子群算法优化初始权值.以三输入三输出非线性强耦合对象为例进行仿真,结果显示,本文方法应用于多变量系统解耦控制,系统具有更好的动态和静态性能,取得了比基本PID神经网络更好的控制效果.

摘要： 介绍了基本PID神经网络,提出引入一组PID参数使神经网络的比例元、积分元和微分元更好地模拟比例、积分和微分处理功能,引入附加动量项以提高神经网络学习效率并避免陷入局部最优,同时结合改进粒子群算法优化初始权值.以三输入三输出非线性强耦合对象为例进行仿真,结果显示,本文方法应用于多变量系统解耦控制,系统具有更好的动态和静态性能,取得了比基本PID神经网络更好的控制效果.

摘要： 介绍了基本PID神经网络,提出引入一组PID参数使神经网络的比例元、积分元和微分元更好地模拟比例、积分和微分处理功能,引入附加动量项以提高神经网络学习效率并避免陷入局部最优,同时结合改进粒子群算法优化初始权值.以三输入三输出非线性强耦合对象为例进行仿真,结果显示,本文方法应用于多变量系统解耦控制,系统具有更好的动态和静态性能,取得了比基本PID神经网络更好的控制效果.

摘要： 针对海洋环境复杂多变、不确定因素影响以及无人水下航行器自身动力学特性带来许多非线性多变量问题，常规的控制方法很难控制其按照预定的轨迹航行。本文通过无人水下航行器动力学分析和运动建模，将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题，采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明，该控制方法不仅减少了计算时间提高了响应速度，而且具有超调量小、稳态精度高等控制品质，对无人水下航行器的实际应用具有一定意义。

摘要： 针对海洋环境复杂多变、不确定因素影响以及无人水下航行器自身动力学特性带来许多非线性多变量问题，常规的控制方法很难控制其按照预定的轨迹航行。本文通过无人水下航行器动力学分析和运动建模，将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题，采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明，该控制方法不仅减少了计算时间提高了响应速度，而且具有超调量小、稳态精度高等控制品质，对无人水下航行器的实际应用具有一定意义。

摘要： 针对海洋环境复杂多变、不确定因素影响以及无人水下航行器自身动力学特性带来许多非线性多变量问题，常规的控制方法很难控制其按照预定的轨迹航行。本文通过无人水下航行器动力学分析和运动建模，将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题，采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明，该控制方法不仅减少了计算时间提高了响应速度，而且具有超调量小、稳态精度高等控制品质，对无人水下航行器的实际应用具有一定意义。

摘要： 针对海洋环境复杂多变、不确定因素影响以及无人水下航行器自身动力学特性带来许多非线性多变量问题，常规的控制方法很难控制其按照预定的轨迹航行。本文通过无人水下航行器动力学分析和运动建模，将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题，采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明，该控制方法不仅减少了计算时间提高了响应速度，而且具有超调量小、稳态精度高等控制品质，对无人水下航行器的实际应用具有一定意义。

摘要： 本文建立了UPFC的数学模型，将PID神经网络控制方法应用于UPFC的潮流控制，提出了PID神经网络控制器的设计方案，仿真结果表明，UPFC采用PID神经网络控制方法以后，响应时间更快，对有功功率和无功功率的变化具有很好的追踪能力，鲁棒性良好。

摘要： 本文建立了UPFC的数学模型，将PID神经网络控制方法应用于UPFC的潮流控制，提出了PID神经网络控制器的设计方案，仿真结果表明，UPFC采用PID神经网络控制方法以后，响应时间更快，对有功功率和无功功率的变化具有很好的追踪能力，鲁棒性良好。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明公开了一种改进型多神经元神经网络PID算法的无人车伺服控制系统，包括：无人车、位置控制单元、速度控制单元和多神经元PID控制器，多神经元PID控制器连接在速度控制单元和位置控制单元之家，多神经元PID控制器包括控制器本体和多神经元PID控制算法，多神经元PID控制算法由输入层、隐含层和输出层组成，其中输入层为无人侦察车伺服控制系统的速度、电压、电流设定值。本发明通过根据目标值与预期值的关系，实时调整学习速率，加快震荡的收敛，提高了神经网络的学习速度；多神经元PID算法自我在线学习并自主调节网络权值，在线对参数调节，无需人工干预，响应快速快、稳定性好，提高了无人侦察车效能。

摘要： 本发明涉及一种神经网络模型与二次型单神经元PID并行控制方法，CMAC神经网络模型输入为设定值rin，输出为un；二次型单神经元PID的输入为误差e，即控制输入rin与输出测量值yout的差，二次型单神经元PID的输出为up；控制器总输出为u＝up+un，利用CMAC神经网络具有学习算法简单、收敛速度快、局域泛化等优点，同时把二次型性能指标的思想，神经元非线性映像和权值的自适应修正功能引入到PID控制器，由CMAC控制器实现前馈控制，二次型单神经元PID控制实现反馈控制，针对系统中的非线性、不确定性和复杂性，提高系统控制的稳定性，也提高了系统的抗干扰能力。

摘要： 本发明提高数据并行型分散学习的吞吐量。神经网络系统具有存储器和访问存储器的多个处理器，多个处理器中的每一个处理器在多次学习中的每一次学习中，基于训练数据的输入和神经网络内的参数执行神经网络的运算来计算神经网络的输出，计算计算出的输出与训练数据的教师数据的差分相对于参数的梯度或者基于梯度的更新量，(1)在梯度或者更新量的累积不小于阈值的第一情况下，执行多个处理器将分别计算出的多个梯度或者更新量的累积发送到多个处理器内的其它的处理器来汇集多个梯度或者更新量的累积，接收汇集后的梯度或者更新量的累积，用汇集后的梯度或者更新量的累积更新参数的第一更新处理，(2)在梯度或者更新量的累积小于阈值的第二情况下，执行多个处理器不进行基于发送的多个梯度或者更新量的累积的汇集，用多个处理器分别计算出的梯度或者更新量更新各自的参数的第二更新处理。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 根据本发明的分布式处理用人工神经网络运算加速装置可以具有：外部主存储器，存储针对输入神经元的输入数据和突触权重；内部缓冲存储器，存储构成所述人工神经网络运算的各个循环所需的突触权重和输入数据；DMA模块，用于与所述外部主存储器及内部缓冲存储器直接发送和接收数据；神经网络运算装置，针对构成人工神经网络运算的各个循环重复地处理以下一系列顺序过程：读取存储在所述内部缓冲存储器的突触权重和输入数据、执行人工神经网络运算、将运算结果存储在所述外部主存储器；CPU，用于控制在所述外部主存储器和内部缓冲存储器存储针对输入神经元的输入数据和突触权重的操作和所述神经网络运算装置的运行；及通用通信中介块，可以与无关集成电路的类型地以物理方式连接的其他加速装置发送和接收针对所述输入神经元的输入数据和突触权重以及在所述神经网络运算装置执行的运算结果。

摘要： 一种卷积神经网络(CNN)处理装置(1)，设置有：输入缓冲器(10)，用于存储要对CNN应用的输入信号A；权重缓冲器(11)，用于存储权重U；卷积运算单元(12)，执行包括输入信号A与权重U之间的乘积‑求和运算的卷积运算；存储单元16，存储表(160)，在该表中，转换‑量化处理的输入与输出彼此相关联，其中，转换‑量化处理接受卷积运算的运算结果作为所述输入，基于预定条件来转换输入值，通过降低转换后的数据的比特精度来进行量化，并且输出结果；以及处理单元(14)，参考表(160)以获取转换‑量化处理的与卷积运算的运算结果相对应的输出。

摘要： 本发明提供一种能够通过减少存储器数量而将其配置在芯片上的神经网络电路装置、神经网络处理方法和神经网络的执行程序。三状态神经网络电路(200)具有非零卷积运算电路(21)、求和电路(22)和激活函数电路(23)，其中，所述非零卷积运算电路(21)在中间层中接收用于进行卷积的输入值Xi和权重Wi来进行卷积运算；所述求和电路(22)求取通过卷积运算得到的各运算值和偏置W0的总和；所述激活函数电路(23)用激活函数f(u)对求取总和得到的信号Y进行转换。非零卷积运算电路(21)跳过权重Wi为零的权重，来根据非零权重和与该非零权重对应的输入值Xi进行卷积运算。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。