随着智能化控制算法的不断涌现，船舶自动舵控制系统已经由传统的PID控制算法逐渐向人工智能控制领域不断发展。特别是随着人工神经网络(Neural Networks，NN)技术的不断突破，为船舶自动控制方法提供了坚实的理论基础。 来自大连海事大学的Xingxing Hu等人在基于PID的自动舵控制算法中加入BP神经网络，在一定程度上实现了智能化参数调整，提高了自动舵的环境适应性
摘 要：采用BP神经网络在线调整PID的三个参数，采用GRNN神经网络作为辨识器在线辨识控制输出对控制输入对象变化的灵敏度信息，提高系统的控制精度，进而编制MATLAB程序进行仿真。该算法经仿真测试，结果表明其控制效果良好，鲁棒性强。关键词：BP神经网络 GRNN神经网络 PID1 引言在工业控制中，传统的PID控制至今仍处于主导地位，尤其适用于
转载
2024-04-24 16:02:30
234阅读
一、前言
想通过此文章够快速理解模糊PID的前提条件是：
已经了解PID控制算法，并且利用该算法控制过一些玩意。
这篇文章是我参考了四篇学位论文之后写下的，如果有错误，恳请各位大佬批评指正，后面我也会提到这几篇论文关于模糊PID的不足（不全面）的地方。
二、传统PID的缺点以及为什么我们要使用模糊PID
使用过PID的同学都知道，PI
转载
2024-04-08 00:01:30
468阅读
神经网络自适应PID控制及其应用总结来自重庆大学宋永瑞教授2022暑期校园行学术会议1. 研究背景 目前人工智能的发展为很多领域里的研究提供了可延展性，提供了新的研究问题的思路，无人系统和人工智能正走向深度融合，无人系统里具有核心驱动作用的智能控制算法的研究成为了热点问题。 人工智能的理论深度依赖人工神经网络，而人工神经网络又是人工智能的核心支撑，先进的控制系统实现了可靠的无人系统的底层支撑，当
转载
2023-08-13 15:05:17
645阅读
RBF神经网络通常只有三层，即输入层、中间层和输出层。其中中间层主要计算输入x和样本矢量c（记忆样本）之间的欧式距离的Radial Basis Function (RBF)的值，输出层对其做一个线性的组合。径向基函数：RBF神经网络的训练可以分为两个阶段：第一阶段为无监督学习，从样本数据中选择记忆样本/中心点；可以使用聚类算法，也可以选择随机给定的方式。 第二阶段为监督学习，主要计算样本
转载
2023-06-25 09:46:36
295阅读
RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个
转载
2023-09-05 09:19:52
307阅读
RBF神经网络与BP神经网络优缺点比较 (2016-05-31 21:37:04)
标签： 神经网络
RBF神经网络与BP神经网络优缺点比较
1. RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP 网络的结构要比RBF 网络简单。？？
2
转载
2023-10-30 22:27:40
107阅读
0.前言在学习高斯模糊前我们需要了解几个概念，这样才能帮助我们理解高斯模式是如何实现的。卷积卷积核1.卷积在介绍高斯模糊之前，我们需要了解一个概念叫做“卷积”。它是用来实现高斯模糊的核心算法。卷积大概是做什么事情的呢？用大白话来说就是按比例合成自己和周围像素的颜色值。计算过程大致如下 由于卷积这个概念比较难解释（深度学习中也会用到卷积神经网络），暂且就不解释了，只要了解他
转载
2023-11-24 02:58:43
365阅读
目录1. RBF神经网络基本概2. RBF神经网络结构模型3.RBF神经网络的学习算法4. 相关模型应用1. RBF神经网络基本概径向基函数（ Radical Basis Function, RBF）是多维空间插值的传统技术，由Powell 于1985 年提出。1988 年， Broomhead 和Lowe 根据生物神经元具有局部响应这一特点，将RBF 引人神经网络设计中，产生了RBF 神经网络。
转载
2023-08-02 00:26:22
131阅读
最近看到杨艺的那篇《基于S函数的BP神经网络PID控制器及simulink仿真》，也想是否能够实现Simulink仿真，早已经做过类似的工作了，并且总结出许多经验和错误，但鉴于在论坛中许多错误没有一个完整的回答，信息都是零零散散，于是我打算把我做的一整套流程记录下来，以免日后忘记，同时也希望可以帮助到一些人。链接1里面是我最早看到的资料，前辈1在MATLA
转载
2023-10-24 13:06:13
292阅读
RBF网络模拟了人脑中局部调整、相互覆盖接收域（或称感受野，ReceptiveField）的神经网络结构，已证明RBF网络能以任意精度逼近任意连续函数。RBF网络的学习过程与BP网络的学习过程类似，两者的主要区别在于各使用不同的激活函数。BP网络中隐含层使用的是S函数，其值在输入空间中无限大的范围内为非零值，因而是一种全局逼近的神经网络；而RBF网络中的激活函数是高斯基函数，其值在输入空间中有限的
转载
2023-07-03 13:30:47
435阅读
概述径向基函数神经网络的基本原理，就是将样本对中输入变量和输出变量间的关系解析成多个径向基函数的总和。以二维输入样本X，一维输出样本Y为例，中心点为三个:
输入层
距离计算
基函数值计算
输出层计算
转载
2024-02-19 19:39:29
153阅读
在工业生产过程中，PID（比例、积分、微分）控制策略应用最为广泛，90%以上的过程控制系统以PID控制为核心算法。PID控制的优点是：结构简单、调整方便、鲁棒性强。
不过，PID控制回路的性能通常会随着运行时间的推移而退化，据统计，生产装置中约60%的PID控制回路存在着不同程度的性能缺陷。若不及时、有效地维护，控制性能下降不仅会影响装置运行的平稳性、产品质量、产品收率和物耗、能耗等，
转载
2023-10-15 22:47:32
211阅读
目录1.算法描述2.仿真效果预览3.MATLAB核心程序4.完整MATLAB1.算法描述 PID控制器，即控制器的控制方式为P比例调整，I积分调整以及D微分调整三个部分构成，PID控制器是目前为止应用最为广泛的控制方式。PID控制器具有结构简单，性能稳定，参数设置简单等优势。PID控制器适用于各种控制对象无法进行测量获得系统参数的情况，其根据控制
转载
2023-11-11 09:47:17
253阅读
BP-PID神经网络控制器 目录BP-PID神经网络控制器1. 增量式PID2. BP-PID推导3.用于稳定模型的BP-PID仿真4.总结 1. 增量式PIDPID控制器是目前在实际控制系统中使用最多的控制方法，增量式PID通过位置式PID相减得到，不用做累加计算，更加适合于计算机运算。增量式PID表达式为：2. BP-PID推导BP神经网络是比较简单的前馈神经网络，包括正向计算输出结果和反向球
转载
2023-06-06 14:57:50
545阅读
学习→创造→分享一直是数行科技坚持的原则，今天小数就来为大家分享一下RBF神经网络及其在财务报表舞弊识别中的应用。—————————————————— 什么是RBF神经网络？ RBF神经网络即径向基函数神经网络(Radical Basis Function)。径向基函数神经网络是一种高效的前馈式神经网络
转载
2023-07-06 17:01:19
102阅读
前言最近发现有挺多人喜欢径向基函数(Radial Basis Function,RBF)神经网络，其实它就是将RBF作为神经网络层间的一种连接方式而已。这里做一个简单的描述和找了个代码解读。 之前也写过一篇，不过排版不好看，可以戳这里跳转国际惯例，参考博客：维基百科径向基函数《模式识别与智能计算——matlab技术实现第三版》第6.3章节《matlab神经网络43个案例分析》第7章节tensorf
转载
2023-09-25 09:44:27
670阅读
function [sys,x0,str,ts,simStateCompliance] = Hebb_z(t,x,u,flag,n
原创
2022-10-10 15:54:18
516阅读
前言：好久不见了，最近一直瞎忙活，博客好久都没有更新了，表示道歉。希望大家在新的一年中工作顺利，学业进步，共勉！今天我们介绍深度神经网络的缺点：无论模型有多深，无论是卷积还是RNN，都有的问题：以图像为例，我们人为的加一些东西，然后会急剧的降低网络的分类正确率。比如下图：在生成对抗样本之后，分类器把alps 以高置信度把它识别成了狗，下面的一幅图，是把puffer 加上一些我们人类可能自己忽视的东
转载
2024-02-05 02:31:19
65阅读
%% 清空环境变量clcclearclose all%% 粒子初始化%粒子群算法中的两个参数c1=1.49445;c2=1.49445;%最大最小权值wmax=
原创
2022-10-10 15:40:39
340阅读
