精华内容
下载资源
问答
  • MatlabRBF神经网络PID控制相结合的自适应控制-主要是介绍RBF神经网络PID控制相结合的自适应控制.rar 主要是介绍RBF神经网络PID控制相结合的自适应控制
  • 基于模糊RBF神经网络PID控制方法及应用.pdf
  • 本文针对大功率船舶柴油发电机组具有的不确定性、时变性、非线性和大纯滞后...通过与常规PID控制、RBF神经网络PID控制和模糊PID控制三种方法下的仿真效果进行比较,验证了本文提出的方法具有更好的稳定性和抗干扰能力。
  • RBF神经网络PID控制

    2018-07-05 11:05:10
    通过MATLAB的M文件来实现基于RBF神经网络PID控制,包括作图
  • 针对常规PID控制器和模糊PID控制器存在控制精度差、不能自适应、模糊规则难以确定等问题,本文提出一种基于RBF模糊神经网络的PID自整定控制算法,RBF模糊神经网络参数先采用遗传算法粗调,达到预定精度后,继续使用...
  • 这是非常实用的基于RBF神经网络PID控制仿真代码,可以通过参数自适应整定来实现功能,请大家参考!
  • 风机系统大多都是大滞后、强耦合、非线性的系统,针对传统的PID控制、开环恒压频比控制对风机这类负载达不到理想的控制效果,提出了基于模糊RBF神经网络控制的风机综合节电控制器的设计方案,将变频调速和功率因数补偿...
  • 针对电厂过热汽温对象具有较大的惯性、时滞、非线性和动态特性随运行工况变化的特点,提出一种模糊径向基函数(RBF)神经网络的自整定PID控制器应用于过热汽温控制中,它结合了传统PID神经网络模糊控制的优点,可在线...
  • (1)PID控制算法简介;(2)基于单神经元网络PID控制器;(3)基于BP神经网络PID控制器;(4) 基于RBF神经网络系统辨识的PID控制器 资源内容包括:PPT文档和MATLAB仿真程序
  • 针对雷达伺服系统的复杂数学模型,提出一种利用遗传算法改进的径向基函数神经网络设计模糊PID控制器的方法,从而使PID控制器具有自适应性,强鲁棒性,稳定性等特点,并将该系统运用在雷达伺服系统中来提高其灵敏度响应。...
  • 全书以机器人为对象,共分10章,包括先进PID控制、神经网络自适应控制、模糊自适应控制、迭代学习控制、反演控制、滑模控制、自适应鲁棒控制、系统辨识和路径规划。每种方法都给出了算法推导,实例分析和相应的...

    3450a453c58a18f83c1a263fe32aded8.png

    本书系统地介绍了机器人控制的几种先进设计方法,是作者多年来从事机器人控制系统教学和科研工作的结晶,同时融入了国内外同行近年来所取得的最新成果。

    全书以机器人为对象,共分10章,包括先进PID控制神经网络自适应控制模糊自适应控制、迭代学习控制、反演控制、滑模控制、自适应鲁棒控制、系统辨识和路径规划。每种方法都给出了算法推导,实例分析和相应的MATLAB仿真设计程序。

    本书各部分内容既相互联系又各自独立,读者可根扭需要选择学习,本书适用于从事生产过程自动化、计算机应用、机械电子和电气自动化领域工作的工程技术人员阅读,也可作为大专院校工业自动化、自动控制、机械电子、自动化仪表、计算机应用等专业的数学参考书。

    刘金琨,辽宁人,1965年生。分别于1989年7月,1994年3月和1997年3月获东北大学工学学士,工学硕士和工学博士学位。1997年3月至1998年12月浙江大学工业控制技术研究所做博士后研究工作。1999年1月至1999年7月在香港科技大学从事合作研究。1999年11月至今在北京航空航天大学自动化学院从事教学与科研工作,现任教授,主讲《智能控制》、《工业过程控制》和《系统辨识》等课程。研究方向为控制与应用。自从事研究工作以来,主持国家自然基金等科研项目10余项,以第一作者发表学术论文70余篇。曾出版北京市高等教育精品教材《智能控制》,《先进PID控制及其MATLAB仿真》和《滑模变结构控制MATLAB仿真》等著作。

    第1章 绪论

    1.1 机器人控制方法简介

    1.1.1 机器人常用的控制方法

    1.1.2 不确定机器人系统的控制

    1.2 机器人动力学模型及其结构特性

    1.3 基于S函数的SIMULINK仿真

    1.3.1 S函数简介

    1.3.2 S函数使用步骤

    1.3.3 S函数的基本功能及重要参数设定

    第2章 机器人独立PD控制

    2.1 机器人独立PD控制

    2.1.1 控制律设计

    2.1.2 收敛性分析

    2.1.3 仿真实例

    2.2 基于重力补偿的机器人PD控制

    2.2.1 控制律设计

    2.2.2 控制律分析

    2.3 机器人鲁棒自适应PD控制

    2.3.1 问题的提出

    2.3.2 机器人动力学模型及其结构特性

    2.3.3 控制器的设计

    2.3.4 机器人动态方程的线性推导

    2.3.5 仿真实例

    第3章 机器人神经网络自适应控制

    3.1 定理与引理

    3.1.1 全局不变集定理

    3.1.2 用Barbalat引理作类Lyapunov分析

    3.1.3 一种微分方程不等式的收敛性分析

    3.2 RBF网络的逼近

    3.2.1 RBF神经网络

    3.2.2 网络结构

    3.2.3 逼近算法

    3.2.4 参数对逼近效果的影响

    3.2.5 仿真实例

    3.3 基于模型不确定补偿的RBF网络机器人自适应控制

    3.3.1 问题的提出

    3.3.2 模型不确定部分的RBF网络逼近

    3.3.3 控制器的设计

    3.3.4 仿真实例

    3.4 基于模型分块逼近的机器人RBF网络自适应控制

    3.4.1 问题的提出

    3.4.2 控制律的设计

    3.4.3 稳定性分析

    3.4.4 仿真实例

    3.5 工作空间中机械手的神经网络自适应控制

    3.5.1 工作究竟直角坐标与关节角位置的转换

    3.5.2 机械手的神经网络建模

    3.5.3 控制器的设计

    3.5.4 仿真实例

    3.6 基于模型整体逼近的机器人RBF网络自适应控制

    3.6.1 问题的提出

    3.6.2 基于RBF神经网络逼近的控制器

    3.6.3 针对f(x)中各项分别进行神经网络逼近

    3.6.4 仿真实例

    3.7 基于死区补偿的神经网络自适应鲁棒控制

    3.7.1 死区非线性特性

    3.7.2 系统描述

    3.7.3 GL矩阵和GL乘法算子

    3.7.4 RBF神经网络死区补偿器的设计

    3.7.5 系统的稳定性分析

    3.7.6 仿真实例

    3.8 机器人神经网络数字控制

    ……

    第4章 机器人模糊自适应控制

    第5章 机器人迭代学习控制及重复控制

    第6章 机器人反演控制

    第7章 机器人滑模控制

    第8章 机器人自适应鲁棒控制

    第9章 机器人参数观测、辨识及控制

    第10章 机器人路径规划

    免费电子书下载及分享请加以下QQ群:

    b64b08bb3b0c8ae0e3115a69e13e40fe.png

    展开全文
  • 模糊神经网络PID-Smith预估控制(图中简称FNN+Smith)和传统的PID控制方法进行比较。被控对象模型中、和=10,即Smith预估器模型与被控对象完全匹配时,仿真结果如图5.8所示。 图5.8 模型匹配时系统的阶跃响应...

    对模糊神经网络PID-Smith预估控制(图中简称FNN+Smith)和传统的PID控制方法进行比较。被控对象模型中=10,即Smith预估器模型与被控对象完全匹配时,仿真结果如图5.8所示。

     

    5.8 模型匹配时系统的阶跃响应曲线

    Fig.5.8 Step Response of the System When Model Matches

    通过比较可以看出,常规PID控制响应慢,超调较大,调节时间长,这是由于比例、积分和微分个时间常数相互制约,无法达到最优组合而造成的;模糊神经网络PID-Smith预估控制则克服了PID控制的缺点,具有非常好的动态性能指标和稳态性能指标,能够较快稳定,并且没有超调和振荡。

    2)系统跟随性分析

    Smith预估器模型与被控对象完全匹配时,在系统稳定的情况后,设定在37s时,加入幅值为100的阶跃信号,仿真结果如图5.9所示。

     

    5.9 系统跟踪性仿真曲线

    Fig.5.9 System Traceability of Simulation Curve

    可以看出模糊神经网络PID-Smith预估控制能够很好的跟踪输入信号。

    3)系统抗扰性分析

    在系统跟踪阶跃信号的过程中,在时间秒的时候受到外界幅值为40的干扰信号,系统输出的响应曲线如5.10示。

     

    5.10系统受扰动时的阶跃响应

    Fig.5.10 Step Response of The System with Disturbance

    由图5.10中可以看出,系统输出在出现扰动后能够很快再次回到设定值,说明系统具有较好的抑制扰动的能力。

    加入随机干扰信号,即加入强度为40,采样时间为1秒的白噪声时系统响应曲线如图5.11

     

    5.11 系统受随机扰动时的阶跃响应

    Fig.5.11 Step Response of The System with Random Disturbance

    4)系统参数发生变化时的鲁棒性分析

    由于被控对象的发生变化,PID控制不能取得很好的控制效果,这里用PID-Smith预估控制和本章提出的模糊神经PID-Smith预估控制作比较。

    被控对象模型中,滞后时间发生变化,Smith预估模型与被控对象不能完全匹配时,仿真结果如图5.12所示。

     

    5.12 时滞改变时的仿真曲线

    Fig.5.12 Simulation Curve When Delay Changes

    被控对象模型中K=7T=16=10,即增益发生变化,Smith预估模型与被控对象不能完全匹配时,仿真结果如图5.13所示。

     

    5.13 增益发生改变时的仿真曲线

    Fig.5.13 Simulation Curve When Gain changes

    被控对象模型中K=5T=13=10,即惯性时间常数发生变化,Smith预估模型与被控对象不能完全匹配时,仿真结果如图5.14所示。

     

    5.14 惯性时间常数改变时的仿真曲线

    Fig.5.14 Simulation Curve When Inertial Parameter Changes

    被控对象模型中,即模型参数都发生变化,Smith预估模型与被控对象不能完全匹配时,分别采用传统PID控制和本文提出的基于模糊神经网络整定的PID控制进行仿真,仿真结果如图5.15所示。

    从以上仿真曲线和性能指标可以看出,当被控对象参数发生变化时,即Smith预估模型不能和被控对象模型相匹配时,PID-Smith控制效果明显变差,系统的输出振荡加大,超调变大,调节时间变长,而本文设计的模糊神经网络PID-Smith预估控制的超调小、无振荡现象,而且调节时间也短,控制效果明显优于传统PID-Smith预估控制。

     

    5.15 三个参数均改变时的仿真曲线

    Fig.5.15 Simulation Curve when the three parameters change together

    1. 本章小结

    传统的Smith预估器是基于被控对象精确数学模型而设计的,对于缺乏精确模型或参数时变且具有滞后的过程控制系统,控制效果不佳。针对带钢喷气冷却过程中的大滞后、被控对象参数时变、非线性的特点,采用RBF模糊神经网络整定PID-Smith预估控制方法,使系统同时具有自整定PID参数和纯滞后补偿的能力,即克服了传统的Smith控制依赖被控对象的精确数学模型的特点,又结合了RBF模糊神经网络整定PID控制对参数变化的自适应的优点,在MATLAB的模糊逻辑工具箱和SMILINK下建立RBF模糊神经网络整定PID-Smith集成控制的过程,对具有纯滞后、参数时变的带钢喷气冷却控制系统进行了仿真,取得了满意的控制效果。

    展开全文
  • 第5章 基于BP_Adaboos t的强分类器设计——公司财务预警建模 第6章 PID 神经元网络解耦控制算法——多变量系统控制 第7章 RBF网络的回归——非线性函数回归的实现 第8章 GRNN的数据预测——基于广义回归神经网络的...
  • 径向基函数(RBF Radial Basis Function)神经网络是由J.Moody和C.Darken在20世纪80年代末提出的一种...%RBF神经网络逼近程序(非使用MATLAB工具箱),可显示网络的权值和阈值及误差 clear all; close all; xite=0.

    径向基函数(RBF Radial Basis Function)神经网络是由J.Moody和C.Darken在20世纪80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接受域(或称感受野-Receptive Field)的神经网络结构,因此,RBF网络使一种局部逼近网络,已证明它能以任意精度逼近任意连续函数。

    %RBF神经网络逼近程序(非使用MATLAB工具箱),可显示网络的权值和阈值及误差

    clear all;

    close all;

    xite=0.5;                                            %学习速率

    alfa=0.05;                                           %动量因子

    beta=0.01;

    x=[1,0,0,0]';                                       %输入样本

    ci=30*ones(4,6);                                    %初始化网络节点的中心矢量

    bi=10*ones(6,1);                                    %初始化网络的基宽

    w=0.10*ones(6,1);                                   %初始化网络的权值

    h=[0,0,0,0,0,0]';                                   %初始化网络的径向基向量

    ci_1=ci;ci_3=ci_1;ci_2=ci_1;

    bi_1=bi;bi_2=bi_1;bi_3=bi_2;

    w_1=w;w_2=w_1;w_3=w_1;

    counter=0;                                           %训练次数

    yout=2;                                       %输出目标值

    ym=0;                                                 %训练目标值

    e=yout-ym;                                           %逼近误差

    while (abs(e)>=0.0001)

        counter=counter+1;

        for j=1:1:6

          h(j)=exp(-norm(x-ci(:,j))^2/(2*bi(j)*bi(j)));

        end

       ym=w'*h;

       d_w=0*w;

       for j=1:1:6

          d_w(j)=xite*(yout-ym)*h(j);

       end

       w=w_1+d_w+alfa*(w_1-w_2);

      

       d_bi=0*bi;

       for j=1:1:6

          d_bi(j)=xite*(yout-ym)*w(j)*h(j)*(bi(j)^-3)*norm(x-ci(:,j))^2;

       end

       bi=bi_1+ d_bi+alfa*(bi_1-bi_2);

       for j=1:1:6

         for i=1:1:4

          d_ci(i,j)=xite*(yout-ym)*w(j)*(x(i)-ci(i,j))*(bi(j)^-2);

         end

       end

       ci=ci_1+d_ci+alfa*(ci_1-ci_2);

       ci_3=ci_2;

       ci_2=ci_1;

       ci_1=ci;

      

       bi_3=bi_2;

       bi_2=bi_1;

       bi_1=bi;

      

       w_3=w_2;

       w_2=w_1;

       w_1=w;

       e=yout-ym;

    end

    展开全文
  • 模糊神经网络PID控制的一个例子

    万次阅读 热门讨论 2016-02-25 10:35:44
    主要是利用输入和输出的限制,得到PID三个参数,然后进行PID系统的控制 %Fuzzy Tunning PID Control clear all; close all; a=newfis('fuzzpid'); %新建模糊推理系统 a=addvar(a,'input','e',[-3,3]); %Parameter...

    主要是利用输入和输出的限制,得到PID三个参数,然后进行PID系统的控制

    %Fuzzy Tunning PID Control
    clear all;
    close all;
    
    a=newfis('fuzzpid');  %新建模糊推理系统
    
    a=addvar(a,'input','e',[-3,3]);                        %Parameter e  添加模糊语言变量
    a=addmf(a,'input',1,'NB','zmf',[-3,-1]);
    a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]);   %添加
    a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);
    a=addmf(a,'input',1,'Z','trimf',[-2,0,2]);    % 三角形的隶属函数
    a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);
    a=addmf(a,'input',1,'PM','trimf',[0,2,3]);
    a=addmf(a,'input',1,'PB','smf',[1,3]);
    
    a=addvar(a,'input','ec',[-3,3]);                       %Parameter ec
    a=addmf(a,'input',2,'NB','zmf',[-3,-1]);
    a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);
    a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);
    a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);
    a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);
    a=addmf(a,'input',2,'PM','trimf',[0,2,3]);
    a=addmf(a,'input',2,'PB','smf',[1,3]);
    
    a=addvar(a,'output','kp',[-0.3,0.3]);                   %Parameter kp
    a=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);
    a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]);
    a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);
    a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]);
    a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);
    a=addmf(a,'output',1,'PM','trimf',[0,0.2,0.3]);
    a=addmf(a,'output',1,'PB','smf',[0.1,0.3]);
    
    a=addvar(a,'output','ki',[-0.06,0.06]);             %Parameter ki
    a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);
    a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);
    a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]);
    a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);
    a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);
    a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);
    a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);
    
    a=addvar(a,'output','kd',[-3,3]);                   %Parameter kp
    a=addmf(a,'output',3,'NB','zmf',[-3,-1]);
    a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);
    a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);
    a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);
    a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);
    a=addmf(a,'output',3,'PM','trimf',[0,2,3]);
    a=addmf(a,'output',3,'PB','smf',[1,3]);
    
    rulelist=[1 1 7 1 5 1 1;
    			 1 2 7 1 3 1 1;
              1 3 6 2 1 1 1;
              1 4 6 2 1 1 1;
              1 5 5 3 1 1 1;
              1 6 4 4 2 1 1;
              1 7 4 4 5 1 1;
              
              2 1 7 1 5 1 1;
              2 2 7 1 3 1 1;
              2 3 6 2 1 1 1;
              2 4 5 3 2 1 1;
              2 5 5 3 2 1 1;
              2 6 4 4 3 1 1;
              2 7 3 4 4 1 1;
              
              3 1 6 1 4 1 1;
              3 2 6 2 3 1 1;
              3 3 6 3 2 1 1;
              3 4 5 3 2 1 1;
              3 5 4 4 3 1 1;
              3 6 3 5 3 1 1;
              3 7 3 5 4 1 1;
              
              4 1 6 2 4 1 1;
              4 2 6 2 3 1 1;
              4 3 5 3 3 1 1;
              4 4 4 4 3 1 1;
              4 5 3 5 3 1 1;
              4 6 2 6 3 1 1;
              4 7 2 6 4 1 1;
              
              5 1 5 2 4 1 1;
              5 2 5 3 4 1 1;
              5 3 4 4 4 1 1;
              5 4 3 5 4 1 1;
              5 5 3 5 4 1 1;
              5 6 2 6 4 1 1;
              5 7 2 7 4 1 1;
              
              6 1 5 4 7 1 1;
              6 2 4 4 5 1 1;
              6 3 3 5 5 1 1;
              6 4 2 5 5 1 1;
              6 5 2 6 5 1 1;
              6 6 2 7 5 1 1; 
              6 7 1 7 7 1 1;
    
              7 1 4 4 7 1 1; 
              7 2 4 4 6 1 1;
              7 3 2 5 6 1 1;
              7 4 2 6 6 1 1;
              7 5 2 6 5 1 1;
              7 6 1 7 5 1 1;
              7 7 1 7 7 1 1];
           
    a=addrule(a,rulelist);                %添加模糊规则函数
    a=setfis(a,'DefuzzMethod','centroid'); %设置模糊推理特性
    writefis(a,'fuzzpid');  %保存模糊推理系统
    
    a=readfis('fuzzpid');%从磁盘读模糊推理系统
    
    figure(1);
    plotmf(a,'input',1);
    figure(2);
    plotmf(a,'input',2);
    figure(3);
    plotmf(a,'output',1);
    figure(4);
    plotmf(a,'output',2);
    figure(5);
    plotmf(a,'output',3);
    figure(6);
    plotfis(a);%图像显示模糊推理系统
    
    fuzzy fuzzpid;
    showrule(a);  %显示模糊规则函数
    ruleview fuzzpid;
    
    
    %%
    %pid 控制
    ts=0.001;
    sys=tf([187],[160 1],'inputdelay',117);
    dsys=c2d(sys,ts,'tustin');
    [num den]=tfdata(dsys,'v');
    u_1=0.0;u_2=0.0;u_3=0;
    y_1=0;y_2=0;y_3=0;
    x=[0 0 0]';
    error_1=0;
    e_1=0;
    ec_1=0;
    kp0=0.4;
    kd0=1.0;
    ki0=0.0;
    for k=1:1:1000
        time(k)=k*ts;
        rin(k)=1;
        k_pid=evalfis([e_1 ec_1],a);
        kp(k)=kp0+k_pid(1);
        ki(k)=ki0+k_pid(2);
        kd(k)=kd0+k_pid(3);
        u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3);
        if k==300
            u(k)=u(k)+1;
        end
        if u(k)>=10
            u(k)=10
        end
        if u(k)<=-10
            u(k)=-10;
        end
        yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;
        error(k)=rin(k)-yout(k);
        u_3=u_2;
        u_2=u_1;
        u_1=u(k);
        
        y_3=y_2;
        u_2=y_1;
        y_1=yout(k);
        
        x(1)=error(k);
        x(2)=error(k)-error_1;
        x(3)=x(3)+error(k);
        e_1=x(1);
        ec_1=x(2);
        error_2=error_1;
        error_1=error(k);
    end
    %%
    figure(1);
    plot(time,rin,'b',time,yout,'r');
    xlabel('time(s)');
    ylabel('rin,yout');
    %%
    figure(2);
     plot(time,error,'r');
     xlabel('time');ylabel('error');
     figure(3);
     plot(time,u,'r');
     xlabel('time');ylabel('u');
     figure(4);
     plot(time,kp,'r');
     xlabel('time');
     ylabel('kp');
     figure(5);
     plot(time,ki,'r');
     xlabel('time');
     ylabel('ki');
     figure(6);
     plot(time,kd,'r');
     xlabel('time');
     ylabel('kd');
     figure(7);
     
        
        
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    


    展开全文
  • RBF+PID参数自整定控制器设计

    万次阅读 热门讨论 2018-06-30 00:05:13
    RBF网络实现PID参数自整定
  • 基于BP神经网络PID控制+Simulink仿真

    千次阅读 2019-11-12 13:34:37
    参考: https://blog.csdn.net/weixin_42650162/article/details/90678503
  • 提出了一种基于改进PID控制算法的串联机器人轨迹跟踪控制策略,首先采用减聚类的方法和改进的Logistic映射对RBF神经网络进行聚类中心的优化,然后将改进RBF神经网络中的自适应学习机制和自调整能力应用于传统PID控制...
  • 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 ...
  • 针对汽包水位常规的PID控制方式,采用了一种模糊神经网络智能控制器,该控制器结合了模糊控制与神经网络学习能力强的特点,将2种智能控制相结合,在线调整控制器参数,整定出一组优化的控制器参数。仿真结果表明此控制器...
  • 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 ...
  • 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 ...
  • 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模, 第6章 PID神经元网络解耦控制算法——多变量系统控制, 第7章 RBF网络的回归——非线性函数回归的实现, 第8章 GRNN的数据预测——基于广义回归神经网络的...
  • 案例23基于模糊神经网络的拟合算法-标准函数拟合 案例24:小波神经网络的时间序列预测-短时交通流量预测 案例25 粒子群算法的寻优算法-非线性函数极值寻优 案例26 广义神经网络的聚类算法-网络入侵聚类 案例27:遗传...
  • 位置式\增量式PID、模糊PID、BRF-PID的Matlab实现以及封装位置式\增量式PID、模糊PID、BRF-PID的Matlab实现以及封装简要Model类Strategy 类PID_Strategy类Fuzzy_PID_Strategy类BRF_PID_Strategy类测试 位置式\增量式...
  • 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 ...
  • matlab神经网络30个案例分析

    千次下载 热门讨论 2011-06-01 20:06:07
    根据模糊神经网络原理,在MATLAB中编程实现基于模糊神经网络的水质评价算法。 第25章 广义神经网络的聚类算法——网络入侵聚类229 模糊聚类虽然能够对数据聚类挖掘,但是由于网络入侵特征数据维数较多,不同入侵...
  • 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 ...

空空如也

空空如也

1 2 3 4 5 6
收藏数 101
精华内容 40
关键字:

rbf神经网络模糊pid