CN112947056B - 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 - Google Patents

基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 Download PDF

Info

Publication number
CN112947056B
CN112947056B CN202110239290.5A CN202110239290A CN112947056B CN 112947056 B CN112947056 B CN 112947056B CN 202110239290 A CN202110239290 A CN 202110239290A CN 112947056 B CN112947056 B CN 112947056B
Authority
CN
China
Prior art keywords
train
neural network
output
system model
train system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110239290.5A
Other languages
English (en)
Other versions
CN112947056A (zh
Inventor
刘湘黔
徐洪泽
田毅
袁志鹏
李鹏
栾瑾
王晓红
刘先恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
CRRC Qingdao Sifang Co Ltd
Original Assignee
Beijing Jiaotong University
CRRC Qingdao Sifang Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University, CRRC Qingdao Sifang Co Ltd filed Critical Beijing Jiaotong University
Priority to CN202110239290.5A priority Critical patent/CN112947056B/zh
Publication of CN112947056A publication Critical patent/CN112947056A/zh
Application granted granted Critical
Publication of CN112947056B publication Critical patent/CN112947056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于IGWO‑BP‑PID的磁浮列车位移速度跟踪控制方法。该方法包括：根据列车动力学受力分析建立列车***模型，根据列车***模型设计PID控制器；根据列车***模型的输入输出确立BP神经网络的结构，基于改进的IGWO算法离线训练BP神经网络；根据优化后的BP神经网络模型，得到PID控制器的比例、积分、微分参数并计算出列车***的牵引输出。本发明基于优化后的网络结构实现PID控制器的实时参数调整，实现列车速度位移的精准跟踪，从而改善列车运行性能。

Description

基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法
技术领域
本发明涉及磁悬浮列车运行控制技术领域，尤其涉及一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法。
背景技术
在磁悬浮列车高速行驶过程中，自动驾驶***需要精准、高效的跟踪速度曲线以保证列车在轨安全运行。因此，磁悬浮列车的速度跟踪控制是高速磁浮列车运行的基础。然而，在实际运行过程中，磁浮列车受到空气阻力、电磁涡流阻力、坡道阻力等外力作用，使得列车在运行过程中存在较大非线性且模型参数时变。
传统的PID((比例-积分-微分)控制器受列车运行过程中模型参数时变的影响，无法有效地跟踪列车的理想速度曲线，存在较大的跟踪误差，影响列车运行性能。因此，设计适用于时变、非精确模型且跟踪性能良好的自适应速度位移跟踪控制器对列车自动、高效驾驶具有重要的工程应用价值。
发明内容
本发明的实施例提供了一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法，以实现对磁悬浮列车的位移速度进行有效地跟踪控制。
为了实现上述目的，本发明采取了如下技术方案。
一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法，包括：
根据列车动力学受力分析建立列车***模型，根据所述列车***模型设计PID控制器；
根据所述列车***模型的输入输出确立BP神经网络的结构，基于改进的灰狼优化算法IGWO算法离线训练BP神经网络，得到优化后的BP神经网络；
根据采集的磁浮列车的运行状态信息得到磁浮列车的状态向量，将所述磁浮列车的状态向量输入到所述优化后的BP神经网络模型，所述优化后的BP神经网络模型输出PID控制器的比例、积分、微分参数；
根据所述PID控制器的比例、积分、微分参数和所述列车***模型实时计算出列车***的牵引输出，根据所述列车***的牵引输出得到列车的实时位移速度信息。
优选地，所述的根据列车动力学受力分析建立列车***模型，包括：
根据列车动力学受力分析建立如下的列车***模型：
Figure BDA0002961521150000021
Fq为列车牵引力，Fi为电磁涡流阻力，Fa为空气阻力，Fs为坡道阻力，m为车厢质量，v(t)为列车运行速度，x(t)为列车位移状态。
优选地，所述的根据所述列车***模型设计PID控制器，包括：
根据列车***模型设计如下的PID控制器：
Figure BDA0002961521150000022
其中：Fq(t)为列车控制牵引力，kp，ki，kd分别为控制器自适应比例、积分、微分参数，e(t)为位置跟踪误差，
Figure BDA0002961521150000023
速度跟踪误差，其形式如下：
Figure BDA0002961521150000024
其中：x*(t)为列车的理想位置目标值，v*(t)为列车的理想速度目标值；
离散化的PID控制器如下：
F(t)＝kp[e(t)-e(t-1)]+kie(t)+kd[e(t)-2e(t-2)+e(t-1)]。
优选地，所述的根据所述列车***模型的输入输出确立BP神经网络的结构，包括：
根据列车状态信息设置BP神经网络的输入信息xin(t)包括历史误差信息、当前时刻误差信息、目标值；设置BP神经网络的输出参数yoo(t)为PID控制器的比例、积分、微分参数，即yoo(t)＝[kp,ki,kd]T
根据BP神经网络的输入-输出状态模型确定BP神经网络的结构为：
Figure BDA0002961521150000031
hih(k)＝f(hih(k)) (h＝1,2,...,p)
Figure BDA0002961521150000032
yoo(k)＝f(yio(k)) (o＝1,2,3)
其中：k表示第k个样本，f(·)为激活函数，wih输入层与隐含层的连接权值，who隐含层与输出层的连接权值，hih(k)为隐含层输出，p隐含层神经元个数，bh为隐含层各神经元的阈值，bo为输出层神经元的偏置。
优选地，所述的基于改进的灰狼优化算法IGWO算法离线训练BP神经网络，得到优化后的BP神经网络，包括：
基于改进的灰狼优化算法IGWO算法训练BP神经网络的连接权重参数，得到优化的BP神经网络的权重系数；
初始化BP神经网络的参数wih,who及隐含层神经元个数p；
初始化种群大小M和最大迭代次数I；
根据种群大小M，生成初始种群xm；
根据适应度函数计算种群中的每个个体的适应度函数值，根据适应度值将其中最好的三个个体标记为：xα,xb,xδ。
利用上述三个最优个体，引导剩余种群中剩余个体进行更新，其更新过程如下：
dα＝|C1·xα-x(t)|,dβ＝|C2·xβ-x(t)|,dδ＝|C3·xδ-x(t)|
x1＝Xα-A1·dα,x2＝Xβ-A2·dβ,x3＝Xδ-A3·dδ
Figure BDA0002961521150000041
其中：A＝2a·r1-a；C＝2·r2，r1,r2为[0,1]之间的随机数，参数a随迭代次数线性递减到0；
变异算子计算：随机挑选s个个体计算变异算子δ：
Figure BDA0002961521150000042
其中：
Figure BDA0002961521150000043
Figure BDA0002961521150000045
为变异常数；
对随机挑选的s个个体进行变异，得到对应变异个体：
Figure BDA0002961521150000044
根据优化结果输出BP网络的权重参数，得到优化后的BP神经网络模型。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供了一种基于BP网络的PID控制器，通过离线的IWGO算法基于列车的实际运行数据离线训练神经网络的权重参数，然后基于优化后的网络结构实现速度位移跟踪控制器的实时参数调整，实现列车速度位移的精准跟踪，从而改善列车运行性能。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种磁浮列车的基于BP神经网络的PID控制器，在磁浮列车动力学模型为非线性时变的情况下，通过实时更新PID控制器参数，实现列车速度、位置的高效跟踪，从而保证列车的安全、节能运行。
本发明实施例一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法的处理流程如图1所示，包括以下处理步骤：
步骤S1:建立磁浮列车动力学模型
磁浮列车动力学模型建立：磁浮列车在运行过程中受电磁牵引力、电磁涡流阻力、空气阻力、坡道阻力等外力作用，建立磁浮列车动力学模型：
Figure BDA0002961521150000061
其中：Fq为列车牵引力，Fi为电磁涡流阻力，Fa为空气阻力，Fs为坡道阻力，m为车厢质量，v(t)为列车运行速度，x(t)为列车位移状态。
Figure BDA0002961521150000062
Figure BDA0002961521150000063
分别为列车运行速度和加速度。
步骤S2：PID控制器设计：根据磁浮列车***模型设计磁浮列车的PID控制器如下：
Figure BDA0002961521150000071
其中：Fq(t)为列车控制牵引力，kp，ki，kd分别为控制器自适应比例、积分、微分参数。e(t)为位置跟踪误差，
Figure BDA0002961521150000072
速度跟踪误差，其形式如下：
Figure BDA0002961521150000073
其中：x*(t)为理想位置目标值，v*(t)为理想速度目标值。
PID控制器的离散化：由于列车控制需周期性的进行控制，故离散化的PID控制器如下：
F(t)＝kp[e(t)-e(t-1)]+kie(t)+kd[e(t)-2e(t-2)+e(t-1)]
步骤S3：建立BP神经网络模型
BP网络输入输出确定：为了更有效地利用列车状态信息，设置神经网络的输入信息xin(t)包括历史误差信息、当前时刻误差信息、目标值；
输出参数为PID控制器的比例、积分、微分参数，即yoo(t)＝[kp,ki,kd]T。
BP网络的结构确定：根据BP网络的输入-输出状态模型确定BP网络的结构：
Figure BDA0002961521150000074
hih(k)＝f(hih(k)) (h＝1,2,...,p)
Figure BDA0002961521150000075
yoo(k)＝f(yio(k)) (o＝1,2,3)
其中：k表示第k个样本，f(·)为激活函数，wih输入层与隐含层的连接权值，who隐含层与输出层的连接权值，hih(k)为隐含层输出，p隐含层神经元个数，bh为隐含层各神经元的阈值，bo为输出层神经元的偏置。
步骤S4：基于改进的灰狼优化算法(IGWO)对BP神经网络进行训练优化，得到优化的BP神经网络的权重系数：根据列车历史运行数据信息，基于改进的灰狼优化算法(IGWO)训练BP神经网络的连接权重参数。
初始化BP网络的参数wih,who及隐含层神经元个数p；
初始化种群大小M和最大迭代次数I；
根据种群大小M，生成初始种群xm；
根据适应度函数计算种群中的每个个体的适应度函数值，该适应度函数值为神经网络输出与实际输出之间的误差，根据适应度值将其中最好的三个个体标记为：xα,xb,xδ。
利用上述三个最优个体，引导剩余种群中剩余个体进行更新，其更新过程如下：
dα＝|C1·xα-x(t)|,dβ＝|C2·xβ-x(t)|,dδ＝|C3·xδ-x(t)|
x1＝Xα-A1·dα,x2＝Xβ-A2·dβ,x3＝Xδ-A3·dδ
Figure BDA0002961521150000081
其中：A＝2a·r1-a；C＝2·r2。r1,r2为[0,1]之间的随机数。参数a随迭代次数线性递减到0.
变异算子计算：随机挑选s个个体计算变异算子δ：
Figure BDA0002961521150000091
其中：
Figure BDA0002961521150000092
Figure BDA0002961521150000095
为变异常数。
对随机挑选的s个个体进行变异，得到对应变异个体：
Figure BDA0002961521150000093
离线网络结构输出：根据上述过程迭代训练BP神经网络，输出BP神经网络的模型参数，该模型参数包括神经元之间的权重参数。
步骤S5:通过车载速度、位置传感设备获取磁浮列车的运行状态信息。
根据获取的磁浮列车的运行状态信息得到磁浮列车的状态向量。将磁浮列车的状态向量输入到上述优化后的BP神经网络模型，优化后的BP神经网络模型输出PID控制器的比例、积分、微分参数。
步骤S6：牵引输出计算：根据PID控制器的比例、积分、微分参数和所述列车***模型实时计算出列车***的牵引输出。即根据
Figure BDA0002961521150000094
其中kp,ki,kd为训练后神经网络输出。
然后，根据列车***的牵引输出得到列车的实时位移速度信息。
综上所述，本发明实施例提供了一种基于BP网络的PID控制器，通过离线的IWGO算法基于列车的实际运行数据离线训练神经网络的权重参数，然后基于优化后的网络结构实现PID控制器的实时参数调整，实现列车速度位移的精准跟踪，从而改善列车运行性能。
本发明实施例所述技术方案具有原理明确、设计简单的优点，针对磁浮列车位置速度跟踪问题，设计了一种在线自适应调节且跟踪性能良好的PID跟踪控制器，基于BP神经网络获得时变的PID控制器参数，保证列车在模型参数时变非线性的情况下的安全、节能运行，对列车自动、高效驾驶具有重要的工程应用价值。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于IGWO-BP-PID的磁浮列车位移速度跟踪控制方法，其特征在于，包括：
根据列车动力学受力分析建立列车***模型，根据所述列车***模型设计PID控制器；
根据所述列车***模型的输入输出确立BP神经网络的结构，基于改进的灰狼优化IGWO算法离线训练BP神经网络，得到优化后的BP神经网络模型；
根据采集的磁浮列车的运行状态信息得到磁浮列车的状态向量，将所述磁浮列车的状态向量输入到所述优化后的BP神经网络模型，所述优化后的BP神经网络模型输出PID控制器的比例、积分、微分参数；
根据所述PID控制器的比例、积分、微分参数和所述列车***模型实时计算出列车***的牵引输出，根据所述列车***的牵引输出得到列车的实时位移速度信息；
所述的根据所述列车***模型的输入输出确立BP神经网络的结构，包括：
根据列车的运行状态信息设置BP神经网络的输入信息xin(t)包括历史误差信息、当前时刻误差信息、目标值；设置BP神经网络的输出参数yoo(t)为PID控制器的比例、积分、微分参数，即yoo(t)＝[kp(t)，ki(t)，kd(t)]T
根据BP神经网络的输入-输出状态模型确定BP神经网络的结构为：
Figure FDA0003761102050000011
hoh(k)＝f(hih(k))(h＝1,2,...,p)
Figure FDA0003761102050000012
yoo(k)＝f(yio(k))(o＝1,2,3)
其中：k表示第k个样本，f(·)为激活函数，wih输入层与隐含层的连接权值，who隐含层与输出层的连接权值，hih(k)为隐含层输出，p隐含层神经元个数，bh为隐含层各神经元的阈值，bo为输出层神经元的偏置；
所述的基于改进的灰狼优化IGWO算法离线训练BP神经网络，得到优化后的BP神经网络，包括：
基于改进的灰狼优化IGWO算法训练BP神经网络的连接权值参数，得到优化的BP神经网络的权重系数；
初始化BP神经网络的参数wih,who及隐含层神经元个数p；
初始化种群大小M和最大迭代次数I；
根据种群大小M，生成初始种群xm；
根据适应度函数计算种群中的每个个体的适应度函数值，根据适应度函数值将其中最好的三个个体标记为：xα,xb,xδ；
利用上述最好的三个个体，引导剩余种群中剩余个体进行更新，其更新过程如下：
dα＝|C1·xα-x(t)|,dβ＝|C2·xβ-x(t)|,dδ＝|C3·xδ-x(t)|
x1＝xα-A1·dα,x2＝xb-A2·dβ,x3＝xδ-A3·dδ
Figure FDA0003761102050000021
其中：x(t)为列车位移状态，r1,r2为[0,1]之间的随机数，参数a随迭代次数线性递减到0；
变异算子计算：随机挑选s个个体计算变异算子δ：
Figure FDA0003761102050000031
其中
Figure FDA0003761102050000032
Figure FDA0003761102050000033
为变异常数；
对随机挑选的s个个体进行变异，得到对应变异个体：
Figure FDA0003761102050000034
根据优化结果输出BP神经网络的权重系数，得到优化后的BP神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述的根据列车动力学受力分析建立列车***模型，包括：
根据列车动力学受力分析建立如下的列车***模型：
Figure FDA0003761102050000035
Fq为列车牵引力，Fi为电磁涡流阻力，Fa为空气阻力，Fs为坡道阻力，m为车厢质量，v(t)为列车运行速度，x(t)为列车位移状态。
3.根据权利要求2所述的方法，其特征在于，所述的根据所述列车***模型设计PID控制器，包括：
根据列车***模型设计如下的PID控制器：
Figure FDA0003761102050000042
其中：Fq(t)为列车牵引力，kp(t)，ki(t)，kd(t)分别为控制器自适应比例、积分、微分参数，e(t)为位置跟踪误差，
Figure FDA0003761102050000043
速度跟踪误差，其形式如下：
Figure FDA0003761102050000041
其中：x*(t)为列车的理想位置目标值，v*(t)为列车的理想速度目标值；
离散化的PID控制器如下：
F(t)＝kp(t)[e(t)-e(t-1)]+ki(t)e(t)+kd(t)[e(t)-2e(t-2)+e(t-1)]。
CN202110239290.5A 2021-03-04 2021-03-04 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 Active CN112947056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110239290.5A CN112947056B (zh) 2021-03-04 2021-03-04 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110239290.5A CN112947056B (zh) 2021-03-04 2021-03-04 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法

Publications (2)

Publication Number Publication Date
CN112947056A CN112947056A (zh) 2021-06-11
CN112947056B true CN112947056B (zh) 2022-10-14

Family

ID=76247579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110239290.5A Active CN112947056B (zh) 2021-03-04 2021-03-04 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法

Country Status (1)

Country Link
CN (1) CN112947056B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880217B (zh) * 2023-09-06 2023-11-10 江西理工大学 一种用于磁悬浮列车无人驾驶的追踪运行特征建模方法
CN117874479B (zh) * 2024-03-11 2024-05-24 西南交通大学 基于数据驱动的重载机车车钩力识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5268834A (en) * 1991-06-24 1993-12-07 Massachusetts Institute Of Technology Stable adaptive neural network controller
CN104834215A (zh) * 2015-03-24 2015-08-12 浙江师范大学 一种变异粒子群优化的bp神经网络pid控制算法
KR101770594B1 (ko) * 2016-08-19 2017-08-24 한국철도기술연구원 열차의 실시간 속도 최적화 시스템 및 이를 이용한 열차의 실시간 속도 최적화 방법
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN110758413A (zh) * 2019-10-24 2020-02-07 北京航盛新能科技有限公司 一种基于***参数辨识的列车速度自适应控制方法
CN111709524A (zh) * 2020-07-03 2020-09-25 江苏科技大学 一种基于改进gwo算法的rbf神经网络优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5268834A (en) * 1991-06-24 1993-12-07 Massachusetts Institute Of Technology Stable adaptive neural network controller
CN104834215A (zh) * 2015-03-24 2015-08-12 浙江师范大学 一种变异粒子群优化的bp神经网络pid控制算法
KR101770594B1 (ko) * 2016-08-19 2017-08-24 한국철도기술연구원 열차의 실시간 속도 최적화 시스템 및 이를 이용한 열차의 실시간 속도 최적화 방법
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN110758413A (zh) * 2019-10-24 2020-02-07 北京航盛新能科技有限公司 一种基于***参数辨识的列车速度自适应控制方法
CN111709524A (zh) * 2020-07-03 2020-09-25 江苏科技大学 一种基于改进gwo算法的rbf神经网络优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进PSO-GWO算法的无人艇路径跟踪控制***研究;徐木子等;《武汉理工大学学报》;20200930;第38-49页 *

Also Published As

Publication number Publication date
CN112947056A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112947056B (zh) 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法
US6411944B1 (en) Self-organizing control system
Novi et al. Real-time control for at-limit handling driving on a predefined path
CN111941432B (zh) 一种高性能机械臂人工智能输出反馈控制方法
US20030093392A1 (en) System for intelligent control based on soft computing
CN110758413B (zh) 一种基于***参数辨识的列车速度自适应控制方法
CN104950678A (zh) 一种柔性机械臂***的神经网络反演控制方法
Yoon et al. Optimal PID control for hovering stabilization of quadcopter using long short term memory
Chen et al. Rhonn modelling-enabled nonlinear predictive control for lateral dynamics stabilization of an in-wheel motor driven vehicle
CN112801143A (zh) 基于K-Means和高斯过程回归的转向路感模拟方法
WO2020098226A1 (en) System and methods of efficient, continuous, and safe learning using first principles and constraints
CN113703319A (zh) 基于强化学习的关节模组不等式约束最优鲁棒控制方法
CN116460860A (zh) 一种基于模型的机器人离线强化学习控制方法
CN115271040A (zh) 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法
Evans et al. High-speed autonomous racing using trajectory-aided deep reinforcement learning
CN112947055B (zh) 基于回声状态网络的磁悬浮列车位移速度的跟踪控制方法
CN110393954B (zh) 一种基于强化学习的浓密机在线控制方法
CN108319146B (zh) 一种径向基神经网络基于离散粒子群训练的方法
Mangeas et al. Neural networks estimation of truck static weights by fusing weight-in-motion data
CN116373846A (zh) 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法
CN114667852A (zh) 一种基于深度强化学习的绿篱修剪机器人智能协同控制方法
CN113759701A (zh) 一种高速列车速度控制方法及***
Mao et al. Adaptive position tracking control of high-speed trains with piecewise dynamics
CN116101349A (zh) 一种基于等效滑模及rbf神经网络的列车速度跟踪控制方法
CN114954567B (zh) 一种城市轨道在线列车的停车控制方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant