针对BP-PID控制器的控制性能受参数初值影响大、易陷入局部极值、对噪声敏感,且低信噪比条件下控制稳定性差等问题,提出了一种基于改进果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFOA)和径向基神经网络-卡尔曼滤波(Radia...针对BP-PID控制器的控制性能受参数初值影响大、易陷入局部极值、对噪声敏感,且低信噪比条件下控制稳定性差等问题,提出了一种基于改进果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFOA)和径向基神经网络-卡尔曼滤波(Radial Basis Function Network-Kalman Filter,RBF-KF)的噪声稳健BP-PID控制方法。首先提出了一种IFOA随机搜索算法对BP-PID初值进行全局寻优,自动获得全局最优解,提升系统控制精度。然后利用所提RBF-KF对观测数据进行滤波平滑,降低量测和控制噪声对系统的影响,提升低信噪比条件下的控制稳定性。基于某智能车车速控制真实数据开展试验,结果表明,所提方法相对于传统方法控制精度提升超过50%,控制稳定性提升超过60%,并且在低信噪比条件下优势更加明显,更适合实际工程应用场景。展开更多
文摘针对BP-PID控制器的控制性能受参数初值影响大、易陷入局部极值、对噪声敏感,且低信噪比条件下控制稳定性差等问题,提出了一种基于改进果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFOA)和径向基神经网络-卡尔曼滤波(Radial Basis Function Network-Kalman Filter,RBF-KF)的噪声稳健BP-PID控制方法。首先提出了一种IFOA随机搜索算法对BP-PID初值进行全局寻优,自动获得全局最优解,提升系统控制精度。然后利用所提RBF-KF对观测数据进行滤波平滑,降低量测和控制噪声对系统的影响,提升低信噪比条件下的控制稳定性。基于某智能车车速控制真实数据开展试验,结果表明,所提方法相对于传统方法控制精度提升超过50%,控制稳定性提升超过60%,并且在低信噪比条件下优势更加明显,更适合实际工程应用场景。
