4 神经网络解耦

神经网络在处理非线性系统方面具有很大的优势，它可以在任意精度的要求下， 准确地贴合一个任意的非线性函数，具有十分强大的自适应能力和容错能力。因此在 智能算法解耦中，神经网络解耦得到了非常广泛地应用。 文献[8]采用 PID 神经网络 控制器针对不同情况下的多模型时变系统，通过不断计算模型的匹配度，针对实时的 计算值选择最适合的模型以及控制器，出色地解决了球磨机系统变量间耦合的问题。 文献[9]提出了一种基于 BP 神经网络的双变量 PID 解耦控制器，它通过 BP 神经网络 的自学习特性，不断修正 PID 控制器的参数直至达到最佳，获得了较好的解耦效果。 文献[10]在开环解耦的基础上，提出新的闭环解耦控制方法。它通过构造伪输出辨识 被控对象参数，引进反馈误差，实现对解耦神经网络的在线训练。仿真结果显示该控 制方法在响应时间、稳态误差等方面均具有较好的控制效果，同时还具有较好的自我 调整能力，系统鲁棒性较强。文献[11]利用 RBF 神经网络对复杂的耦合系统进行解耦 控制，提出了一种基于 RBF 神经网络的参数自整定多变量 PID 控制方法。文献[12] 提出一种 PID 神经元网络用于控制耦合情况较为严重，并且具有较大时延性的多变量 系统，使系统具有较好的动静态性能。文献[13]该算法通过粒子群算法改善 PID 神经 网络控制性能，仿真显示，经过粒子群算法优化过后的网络权值更加合理，系统的输 出能够更快地跟踪设定的目标值并且调节时间较短。