1。3 解耦技术的研究现状 3

1。3。1 传统解耦方法 3

1。3。2 自适应解耦方法 3

1。3。3 模糊解耦 4

1。3。4 神经网络解耦 5

1。4 本文主要研究内容 6

第二章 经典解耦算法研究 7

2。1 耦合程度分析 7

2。1。1 直接分析法 7

2。1。2 相对增益分析法 8

2。2 解耦方法研究 11

2。2。1  前馈补偿解耦 11

2。2。2 反馈解耦 13

2。2。3 对角阵解耦 14

2。3 对角阵解耦控制器设计 15

2。4 本章小结 17

第三章 PID 神经网络解耦算法研究 18

3。1 PID 神经网络算法 18

3。1。1 PID 神经网络结构 18

3。1。2 PID 神经网络前向算法 19

3。1。3 PID 神经网络反向算法 22

3。2 PID 神经网络解耦控制器设计 25

3。2。1 模型建立 25

3。3。2 软件设计流程 26

3。2。3 PID 神经网络算法仿真 27

3。3 本章小结 28

第四章 PID 神经网络解耦算法改进 29

4。1 PID 神经网络存在的问题 29

4。2 增加动量项的改进算法 29

4。3 增加神经元系数的改进算法 31

4。4 仿真结果分析 32

4。5 本章小结 33

第五章 带粒子群算法的 PID 神经网络解耦控制 34

5。1 粒子群算法起源 34

5。2 粒子群算法基本思想 34

5。3 粒子群算法的控制参数 35

5。3。1 惯性权重 35

5。3。2 种群规模 36

5。3。3 加速因子 36

5。4 粒子群算法流程 36

5。5 粒子群算法的 PID 神经网络解耦算法仿真 37

5。6 本章小结 40

总结与展望 41

致 谢 43

参考文献 44

第一章 绪论

1。1 选题背景与意义

多输入多输出控制系统一直是工业控制中较为复杂的控制对象，随着现代工业控 制系统的飞速发展，控制系统的结构越来越复杂，控制要求也越来越高，但是在实际 工业控制过程中，多输入多输出系统由于其控制变量较多并且各变量之间相互耦合， 并且生产设备具有纯滞后性、非线性、模型结构不确定等缺点，。这一系列原因导致 传统的解耦方法很难适用于强耦合的多输入多输出系统，因此选择一个更加智能的控 制算法来消除变量间的耦合显得尤为重要。