PM2.5测量系统中改进神经网络控制算法优化补偿

›› 2015, Vol. 28 ›› Issue (11): 25-.

PM2.5测量系统中改进神经网络控制算法优化补偿

邹孔雨,佟国香

(上海理工大学光电信息与计算机工程学院,上海 200093)

出版日期:2015-11-15 发布日期:2015-12-15
作者简介:邹孔雨(1989—),男,硕士研究生。研究方向:嵌入式系统。E-mail:1013874609@qq.com。佟国香(1989—),女,副教授。研究方向:嵌入式系统设计与开发,计算机控制应用

Optimization and Compensation of PM2.5 Measurement System Based on the Improved Neural Network Control Algorithm

ZOU Kongyu,TONG Guoxiang

(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)

Online:2015-11-15 Published:2015-12-15

摘要/Abstract

摘要：

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。

关键词: 粒子群优化, BP神经网络, PID控制, 测量精度

Abstract:

An improved BP neural network PID control algorithm is proposed to optimize and compensate the PM2.5 measuring system for a better accuracy.Firstly,the velocity formula of particle swarm optimization algorithm is improved,then the improved PSO algorithm is applied to optimize the BP neural network to adjust the PID parameters online,and finally the improved PSO optimize BP neural network PID control algorithm and the traditional PID are simulated.The result proves that the improved PSO optimize BP neural network PID control algorithm can improve the accuracy of measurement with a reduced error compared with PID.

Key words: PSO;BP neural network;PID control;accuracy of measurement

中图分类号:

TP18

邹孔雨,佟国香. PM2.5测量系统中改进神经网络控制算法优化补偿[J]. , 2015, 28(11): 25-.

ZOU Kongyu,TONG Guoxiang. Optimization and Compensation of PM2.5 Measurement System Based on the Improved Neural Network Control Algorithm[J]. , 2015, 28(11): 25-.

[1]	任新瑞,马立新. 基于模糊PID负荷跟踪型主蒸汽温度控制系统研究[J]. 电子科技, 2021, 34(5): 18-23.
[2]	孟晓姣,张世巍,李小健,李敏玥,宋丙鑫,路宏敏. 一种基于BP神经网络的车载通信设备性能评估方法[J]. 电子科技, 2021, 34(5): 24-28.
[3]	朱成名,魏云冰,蒋成成,朱健安. 基于PSO-BP神经网络的风电功率备用容量估计模型[J]. 电子科技, 2021, 34(12): 36-41.
[4]	王佳人,王亚刚. 非最小相位系统的复杂控制算法研究[J]. 电子科技, 2021, 34(1): 55-59.
[5]	朱轶峰. 基于WiFi-BP的室内定位算法[J]. 电子科技, 2020, 33(8): 74-79.
[6]	陈明方,臧家秀,张永霞. 一种多区域空冷式高低温精确温控系统的研究[J]. 电子科技, 2020, 33(6): 46-51.
[7]	崔悦,张伟. 一种飞机俯仰角二自由度PID控制算法[J]. 电子科技, 2020, 33(3): 44-49.
[8]	鲁建锋,许孝卓,高岩,杜晗. 磁阻式悬浮平台侧向气隙控研究[J]. 电子科技, 2020, 33(10): 15-20.
[9]	张长青,杨楠. 基于混合神经网络的车牌字符识别技术[J]. 电子科技, 2019, 32(9): 51-54.
[10]	管胜,阮方鸣,周奎,苏明,王珩,邓迪,李佳. BP神经网络预测电极速度影响放电参数分析[J]. 电子科技, 2019, 32(6): 43-48.
[11]	杜美君,张伟,谢亚莲. 基于粒子群算法的PID控制器参数优化[J]. 电子科技, 2019, 32(6): 7-11.
[12]	杨加一. 基于BP神经网络的导弹故障自动诊断研究[J]. , 2018, 31(4): 48-.
[13]	胡晓锐，骆艳洁，麦云飞. 遗传算法在恒张力控制系统中的应用[J]. , 2017, 30(4): 72-.
[14]	梁樱馨，田浩杉. 基于细菌觅食与粒子群的改进混合算法[J]. , 2017, 30(4): 79-.
[15]	杨勇明. 基于改进粒子群算法的并联机械手运动参数识别[J]. , 2016, 29(9): 26-.