CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

An improved PID neural network controller for long time delay systems using particle swarm optimization algorithm

اعتبار موردنیاز : ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۱۰۱۹ | نظرات: ۰
سرفصل ارائه مقاله: Electrical, Communication Engineering
سال انتشار: ۱۳۹۰
نوع ارائه: پوستر
کد COI مقاله: SASTECH05_235
زبان مقاله: انگلیسی
حجم فایل: ۲۴۶.۸۲ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله An improved PID neural network controller for long time delay systems using particle swarm optimization algorithm

A Lari - Faculty of Electrical and Computer Engineering, Noushirvani University
A Khosravi -
  A Alfi - Faculty of Electrical and Robotic Engineering, Shahrood University of Technology, Shahrood 36199-95161, Iran.

چکیده مقاله:

Conventional PID controller is the most popular controller in various field of industry. In spite of strong ability, this controller cannot be usually used for long time delay systems. There is a kind of neural networks called PID neural network (PIDNN) that utilizes the advantages of both PID controller and neural network simultaneously. PIDNN’s weights were in first adjusted by back propagation (BP) algorithm. BP algorithm ensures the final convergence, but the critical drawback is that the study training costs a long time. The convergence into local extremum is also possible. Hence, another method must be opted to optimize the network’s weight. This paper proposes a novel PIDNN without saturate surface namely PIDNN-PSO which its weights are adjusted using particle swarm optimization (PSO). PSO algorithm is an evolutionary optimization algorithm that due to the ease of implementation and fast convergence speed has been widely applied in many areas. The proposed controller is utilized as a controller for long time delay systems. The performance of the proposed controller is compared with the controller is designed by PIDNN-BP algorithm. Simulation results demonstrate the effectiveness of the proposed algorithm.

کلیدواژه‌ها:

PID controller, PSO, BP algorithm, PIDNN

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-SASTECH05-SASTECH05_235.html
کد COI مقاله: SASTECH05_235

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Lari, A; A Khosravi & A Alfi, ۱۳۹۰, An improved PID neural network controller for long time delay systems using particle swarm optimization algorithm, پنجمین کنفرانس بین المللی پیشرفتهای علوم و تکنولوژی, مشهد, موسسه آموزش عالی خاوران, https://www.civilica.com/Paper-SASTECH05-SASTECH05_235.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Lari, A; A Khosravi & A Alfi, ۱۳۹۰)
برای بار دوم به بعد: (Lari; Khosravi & Alfi, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Huailin, S., & Youguo, P. (2000). PID neural networks for ...
  • Step response with magnitude of 1 -0.082308 -0.117576 -0.068082 -0.118569 ...
  • "sAsrech 201 1, Khavaran Higher-education Institute, Mashhad, Iran. May 12-14. ...
  • Song Shao, Z., & Zhang Li, B., & Shu, H. ...
  • Franken, N., & Engelbrecht, A. P. (2005). Particle SWarm optimization ...
  • Ho, S.Y., & Lin, H.S., Liauh, W.H., & Ho, S.J. ...
  • Liu, B., & Wang, L., & Jin, Y. H. (2007). ...
  • Wei-Der, C., & Shun-Peng, S. (2010). PID controller design of ...
  • Kennedy J., & Eberhart R (1995). Particle SWarm optimization, In: ...
  • Shi, Y. & Eberhart, R. C. (1998). Parameter selection in ...
  • Suganthan, P. N. (1999). Particle Swarm optimizer with neighborhood operator, ...
  • Ratnaweera, A. S., & Halgamuge, K., & Watson, H. C. ...
  • Khavaran Higher-education Institute, Mashhad, Iran. May 12-14. , 1 201 ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.