前馈控制器与常规PID控制器有什么不同
PID控制器（Proportion Integration Differentiation.比例-积分-微分控制器），由比例单元 P、积分单元 I 和微分单元 D 组成。
通过Kp， Ki和Kd三个参数的设定。PID控制器主要适用于基本线性和动态特性不随时间变化的系统。PID 控制器是一个在工业控制应用中常见的反馈回路部件。
这个控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值。
和其他简单的控制运算不同，PID控制器可以根据历史数据和差别的出现率来调整输入值，这样可以使系统更加准确，更加稳定。
可以通过数学的方法证明，在其他控制方法导致系统有稳定误差或过程反复的情况下，一个PID反馈回路却可以保持系统的稳定。
智能PID控制就是将智能控制(intelligent control)与传统的PID控制相结合，是自适应的，它的设计思想是利用专家系统（Expert System）、模糊控制(fuzzy control)和神经网络(neural network)技术，将人工智能以非线性控制方式引入到控制器中，使系统在任何运行状态下均能得到比传统PID控制更好的控制性能。
具有不依赖系统精确数学模型和控制器参数在线自动调整等特点，对系统参数变化具有较好的适应性。
模糊PID控制是利用当前的控制偏差和偏差，结合被控过程动态特性的变化，以及针对具体过程的实际经验，根据一定的控制要求或目标函数，通过模糊规则推理，对PID控制器的三个参数进行在线调整。
智能PID控制主要有模糊PID控制器、专家PID控制器和基于神经网络的PID控制器等。
专家系统是一种能在某个特定领域内﹐以人类专家水平解决该领域中专门任务的计算器系统﹐其内部具有某个领域中大量专家水平的知识与经验﹐能够利用人类专家的知识和解决问题的方法来解决该领域的问题。
专家PID控制采用规则PID控制形式，通过对系统误差和系统输出的识别，以了解被控对象过程动态特性的变化，在线调整PID三个参数，直到过程的响应曲线为某种最佳响应曲线。
它是一种基于启发式规则推理的自适应技术，其目的就是为了应付过程中出现的不确定性。
神经网络系统亦称为人工神经网络﹐就是将人工神经元按某种方式联结组成的网络﹐用于模拟人脑神经元活动的过程﹐实现对信息的加工﹑处理﹑存储等。神经网络有前向网络（前馈网络）﹑反馈网络等网络结构形式。
与模糊PID控制和专家PID控制不同，基于神经网络的PID控制不是用神经网络来整定PID的参数，而是用神经网络直接作为控制器，通过训练神经网络的权系数间接地调整PID参数。
谷歌人工智能写作项目：神经网络伪原创
神经学习控制有哪几类型
神经学习控制有监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、最优决策控制等写作猫。
神经学习控制设计方法：神经控制器的设计大致可以分为两种类型，一类是与传统设计手法相结合；一类是完全脱离传统手法，另行一套。无论是哪一类，都未有固定的模式，很多问题都还在探讨之中。
究其原因是因为神经控制还是一门新学科。
在社会上并不普及，为数众多的人甚至连“神经控制”都还没有听说过，神经系统的研究还处于摸索探讨阶段，神经网络虽然有了一些所谓的“理论”，但并不成熟，甚至连隐层节点的作用机理这一类简单的理论问题都没有搞清楚。
神经学习控制特点：神经控制器与古典控制器和现代控制器相比，有优点也有缺点。优点是神经控制器的设计与被控制对象的数学模型无关，这是神经控制器的最大优点，也是神经网络能够在自动控制中立足的根本原因。
缺点是神经网络需要在线或离线开展学习训练，并利用训练结果进行系统设计。这种训练在很大程度上依赖训练样本的准确性，而训练样本的选取依旧带有人为的因素。
Annc什么意思中文
要做毕业设计了！我就搞不清楚神经元控制器跟神经元PID控制器有啥区别呢？
传递函数1/s(s+1)(s+2)的节约响应曲线、PID控制器的控制曲线、模糊自适应PID控制器的控制曲线如下示： 80
遗传算法和神经网络是两个改进方向。前者是一个全局寻优算法，后者是拟合算法（类似于自适应）。
全局寻优就是找到一组控制参数，使得阶跃响应与理想输出之间误差的某一范数最小，控制参数可以是你的模糊控制器参数，神经网络参数，pid前面的系数等等等等。
拟合算法就是找到某个函数关系，使得输入输出之间的误差最小，很类似数值方法里面的插值。要达到相同或者更好的控制效果是必然的。
比如你用遗传算法找到一组最好的模糊pid控制器参数，然后和你自己试凑的模糊pid相比，那肯定是更好，但是原理上没有什么改观，控制器还是原来的控制器，只是找到了最优参数，另外实时性要求不高的话建议不用遗传算法，用更精确的全局寻优算法，比如粒子群，蚁群算法等。
神经网络PID控制器古典的是用神经网络拟合pid参数，现代的都是把PID环节做成隐含层神经元，因为你这个被控对象很简单，所以我个人观点，加上一些常用的神经网络控制算法就够用了，比如某些环节加一个加权和。
这个东西说实在的你要做作业是个不错的练习，但是写论文显得略微落伍了。单纯的全局寻优算法和神经网络控制前些年做的有点烂了，写论文的话实在是很难找出来创新点。
什么是PID调节器，并举例说明P、I、D的调节作用。
PID 调节器是一个在工业控制应用中常见的反馈回路部件，PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值。而实际上这些加法运算大部分变成了减法运算因为被加数总是负值。
以下是PID的调节作用举例：1.比例- 来控制当前，误差值和一个负常数P（表示比例）相乘，然后和预定的值相加。P只是在控制器的输出和系统的误差成比例的时候成立。
这种控制器输出的变化与输入控制器的偏差成比例关系。比如说，一个电热器的控制器的比例尺范围是10°C，它的预定值是20°C。
那么它在10°C的时候会输出100%，在15°C的时候会输出50%，在19°C的时候输出10%，注意在误差是0的时候，控制器的输出也是0。
2.积分 - 来控制过去，误差值是过去一段时间的误差和，然后乘以一个负常数I，然后和预定值相加。I从过去的平均误差值来找到系统的输出结果和预定值的平均误差。
一个简单的比例系统会振荡，会在预定值的附近来回变化，因为系统无法消除多余的纠正。通过加上一个负的平均误差比例值，平均的系统误差值就会总是减少。所以，最终这个PID回路系统会在预定值定下来。
3.微分 - 来控制将来，计算误差的一阶导，并和一个负常数D相乘，最后和预定值相加。这个导数的控制会对系统的改变作出反应。导数的结果越大，那么控制系统就对输出结果作出更快速的反应。
这个D参数也是PID被称为可预测的控制器的原因。D参数对减少控制器短期的改变很有帮助。一些实际中的速度缓慢的系统可以不需要D参数。
扩展资料：用更专业的话来讲，一个PID控制器可以被称作一个在频域系统的滤波器。这一点在计算它是否会最终达到稳定结果时很有用。
如果数值挑选不当，控制系统的输入值会反复振荡，这导致系统可能永远无法达到预设值。