基于bp神經(jīng)網(wǎng)絡pid控制器的設計

《基于bp神經(jīng)網(wǎng)絡pid控制器的設計》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。

1、基于BP神經(jīng)網(wǎng)絡PID控制器的設計山東青島青島科技大學自動化與電子工程學院王康勝摘要：本文主要論述了BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)及其BP神經(jīng)網(wǎng)絡的學習算法，進而分析了傳統(tǒng)PID控制器的優(yōu)缺點，以及基于BP神經(jīng)網(wǎng)絡PID控制器的可行性。本文還介紹了基于BP神經(jīng)網(wǎng)絡PID控制器的設計步驟、結(jié)構(gòu)框圖、控制算法。并且通過MATLAB軟件對PID控制器的設計進行仿真，并對仿真結(jié)果進行了分析、總結(jié)。關鍵詞：BP神經(jīng)網(wǎng)絡；PID控制器；學習算法；MATLAB仿真1.引言PID控制是最早發(fā)展起來的控制策略之一，按偏差的比例、積分和微分進行控制的調(diào)節(jié)器稱為P

2、ID控制器，它是連續(xù)系統(tǒng)中技術成熟，應用最廣泛的一種調(diào)節(jié)器。由于其算法簡單，實現(xiàn)簡易、魯棒性能良好和可靠性高，能夠?qū)艽笠活惞I(yè)對象進行有效控制等一系列優(yōu)點，尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)傳統(tǒng)的PID調(diào)節(jié)器由于其技術比較成熟。在目前,工業(yè)控制系統(tǒng)調(diào)節(jié)使用最為廣泛的仍是典型的PID控制,但在實際的情況中,當被控對象為非線性或者時變特性時，參數(shù)的整定及在線自適應調(diào)整問題就難以解決。隨著被控系統(tǒng)越來越復雜，人們對控制系統(tǒng)的要求越來越高，特別是要求控制系統(tǒng)能香應不確定性、時變的對象與環(huán)境。傳統(tǒng)的基于精確模型的控制方法難以適應

3、要求，現(xiàn)在關于控制的概念也已更加廣泛，它要求包括一些決策以及學習功能。因為BP神經(jīng)網(wǎng)絡具有較好的在線監(jiān)測能力，而神經(jīng)網(wǎng)絡是用大量簡單的神經(jīng)元連接組成的復雜網(wǎng)絡,具有人腦的功能的基本特征,為控制領域的研究開辟了新途徑,尤其適用于復雜過程、參數(shù)時變系統(tǒng)神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡與PID控制器的結(jié)合能夠起到很好的控制效果。神經(jīng)網(wǎng)絡由于具有上述優(yōu)點而越來越受到人們的重視。因此,神經(jīng)網(wǎng)絡控制技術很適合應用于工業(yè)控制調(diào)節(jié)系統(tǒng)中。2.BP神經(jīng)網(wǎng)絡2.1BP神經(jīng)網(wǎng)絡結(jié)構(gòu)大腦是一部不尋常的智能機，它能以驚人的高速度解釋感覺器官傳來的含糊不清的信息。它能

4、覺察到喧鬧房間內(nèi)的竊竊私語，能夠識別出光線暗淡的胡同中的一張面孔，更能通過不斷地學習而產(chǎn)生偉大的創(chuàng)造力。所謂神經(jīng)網(wǎng)路系統(tǒng)是利用工程技術手段模擬人腦神經(jīng)網(wǎng)絡的結(jié)構(gòu)和功能的一種技術系統(tǒng)，它是一種大規(guī)模并行的非線性動力學系統(tǒng)。嚴格地講神經(jīng)網(wǎng)絡應該稱為人工神經(jīng)網(wǎng)絡，為了簡化起見，一般省略人工二字直接稱神經(jīng)網(wǎng)絡，可簡記為NN（NeuralNetwork）。由于神經(jīng)網(wǎng)絡具有信息的分布存儲、并行處理以及自學習等優(yōu)點，所以它在信息處理、模式識別，智能控制等領域有著廣闊的應用前景。人工神經(jīng)網(wǎng)絡的著眼點不是利用物理器件來完整的復制生物體中細胞網(wǎng)絡，而

5、是采納其可利用的部分來解決目前計算機或其它系統(tǒng)不能解決的問題，如學習、識別、控制和專家系統(tǒng)等。隨著生物和認知科學的發(fā)展，人們對人腦的結(jié)構(gòu)和認知過程的了解越來越深入，促進了人工神經(jīng)網(wǎng)絡技術的發(fā)展，越來越多的生物特性將被利用到工程中去。圖2-1BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖2-1所示。由圖可見，BP網(wǎng)絡是一種具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡，包括輸入層、中間層和輸出層。上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連接。當一對學習樣本提供給網(wǎng)絡后神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡的輸入響應。接下

6、來，按照減少目標輸出與實際輸出之間誤差的方向，從輸出層反向經(jīng)過各中間層回到輸入層，從而逐層修正各連接權(quán)值，這種算法稱為“誤差反向傳播算法”，即BP算法。隨著這種誤差逆向的傳播修正不斷進行，網(wǎng)絡對輸入模式響應的正確率也不斷上升。與感知器不同的是，由于誤差反向傳播中會對傳遞函數(shù)進行求導計算，BP網(wǎng)絡的傳遞函數(shù)要求必須是可微的，所以不能使用感知器網(wǎng)絡中的硬閉值傳遞函數(shù)，常用的有sigmoid型對數(shù)、正切函數(shù)或線性函數(shù)。由于傳遞函數(shù)是處處可微的，所以對BP網(wǎng)絡來說，一方面，所劃分的區(qū)域不再是一個線性劃分，而是由一個非線性超平面組成的區(qū)域，

7、它是比較平滑的曲面，因而它的分類比線性劃分更加精確，容錯性也比線性劃分更好;另一方面，網(wǎng)絡可以嚴格采用梯度下降法進行學習，權(quán)值修正的解析式十分明確。2.2BP網(wǎng)絡學習算法設有n個輸入節(jié)點，……;q個輸出節(jié)點，為……;網(wǎng)絡層的隱含節(jié)點有p個神經(jīng)元。輸入層第i個單元至隱含層第j個單元連接權(quán)。隱含層第j個單元至輸出層第t個單元連接權(quán)。隱含層各單元的閾值為，輸出層各個單元的閾值為，在訓練該網(wǎng)絡的學習階段，設有N組訓練樣本，先假定用其中的某一固定樣本k輸入輸出模式對網(wǎng)絡進行訓練。輸入層:n個輸入，……;也就是輸入樣本。中間層:（1）；j=1

8、,2……p（2）輸出層：；t=1,2,……q（3）（4）為了模擬生物神經(jīng)元的非線性特性，激勵函數(shù)常選用s函數(shù)（5）S函數(shù)不但具有可微分性，而且具有飽和非線性特性，這又增強了網(wǎng)絡的非線性映射能力。S函數(shù)的微分函數(shù)為:=（6）單元輸出閉值是為模擬神經(jīng)元