基于bp神經(jīng)網(wǎng)絡(luò)的自校正pid控制研究(已修改)
2024-11-21 23:02 本頁面
【正文】 基于 BP 神經(jīng)網(wǎng)絡(luò)的自校正 PID 控制研究 摘 要 : 基于 反向傳播 BP 算法 的神經(jīng)網(wǎng)絡(luò)具有很強的學(xué)習能力 ,適應(yīng)能力 .本文詳細敘述了BP算法的原理 ,并將改進的 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在傳統(tǒng)的 PID控制中 ,克服了 PID控制在參數(shù)的調(diào)整過程中對于系統(tǒng)模型過分依賴的缺點 .利用 MATLAB 仿真的結(jié)果表明基于 BP 神經(jīng)網(wǎng)絡(luò)的自校正控制 能夠使傳統(tǒng) PID 控制的參數(shù)逼近最優(yōu)達到很好的控制效果 . 關(guān)鍵詞 : BP 算法 ,神經(jīng)網(wǎng)絡(luò) ,PID 控制 1 引言 隨著科學(xué)技術(shù)的發(fā)展 ,人們需要加以控制的過程和系統(tǒng)越來越復(fù)雜 ,許多系統(tǒng)具有大型 ,復(fù)雜和強烈非線 性的特點 .對這些系統(tǒng)進行有效準確的控制就非常的困難 .傳統(tǒng)的 PID 控制是通過對偏差的比例 (P),積分 (I),微分 (D)的線性組合構(gòu)成控制向量對被控對象進行控制 .它算法結(jié)構(gòu)簡單 ,但是 ,當被控對象具有非線性 ,時變不確定性和難以建立精確的數(shù)學(xué)模型時 ,PID 控制器參數(shù)整定不良 ,性能欠佳 ,不能達到理想的控制效果 .隨著人們對神經(jīng)網(wǎng)絡(luò)的研究 ,基于 BP 算法的神經(jīng)網(wǎng)絡(luò)以其自學(xué)習 ,自適應(yīng)及逼近任意函數(shù)的能力在控制領(lǐng)域得到應(yīng)用 ,將 BP 神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的 PID 控制相結(jié)合構(gòu)成的比例 ,積分 ,微分神經(jīng)元控制器 ,不僅克服了 PID 控制的缺陷 ,而 且具有快速的學(xué)習能力 ,快速的適應(yīng)性 ,良好的性能和魯棒性 .因此 ,可以通過神經(jīng)網(wǎng)絡(luò)對系統(tǒng)性能的學(xué)習來達到最佳的比例 ,積分 ,微分組合 ,實現(xiàn)最佳的 PID 控制效果 . 2 神經(jīng)網(wǎng)絡(luò)的 BP 算法 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)是控制領(lǐng)域中應(yīng)用最多的神經(jīng)網(wǎng)絡(luò) ,它是多層神經(jīng)元彼此以前饋方式連接組成的網(wǎng)絡(luò) ,網(wǎng)絡(luò)中沒有信號反饋 ,只有相鄰層神經(jīng)元 ,每個神經(jīng)元首先完成輸入信號與連接權(quán)值的內(nèi)積計算 ,然后通過一個非線性函數(shù)作用產(chǎn)生輸出 .BP神經(jīng)網(wǎng)絡(luò)通常由輸入層 ,輸出層和若干隱層構(gòu)成 每層由若干個結(jié)點組成 , 每一個結(jié)點表示一個神 經(jīng)元 ,上層結(jié)點與下層結(jié)點之間通過權(quán) 值 聯(lián)接 , 同一層結(jié)點之間沒有聯(lián)系。 多層前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 1 所示 : 輸入層 隱層 輸出層 圖 1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 神經(jīng)網(wǎng)絡(luò)的學(xué)習 BP算法 神經(jīng)網(wǎng)絡(luò)的學(xué)習方式有兩種 :有指導(dǎo)的學(xué)習 — 在訓(xùn)練期間 ,向網(wǎng)絡(luò)提供輸入輸出樣本對 。K1層 第 K層 K+1層 ,kijw1,kmiw?kix1kjx?1kmx?第 1層 第 Q層 無指導(dǎo)的學(xué)習 — 自適應(yīng)于輸入空間 .神經(jīng)網(wǎng)絡(luò)的學(xué)習規(guī)則就是修正權(quán)值的一個算法 . BP 神經(jīng)網(wǎng)絡(luò) 的學(xué)習過程分為信息的正向傳播過程和誤差的反向傳播過程兩個階段。 BP 算法是一種反向傳播算法 ,外部輸入的信號經(jīng)輸入層、隱含層的神經(jīng)元層得不到期望輸出 ,則轉(zhuǎn)入 誤差反向 向傳播過程 , 將實際值與網(wǎng)絡(luò)輸出值之間的誤差沿原來聯(lián)接的通路返回 ,通過修改各層神經(jīng)元的聯(lián)接權(quán)值 ,使誤差減少 ,然后再轉(zhuǎn)入正向傳播過程 ,反復(fù)迭代 ,直到誤差小于給定的值為止。 以下是 BP 算法具體過程的算法原理 : 首先 ,從單神經(jīng)元模型的輸入輸出關(guān)系著手 圖 2 神經(jīng)元模型 由圖 2 神經(jīng)元模型設(shè) : )( kiki sfx ? (1) ??? ?? 10 1kni kjkiki xws 1。,2,1 ?? knj ? kni 。,2,1 ?? Qk 。,2,1 ?? (2) 其中 kix 為閾值 , kijw 為連接權(quán)值 , (.)f 為輸出變換函數(shù) 。 神經(jīng)元的輸出變換函數(shù)通常選典型的非線性 S 型函數(shù)和雙曲函數(shù) : xexfy ???? 1 1)( xxeexfy?????? 11)( 下面探討多層前饋神經(jīng)網(wǎng)絡(luò)的 BP 算法原理 : 給定 P 組輸入輸出樣本對 : Tpnppp xxxx ],[ 00 20 10 0?? Ppdddd Qpnppp ?? ,2,1],[ 21 ?? 利用樣本對訓(xùn)練神經(jīng)網(wǎng)絡(luò) ,設(shè)神經(jīng)網(wǎng)絡(luò)的評價函數(shù)為 : ? ? ?? ? ????PpniPp pQpipiQ ExdE1 1 12][21 (3) 其中 ?? ??QniQpipip xdE1
公司管理相關(guān)推薦
鄂ICP備17016276號-1