【正文】 和執(zhí)行。從眾多應(yīng)用研究領(lǐng)域取得的豐碩成果來看，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展具有強大的生命力。有一千多名學者參加，并成立了國際神網(wǎng)絡(luò)學會。該算法有力的回答了 60 年代 Minsky 和 Papert 對神經(jīng)網(wǎng)絡(luò)的責難。其一是：用統(tǒng)計機解釋某些類型的遞歸網(wǎng)絡(luò)的操作，這類網(wǎng)絡(luò)課作為兩廂存儲器。同時，東京 NHA 廣播科學研究室大阪大學教授 Fukushima 提出了一種稱為 Neocognitron 的神經(jīng)網(wǎng)絡(luò)，它是一個視覺識別機制，與生物視覺理論相符合。從 1972年開始，他很快集中到聯(lián)想記憶方面 。該書在學術(shù)界產(chǎn)生正反二方面的影響，它的副作用促使 20 世紀 60 年代人們對神經(jīng)網(wǎng)絡(luò)研究的熱情驟然下降，迅速轉(zhuǎn)入低潮。感知機具有輸入層、輸出層和中間層，它可以模仿人的特性，并用它做了實驗。最初感知機的學習機制是自組織的，響應(yīng)的發(fā)生與隨機的初始值有關(guān)，后來加入了訓練過程，這與后來的 BP 算法和 Kohone 自組織算法類似。 第一次研究高潮：五十至六十年代， 1958 年 F諾依曼的名字是與普通計算機聯(lián)系在一起的，但他也是人人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。諾依曼領(lǐng)導(dǎo)的設(shè)計小組試制成功存儲程序式電子計算機， 標志著電子計算機時代的開始。在 3 該模型中，神經(jīng)元表現(xiàn)為二個狀態(tài)，即“興奮”和“抑止”。這一時期截止到 1949年。隱含層基函數(shù)的中心是在輸入樣本集中選取的，這在許多情況下難以反映出系統(tǒng)真正的輸入輸出關(guān)系，并且初始中心點數(shù)太多；另外優(yōu)選過程會出現(xiàn)數(shù)據(jù)病態(tài)現(xiàn)象 等問題的存在嚴重阻礙了 RBF 神經(jīng)網(wǎng)絡(luò)的發(fā)展，致使其理論發(fā)展緩慢。② 不能向用戶提出必要的詢問，而且當數(shù)據(jù)不充分的時候，神經(jīng)網(wǎng)絡(luò)就無法進行工作。③ 網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系。神經(jīng)網(wǎng)絡(luò)具有很強的非線性逼近能力和自學習能力，所以將 RBF 神經(jīng)網(wǎng)絡(luò)算法與 PID 控制相結(jié)合產(chǎn)生的間接自校正控制策略，能自動整定 控制器的參數(shù)，使系統(tǒng)在較好的性能下運行?；?RBF 神經(jīng)網(wǎng)絡(luò) 的 PID 控制器由經(jīng)典的 PID 控制器和 RBF 神經(jīng)網(wǎng)絡(luò)組成，其基本思想是利用神經(jīng)網(wǎng)絡(luò)的自學習功能和非線性函數(shù)的表示能力，遵從一定的最優(yōu)指標，在線調(diào)整 PID 控制器的參數(shù)，使之適應(yīng)被控對象參數(shù)以及結(jié)構(gòu)的變化和輸入?yún)⒖夹盘柕淖兓?，并能夠抵御外來擾動的影響，達到具有良好的魯棒性的目標。神經(jīng)網(wǎng)絡(luò)控制能夠充分任意地逼近任何復(fù)雜的非線性關(guān)系，具有很強的信息綜合能力，能夠?qū)W習和適應(yīng)嚴重不確定系統(tǒng)的動態(tài)特性，故有很強的魯棒性和容錯性，可以處理那些難以用模 型和規(guī)則描述的過程 ；神經(jīng)網(wǎng)絡(luò)所具有的大規(guī)模的并行處理和分布式的信息存儲；極強的自學、聯(lián)想額容錯能力；良好的自適應(yīng)和自組織性；多輸入、多輸出的非線性系統(tǒng)都基本符合工程的要求。 因此，如何使 PID 控制器具有在線自整定其參數(shù)的功能，是自從使用 PID 控制以來人們始終關(guān)注的重要問題。 PID 控制器 算法簡單、魯棒性好和可靠性高，控制效果良好，因此被廣泛應(yīng)用于工業(yè)控制過程 中 ，尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)。然后再進一步通過仿真實驗數(shù)據(jù)，研究本控制系統(tǒng)的穩(wěn)定性，魯棒性，抗干擾能力等。對工業(yè)控制領(lǐng)域中非線性系統(tǒng)，采用傳統(tǒng) PID 控制不能獲得滿意的控制效果。然而隨著現(xiàn)代工業(yè)過程的日益復(fù)雜，對控制要求的逐步增高（如穩(wěn)定性、準確性、快速性等），經(jīng)典控制理論面臨著嚴重的挑戰(zhàn)。運用 MATLAB 軟件對所設(shè)計的 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制算法進行仿真研究。 Parameter setting 目 錄 摘 要 ..................................................................... Ⅰ Abstract ................................................................... Ⅱ 1 緒論 ...................................................................... 1 課題研究背景及意義 ...................................................... 1 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 ...................................................... 2 2 神經(jīng)網(wǎng)絡(luò) .................................................................. 6 神經(jīng)網(wǎng)絡(luò)的基本概念和特點 ................................................ 6 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成的基本原理 .............................................. 6 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) .......................................................... 7 前饋網(wǎng)絡(luò) .............................................................. 7 反饋網(wǎng)絡(luò) .............................................................. 7 神經(jīng)網(wǎng)絡(luò)的學習方式 ...................................................... 8 監(jiān)督學習 (有教師學習 ) .................................................. 8 非監(jiān)督學習 (無教師學習 ) ................................................ 8 再勵學習 (強化學習 ) .................................................... 9 RBF 神經(jīng)網(wǎng)絡(luò) ............................................................ 9 RBF 神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史 ................................................ 9 RBF 的數(shù)學模型 ........................................................ 9 被控對象 Jacobian 信息的辨識算法 ...................................... 10 RBF 神經(jīng)網(wǎng)絡(luò)的學習算法 ............................................... 11 本章 小結(jié) ............................................................... 12 3 PID 控制器 ............................................................... 13 PID 控制器簡介 ......................................................... 13 經(jīng)典 PID 控制原理 ....................................................... 13 現(xiàn)有 PID 控制器參數(shù)整定方法 ............................................. 15 PID 控制的局限 ......................................................... 15 本章小結(jié) ............................................................... 15 4 基于 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制器設(shè)計 ..................................... 16 RBF 神經(jīng)網(wǎng)絡(luò)的 PID 整定原理 ............................................. 16 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計 ............................................... 16 本章小結(jié) ............................................................... 17 5 仿真分析 ................................................................. 18 系統(tǒng)的穩(wěn)定性分析 ....................................................... 18 系統(tǒng)抗干擾能力分析 ..................................................... 19 系統(tǒng)魯棒性分析 ......................................................... 20 本章小結(jié) ............................................................... 22 結(jié) 論 ..................................................................... 23 參 考 文 獻 ................................................................ 24 致 謝 ..................................................................... 25 附錄 仿真程序 .............................................................. 26 1 1 緒論 課題研究背景及意義 PID 控制器（ 按比例、積分和微分進行控制的調(diào)節(jié)器 ） 是最早發(fā)展起來的應(yīng)用經(jīng)典控制理論的控制策略之一， 是工業(yè)過程控制中應(yīng)用最廣泛，歷史最悠久，生命力最強的控制方式，在目前的工業(yè)生產(chǎn)中， 90％以上的控制器為 PID 控制器。隨著工業(yè)的發(fā)展，控制對象的復(fù)雜程度也在不斷加深，許多大滯后 、時變的、非線性的復(fù)雜系統(tǒng)，如溫度控制系統(tǒng)，被控過程機理復(fù)雜，具有高階非線性、慢時變、純滯后等特點，常規(guī) PID 控制顯得無能為力；另外，實際生產(chǎn)過程中存在著許多不確定因素，如在噪聲、負載振動和其他一些環(huán)境條件下，過程參數(shù)甚至模型結(jié)果都會發(fā)生變化，如變結(jié)構(gòu)、變參數(shù)、非線性、時變等，不僅難以建立受控對象精確的數(shù)學模型，而且 PID 控制器的控制參數(shù)具有固定形式，不易在線調(diào)整，難以適應(yīng)外界環(huán)境的變化，這些使得 PID 控制器在實際應(yīng)用中不能達到理想的效果，越來越受到限制和挑戰(zhàn) ]9[ 。人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本神經(jīng)元相互連接而構(gòu)成的自適應(yīng)非線性動態(tài)系統(tǒng)。同時，它也是一種可以廣泛應(yīng)用于模式識別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。而工業(yè)現(xiàn)場需要先進的控制方法，迫切需要工程化實用化的神經(jīng)網(wǎng)絡(luò)控制方法，所以研究神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用，對提高我國的自動化水平和企業(yè)的經(jīng)濟效益具有重大意義。② RBF 神經(jīng)網(wǎng)絡(luò)具有較強的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡(luò)中 RBF 網(wǎng)絡(luò)是完成映射功能的最優(yōu)網(wǎng)絡(luò)。 缺點：① 最嚴重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。 此外， RBF 神經(jīng)網(wǎng)絡(luò)用于非線性系統(tǒng)建模需要解決的關(guān)鍵問題是樣本數(shù)據(jù)的選擇，在實際工業(yè)過程中，系統(tǒng)的信息往往只能從系統(tǒng)運行的操作數(shù)據(jù)中分 析得到，因此如何從系統(tǒng)運行的操作數(shù)據(jù)中提取系統(tǒng)運行狀況信息，以降低網(wǎng)絡(luò)對訓練樣本的依賴，在實際應(yīng)用中具有重要的價值。 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 神經(jīng)網(wǎng)絡(luò)的研究最早可以追溯到人類考試研究自己智能的時期。Pitts 在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先從信息處理的觀點出發(fā)，合作提出了一種簡單的人工神經(jīng)元數(shù)學模型。 1945年馮 雖然，馮 Hebb 的工作對后來的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法產(chǎn)生了很大的影響，目前的一些神經(jīng)網(wǎng)絡(luò)的學習規(guī)則仍在采用 Hebbian 規(guī)則或它的改進型規(guī)則。這是第一個真正的神經(jīng)網(wǎng)絡(luò)，因為 它在 IBM704 計算機上得到了成功的模擬。1962 年， Rosenblatt 出版了一本名為《 The Priciples of Neuro dynamics》的書，書中詳述了他的感知機。在當時的技術(shù)條件下，解決此類問題是極其困難的。 19721 年，芬蘭的 Kohonen 開始從事隨機連接變化表的研究工作。這一時期， Stephen Grossberg 在自組織網(wǎng)絡(luò)方面的研 4 究也十分活躍。有二個概念對神經(jīng)網(wǎng)絡(luò)的復(fù)興具有極其重大的意義。其中最有影響力的反傳算法是 David Rumelhart 和 James McClelland 提出的。 1987年 6 月在美國加州舉行了第一屆神經(jīng)網(wǎng)絡(luò)國際會議。 如今，神經(jīng)網(wǎng)絡(luò)的應(yīng)用，已滲透到模式識別、圖像處理、非線性優(yōu)化、語音處理、自然語言理解、自動目標識別、機器人、專家系統(tǒng)等各個領(lǐng)域，并取得了令人矚目的成果。當今的自動控制