控制系統(tǒng)仿真課程設(shè)計-單神經(jīng)元pid控制系統(tǒng)仿真-全文預(yù)覽
【正文】 w k e k x k?? ? ? （ ） 2 2 2( 1 ) ( ) ( ) ( )Pw k w k e k x k?? ? ? （ ） 3 3 3( 1 ) ( ) ( ) ( )Dw k w k e k x k?? ? ? （ ） 式中， ,I p D?? ? 為積分、比例、微分的學習速率； 1()xk= ()ek （ ） 2()xk= ()ek? （ ） 3()xk= 2 ()ek? = ( ) 2 ( 1) ( 2 )e k e k e k? ? ? ? （ ） 這里對積分 (I)、比例 (P)、微分 (D)分別采用不同的學習速率 ,I p D?? ? ，以便對它們各自的權(quán)系數(shù)能根據(jù)需要分別進行調(diào)整。這樣就通過關(guān)聯(lián)搜索保證了系統(tǒng)的無靜差。 ?—— 學習速率， 0?? 。如何獲得更完善的自學習能力、聯(lián)想能力的算法是關(guān)鍵。 那么有 ： ( ) ( 1)u k u k? ? ? 31 ( ) ( )iiiK w k x k?? （ ） 即有： ()uk? = 1 2 3[ ( ) ( ) ( ) ( ) ( ) ( ) ]K w k e k w k e k w k e k?? （ ） e ∑ k 對象 1z? x1 x2 x3 u?x3 + + yout rin 試比較（ ）與（ ）可以看出 PID參數(shù)分別為1() P ITKw k K T?（積分系數(shù)），2() pKw k K? (比例系數(shù) )， 2 () DP TKw k K T? (微分系數(shù) )。用神經(jīng)元實現(xiàn)的自適應(yīng) PID 控制器結(jié)構(gòu)框圖如圖 圖 單神經(jīng)元自適應(yīng) PID控制框圖 PID 控制算 法 如圖 ，狀態(tài)轉(zhuǎn)換器的輸入反映被控對象及控制設(shè)定的狀態(tài)。這種算法在模式識別，智能控制等許多領(lǐng)域得到廣泛應(yīng)用。此外，神經(jīng)網(wǎng)絡(luò)的引入還是直接自適應(yīng)控制得以實現(xiàn)。 Sfunction最廣泛的用途是定制用戶自己的 Simulink模塊。是用于動態(tài)系統(tǒng)和嵌入式系統(tǒng)的多領(lǐng)域仿真和基于模型的設(shè)計工具。在新的版本中也加入了對 C， FORTRAN， C++， JAVA 的支持。 1Ni ij j ijne t x?????? (11) ?? 2i? 2i? iN? ? i? iy 1x 2x Nx 此作用引起神經(jīng)元 i 的狀態(tài)變化，而神經(jīng)元 i 的輸出 yi是其當前狀態(tài)的函 數(shù) g(?),稱之為活化函數(shù)（ State of activation）。 對人腦神經(jīng)元進行抽象簡化后得到一種稱為 McCullochPitts 模型的人工神經(jīng)元，如圖 所示。 關(guān)鍵詞 : 單神經(jīng)元 ；自適應(yīng) PID 控制；神經(jīng)網(wǎng)絡(luò)； 第一章 前言 引言 人工神經(jīng)網(wǎng)絡(luò) ANN(artificial neural work)是 最近發(fā)展起來的十分熱門的交叉學科。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)作為新興發(fā)展的智能控制系統(tǒng)，能很好地解決上述問題，已經(jīng)在很多領(lǐng)域得到應(yīng)用，同時也顯示了它 的優(yōu)越性。 然而在工業(yè)實際控制中，被控對象往往還具有高度的非線性，不確定性和參數(shù)時變等特點，在這種情況下單純依靠 PID控制是不能達到要求的。 通 過仿真對比發(fā)現(xiàn)單神經(jīng)元自適應(yīng) PID控制器比傳統(tǒng)的 PID控制器控制效果好?；谏窠?jīng)網(wǎng)絡(luò)的 PID控制，其結(jié)構(gòu)方式有兩類：一類是單神經(jīng)元控制，即神經(jīng)元輸入權(quán)值一一對應(yīng) PID參數(shù)，神經(jīng)元輸入值為經(jīng)過比例、積分、微分處理的偏差值，其主要局限性在于單神經(jīng)元結(jié)構(gòu)無任意函數(shù)逼近能力；另一類是在常規(guī) PID控制器的基礎(chǔ)上增加一個神經(jīng) 網(wǎng)絡(luò)模塊，按照 BP學習算法 (如前向算法和反傳算法 )進行離線學習，實時調(diào)整出 PID參數(shù)，同時還要繼續(xù)學習不斷地調(diào)整神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元間權(quán)系數(shù)，以適應(yīng)被控對象的變化，因此，具有很強的適應(yīng)性。根據(jù)不同的運算方式，凈輸入的表達方式有多種類型，其中最簡單的一種是線性加權(quán)求和，即式 （ 11）。 MATLAB 及 SIMULINK 簡介 MATLAB 的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學、工程中常用的形式十分相似，故用 MATLAB 來解算問題要比用 C， FO
研究報告相關(guān)推薦
鄂ICP備17016276號-1