【正文】 射是線性的，即網(wǎng)絡的輸出是隱層神經(jīng)元輸出的線性加權和，此處的權值為網(wǎng)絡的可調參數(shù)。 以后的研究者針對以前研究中存在的問題與不足提出了許多改進的方法，比如 Chen提出的 OLS(Orthogonal Least Squares)算法； 等人提出的 HSOL (Hierarchically SelfOrganizing Learning) 算法； Platt 提出的 RAN(Resource Allocating Network)在線學習算法； Kadirkamanathan 和 Niranjan 提出的 RANEKF(RAN via Extended Kalman Filter)算法等?？梢哉J為，這種學習的評價準則隱含于網(wǎng)絡內部。在這種學習中學習的結果，即網(wǎng)絡的輸出有一個評價的標準，網(wǎng)絡將實際輸出和評價標準進行比較，由其誤差信號來調節(jié)系統(tǒng)權值。在反饋網(wǎng)絡中，輸入信號決定 反饋系統(tǒng)的初始狀態(tài)，然后系統(tǒng)經(jīng)過一系列的狀態(tài)轉移后，逐漸收斂于平衡狀態(tài)。如圖所示，神經(jīng)元分層排列，有輸入層、隱層 (亦稱中間層，可有若干層 )和輸入層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸入。自動控制理論 7 經(jīng)歷了經(jīng)典控制理論、現(xiàn)代控制理論，進入了智能控制理論的新階段。用人工神經(jīng)網(wǎng)絡的反饋網(wǎng)絡就可以實現(xiàn)這種聯(lián)想。神經(jīng)網(wǎng)絡系統(tǒng)是指利用工程技術手段，模擬人腦神經(jīng)網(wǎng)絡的結構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)。神經(jīng)網(wǎng)絡在國民經(jīng)濟和國防科技現(xiàn)代化建設中具有廣闊的應用領域和發(fā)展前景。另一方面，與模糊控制、神經(jīng)網(wǎng)絡控制和專家控制相結合，揚長避短，發(fā)揮各自的優(yōu)勢，形成所謂智能 PID 控制。反饋理論的要素包括三個部分：測量、比較和執(zhí)行。有一千多名學者參加，并成立了國際神網(wǎng)絡學會。其一是：用統(tǒng)計機解釋某些類型的遞歸網(wǎng)絡的操作，這類網(wǎng)絡課作為兩廂存儲器。從 1972年開始，他很快集中到聯(lián)想記憶方面 。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。 第一次研究高潮：五十至六十年代， 1958 年 F諾依曼領導的設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。這一時期截止到 1949年。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)絡就無法進行工作。神經(jīng)網(wǎng)絡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)絡算法與 PID 控制相結合產(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。神經(jīng)網(wǎng)絡控制能夠充分任意地逼近任何復雜的非線性關系，具有很強的信息綜合能力，能夠學習和適應嚴重不確定系統(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。 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)。對工業(yè)控制領域中非線性系統(tǒng)，采用傳統(tǒng) PID 控制不能獲得滿意的控制效果。運用 MATLAB 軟件對所設計的 RBF 神經(jīng)網(wǎng)絡整定的 PID 控制算法進行仿真研究。隨著工業(yè)的發(fā)展，控制對象的復雜程度也在不斷加深，許多大滯后 、時變的、非線性的復雜系統(tǒng)，如溫度控制系統(tǒng)，被控過程機理復雜，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)甚至模型結果都會發(fā)生變化，如變結構、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，不易在線調整，難以適應外界環(huán)境的變化，這些使得 PID 控制器在實際應用中不能達到理想的效果，越來越受到限制和挑戰(zhàn) ]9[ 。同時，它也是一種可以廣泛應用于模式識別、非線性函數(shù)逼近等領域的神經(jīng)網(wǎng)絡模型。② RBF 神經(jīng)網(wǎng)絡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)絡中 RBF 網(wǎng)絡是完成映射功能的最優(yōu)網(wǎng)絡。 此外， RBF 神經(jīng)網(wǎng)絡用于非線性系統(tǒng)建模需要解決的關鍵問題是樣本數(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)絡對訓練樣本的依賴，在實際應用中具有重要的價值。Pitts 在分析、總結神經(jīng)元基本特性的基礎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。雖然，馮 這是第一個真正的神經(jīng)網(wǎng)絡，因為 它在 IBM704 計算機上得到了成功的模擬。在當時的技術條件下，解決此類問題是極其困難的。這一時期， Stephen Grossberg 在自組織網(wǎng)絡方面的研 4 究也十分活躍。其中最有影響力的反傳算法是 David Rumelhart 和 James McClelland 提出的。 如今，神經(jīng)網(wǎng)絡的應用，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)等各個領域，并取得了令人矚目的成果。 PID 控制器簡單易懂，使用中不需精確的系統(tǒng)模型等先決條件，因而成為應用最為廣泛的控制器。 20 世紀 80 年代中期以來，在美國、日本等一些西方工業(yè)發(fā)達國家里，掀起了一股競相研究、開發(fā)神經(jīng)網(wǎng)絡的熱潮。 PID 控制要取得較好的控制效果，就必須通過調整好比例、積分、微分三種控制作用，形成控制量中既有相互配合又相互制約的關系。 人工神經(jīng)網(wǎng)絡的以下幾個突出的優(yōu)點使它近年來引起人們的極大關 注： （ 1）能逼近任意 L2 上的非線性函數(shù)； （ 2）信息的并行分布式處理與存儲； （ 3）可以多輸入、多輸出； （ 4）便于用超大規(guī)模集成電路或光學集成電路系統(tǒng)實現(xiàn)，或用現(xiàn)有的計算機技術實現(xiàn)； （ 5）能進行學習，以適應環(huán)境的變化； 人工神經(jīng)網(wǎng)絡的特點和優(yōu)越性，主要表現(xiàn)在三個方面： 第一 ， 具有自學習功能。 人工神經(jīng)網(wǎng)絡構成的基本原理 神經(jīng)網(wǎng)絡是由一個或多個神經(jīng)元組成的信息處理系統(tǒng)。在分析傳統(tǒng)的常規(guī) PID 控制存在的優(yōu)缺點的基礎上，給出了一些改進型 PID控制器。大部分前饋網(wǎng)絡都是學習網(wǎng)絡，它們的分類能力和模式識別能力一般都強于反饋網(wǎng)絡，典型的前饋網(wǎng)絡有感知器、 BP 網(wǎng)絡等。反饋神經(jīng)網(wǎng)絡中所有節(jié)點都是計算單元，同時也可接收輸入，并向外界輸出。 非監(jiān)督學習 (無教師學習 ) 無教師學習是一種自組織學習，即網(wǎng)絡的學習過程完全是一種自我學習的過程，不存在外部教師的示教，也不存在外部環(huán)境的反饋指示網(wǎng)絡應該輸出什么或者是否正確，故又稱之為無監(jiān)督學習。外部環(huán)境對系統(tǒng)輸出的結果給出評價信息 (獎或懲 )而不是給出正確答案。它以徑向基函數(shù)作為隱節(jié)點的激活函數(shù)，具有收斂速度快、逼近精度高、網(wǎng)絡規(guī)模小等特點。 被控對象 Jacobian 信息的辨識算法 在 RBF 網(wǎng)絡結構中， ? ?TnxxxX ,..., 21? 為網(wǎng)絡的輸入向量。 根據(jù)數(shù)據(jù)中心的取值方法， RBF 神經(jīng)網(wǎng)絡的設計方法可分為兩大類： ① ．數(shù)據(jù)中心從樣本輸入中選取 這種方法數(shù)據(jù)中心從樣本輸入中選取，如正交最小二乘算法、正則化正交最小二乘算、進化優(yōu)選算法等。 本文采用 RBF 的梯度下降法，所以下面主要介紹 RBF 學習的梯度下降法。重點分析 RBF 神經(jīng)網(wǎng)絡的結構和學習算法，為以后引入 RBF 神經(jīng)網(wǎng)絡 PID 控制算法提供了理論基礎。所謂增益是指調節(jié)器的輸出相對變化量與相應輸入的相對變化量之比。積分作用用積分時間 TI 來表示其作用的強弱。 TI 太小系統(tǒng)將不穩(wěn)定； TI 偏小，振蕩次數(shù)較多； TI 太大，對系統(tǒng)性能的影響減少；當 TI 合適時，過渡過程特性比較理想。當被控變量偏離設定點時，隨著偏離速度的增加，控制器的增益也隨之增加，這樣可以促使被控變量盡快回到設定 點，又不至于引起過大的振蕩（相對于單純的增加控制增益而言）。 PID 控制器參數(shù)整定的方法很多，概括起來有兩大類：一是理論計算整定法。利用該方法進行 PID 控制器參數(shù)的整定步驟如下 ： (l) 首先預選擇一個足夠短的采樣周期讓系統(tǒng)工作； (2) 僅加入比例控制環(huán)節(jié)，直到系統(tǒng)對輸入的階躍響應出現(xiàn)臨界振蕩，記下這時的比例放大系數(shù)和臨界振蕩周期； (3) 在一定的控制度下通過公式計算得到 PID 控制器的參數(shù)。例如，在某一時刻、某種條件下整定好的控制器參數(shù)，由于被控對象的結構或參數(shù)時變，在另一時刻、另一條件下控制效果往往欠佳，甚至可能使控制系統(tǒng)失 穩(wěn) ]9[ 。具有局部逼近的優(yōu)點， RBF 神經(jīng)網(wǎng)絡是一種性能優(yōu)良的前饋型神經(jīng)網(wǎng)絡， RBF 網(wǎng)絡可以任意精度逼近任意的非線性函數(shù)，且具有全局逼近能力，從 17 根本上解決了 BP 網(wǎng)絡的局部最優(yōu)問題，而且拓撲結構緊湊，結構參 數(shù)可實現(xiàn)分離學習，收斂速度快。首先用 MATLAB 將被控對象數(shù)學模型 G(s)化為差分方程形式，設仿真步距 ts=，則 M 程序為： Ts= Sys=tf([1],[1,2,25]) Deys=c2d(sys,ts, 39。 人工神經(jīng)網(wǎng)絡理論 (Artificial Neural Network— ANN)是近十幾年迅速發(fā)展起來的一門新興學科。 本文設計了一個基于 RBF 神經(jīng)網(wǎng)絡整定的 PID 控制器，并運用 MATLAB 軟件對該控制系統(tǒng)進了仿真研究（主要針對數(shù)學模型傳遞函數(shù)為 2 階的被控對象進行了研究），通過仿真實驗我們可以看出，本控制系統(tǒng)有著不錯的穩(wěn)定性、魯棒性和抗干擾能力。沒有 她 的鼓勵和幫助，本篇論文也是很難完成的。 x=[0,0,0]39。 bi_1=bi。u_2=0。w_2=w_1。 h=[0,0,0,0,0,0]39。 close all。 24 參 考 文 獻 [1] 薛定宇 . 控制系統(tǒng)仿真與計算機輔助設計 . 北京 : 機械工業(yè)出版社 ,2021 [2] 黃忠霖 . 控制系統(tǒng) MATLAB 計算及仿真 . 北京 : 國防工業(yè)出版社 ,2021 [3] 董長虹 . 神經(jīng)網(wǎng)絡與應用 . 北京 : 國防工業(yè)出版社 ,2021 [4] 張化光 ,孟祥萍 . 智能控 制基礎理論及應用 . 北京 :機械工業(yè)出版社 ,2021 [5] 徐麗娜 ,神經(jīng)網(wǎng)絡控制 . 哈爾濱 :哈爾濱工業(yè)大學出版社 ,1999 [6] 陶永華 ,尹怡欣 ,葛蘆生 . 新型 PID 控制及其應用 . 北京 : 機械工業(yè)出版社 ,1998 [7] 何玉彬 ,李新忠 . 神經(jīng)網(wǎng)絡控制技術及其應用 . 北京 :科學出版社 ,2021 [8] 董長虹 . MATLAB 神經(jīng)網(wǎng)絡與應用 . 北京 :國防工業(yè)出版社 ,2021 [9] 舒懷林 . PID 神經(jīng)元網(wǎng)絡及其控制系統(tǒng) . 北京 : 國防工業(yè)出版社 ,2021 [10] 魏海坤 . 神經(jīng)網(wǎng)絡結構設計的理論方 法 . 北京 : 國防工業(yè)出版社 ,2021 [11] 楊平等編著 . 自動控制原理 . 北京 : 中國電力出版社 ,2021 [12] 劉金琨 . 先進 PID 控制及其 MATLAB 仿真 . 北京 : 電子工業(yè)出版社 ,2021 [13] 魏巍 . MATLAB 控制工程工具箱技術手冊 . 北京 :國防工業(yè)出版社 ,2021 [14] 郭晶 ,楊章玉 . 輔助神經(jīng)網(wǎng)絡分析與設計 . 北京 :電子工業(yè)出 版社 ,200 [15] 王樹青．先進控制技術及應用 . 北京：化學工業(yè)出版社， 2021 [16] 張德江等編著 . 計算機控制系統(tǒng) . 北京：機械工業(yè)出版社， 2021 [17] 龍曉林，徐金方．基于優(yōu)化 BP 神經(jīng)網(wǎng)絡的 PID 控制器研究明．計算機測量與控制，2021 [18] H． Du， H． Shao， P． Yao． Adaptive neural work control for a class of lowtriangularstructured nonlinear systems． IEEE Tram． Neural Network． 2021， 17(2)：509～ 5 14 [19] w． S． Mclulloch， W． Pitts． A Logical Calculus of the Ideas Immanent in NerVors ActiVity． Bulletin of Mathematical Biophysics， 1943， 5： 115～ 133 [20] Martin． T． Hagan， Howard． B． Demuch， Mark． H． Beale． Neural Network Design，1992， 8(50)： 327～ 334 [21] Isidro Sanchez， Julio R Banga,Antonio A Alonso． Temperature control in microwave bination ovens． Journal of Food Engineering， 2021， 46： 21～ 29 [22] P． Cominos and N． Munro． PID contr01lers： recent tuning methods and design to specification． IEE Proc—Contr01 Theory， 20