【正文】 ，抗干擾能力等。 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?；?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(xué)習(xí)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⒛軌虻钟鈦頂_動的影響，達到具有良好的魯棒性的目標。③ 網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系。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。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”。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。最初感知機的學(xué)習(xí)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(xùn)練過程，這與后來的 BP 算法和 Kohone 自組織算法類似。該書在學(xué)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。同時，東京 NHA 廣播科學(xué)研究室大阪大學(xué)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。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(zé)難。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。 PID 控制器由比例單元（ P）、積分單 元（ I）和微分單元（ D）組成。近十多年來人工神經(jīng)網(wǎng)絡(luò)的發(fā)展也表明了，這是一項有著廣泛的應(yīng)用前景的新型學(xué)科，它的發(fā)展對目前和未來科學(xué)技術(shù)水平的提高將有重要影響。這種關(guān)系不一定是簡單的線性組合，從變化無窮的非線性組合中可以找出最佳關(guān)系。例如實現(xiàn)圖像識別時，只在先把許多不同的圖像樣板和對應(yīng)的應(yīng)識別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就 會通過自學(xué)習(xí)功能，慢慢學(xué)會識別類似的圖像。對于具有 m 個輸入節(jié)點和 z 個輸出節(jié)點的神經(jīng)網(wǎng)絡(luò)，輸入輸出關(guān)系可以看作是 m維歐氏空間到 n維歐氏空間的映射模型 ，用數(shù)學(xué)形式表示為 f： Y=f(x)，其中 x， Y 分別為輸入、輸出向量。 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 人工神經(jīng)網(wǎng)絡(luò)是以工程技術(shù)手段來模擬人腦神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)與特性的系統(tǒng)。 圖 21 前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 反饋 網(wǎng)絡(luò) 反饋型神經(jīng)網(wǎng)絡(luò) (feedback neural work)，又稱反饋網(wǎng)絡(luò)，它的結(jié)構(gòu)如下圖所示。 圖 22 反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式 通過向環(huán)境學(xué)習(xí)獲取知識并改進自身性能是神經(jīng)網(wǎng)絡(luò)的一個重要特點，在一般情況下，性能的改進是按某種預(yù)定的度量通過調(diào)節(jié)自身參數(shù) (如 權(quán)值 )隨時間逐步達到的，根據(jù)環(huán)境提供信息的多少，神經(jīng)網(wǎng)絡(luò)共有三種學(xué)習(xí)方式： ① 監(jiān)督學(xué)習(xí) (有教師學(xué)習(xí) )； ② 非監(jiān)督學(xué)習(xí) (無教師學(xué)習(xí) )； ③ 再勵學(xué)習(xí) (強化學(xué)習(xí) )。所謂自組織學(xué)習(xí)就是網(wǎng)絡(luò)根據(jù)某種規(guī)則反復(fù)地調(diào)整連接權(quán)以響應(yīng)輸入模式的激勵，直到網(wǎng)絡(luò)最后形成某種有序狀態(tài)。學(xué)習(xí)系統(tǒng)通過強化那些受獎的動作來改善自身的性能。 RBF 的數(shù)學(xué)模型 RBF 神經(jīng)網(wǎng)絡(luò)通常是一種三層前向網(wǎng)絡(luò)， RBF 網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。設(shè) RBF 網(wǎng)絡(luò)的徑向基向量? ?Tmj hhhhH ,. .. ,. .. , 21? ，其中 jh 為高斯基函數(shù) mjbCXhijj , . . .2,1,2e x p22??????????? ??? 網(wǎng)絡(luò)的第 j 個結(jié)點的中心矢量為 ? ?Tjnjtjjj ccccC ,. ..,. .., 21? ，其中， i=1,2， … n 設(shè)網(wǎng)絡(luò)的基寬向量為 ? ?TmbbbB ,......, 21? 1b 為節(jié)點 j 的基寬度參數(shù)，且為大于零的數(shù)。這類方法的特點是數(shù)據(jù)中心一旦獲得就不再改變，而隱節(jié)點的數(shù)目一開始就固定，或者在學(xué)習(xí)過程中動態(tài)調(diào)整。在以下 RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中 ,......, 21 lXXX 為樣本輸入，相應(yīng)的樣本輸出為 ,......, 21 Nyyy 網(wǎng)絡(luò)中第 j 個隱節(jié)點的激活函數(shù)為 ??j? 。 13 3 PID 控制器 PID 控制器簡介 PID 控制是迄今為止最通用的控制方法，各種 DCS、智能調(diào)節(jié)器等均采用該方法或其較小的變形來控制（至今在全世界過程控制中 84％仍是純 PID 調(diào)節(jié)器，若改進型包含在內(nèi)則超過 90％），盡管自 1940 年以來，許多先進控制方法不斷推出，但 PID 控制以其結(jié)構(gòu)簡單，對模型誤差具有魯棒性及易于操作等優(yōu)點，故仍廣泛應(yīng)用于各種工 業(yè)過程控制中。如控制器的增益為 5，意味著控制器輸入變化 10％（相對于測量范圍而言），將會導(dǎo)致控制器的輸出變化 50％（相對于全范圍而言）。積分時間可以理解為：在階躍偏差輸入作用下，調(diào)節(jié)器的輸出達到比例輸出兩倍時所經(jīng)歷的時間，即為“重定”時間。 ③．微分環(huán)節(jié)：反應(yīng)偏差信號的變化情況，并能在信號偏差變化太大之前系統(tǒng)中引入一個有效的早期修正信號，從而加快控制器的調(diào)節(jié)速率，縮短過渡過程時間，減少超調(diào)。微分作用使調(diào)節(jié)過程偏差減小，時間縮短，余差也減少（但不能消除）。它主要是根據(jù)系統(tǒng)的數(shù)學(xué)模型，經(jīng)過一系列理論計算確定控制器的各個參數(shù)。 同 ZN 經(jīng)驗法不同，臨界比例法不依賴于對象的數(shù)學(xué)模型 參數(shù)，而是總結(jié)了前人理論和實踐的經(jīng)驗，通過實驗由經(jīng)驗公式得到 PID 控制器的最優(yōu)整定參數(shù)。 本章小結(jié) 本章闡述了常規(guī) PID 控制器的理論基礎(chǔ) ， 研究了幾種典型的參數(shù)整定方法 ，還分析了PID 控制的局限性， 為進一步研究基于神經(jīng)網(wǎng)絡(luò)的智能 PID 控制器做準備。 RBF 網(wǎng)絡(luò)和模糊邏輯能夠?qū)崿F(xiàn)很好的互補，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)泛化能力 ]13[ 。z39。由于其獨特的特性，已應(yīng)用于控制、信號分析、音處理等多個領(lǐng)域中。通過對本課題的研究，本人覺得神經(jīng)網(wǎng)絡(luò) PID 控制仍然還是一個比較新的研究領(lǐng)域，基于 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制理論還涉及到很多其他學(xué)科的知識和關(guān)鍵技術(shù)，由于時間倉促加 上筆者剛剛涉及這一領(lǐng)域，許多重要的研究內(nèi)容尚未涉及或者研究深度不夠。另外，在生活方面， 平 老師也處處關(guān)心學(xué)生，給予了我很大的幫助。 ci=30*ones(3,6)。bi_2=bi_1。y_2=。 w_1=w。 w=10*ones(6,1)。最后 再一次 向所有曾給予本人幫助、支持和鼓勵的 良師益友和 同學(xué)們表示最衷心的感謝 ! 感謝各位老師百忙之中對本文的審閱和提出的寶貴意見 ! 26 附錄 仿真程序 %Adaptive PID control based on RBF Identification clear all。而且，筆者認為基于 RBF 神經(jīng)網(wǎng)絡(luò)整定的 PID 控制將是一個很具有應(yīng)用前景的課題，值得進一步深入研究。這些特性使得神經(jīng)網(wǎng)絡(luò)非常適合于復(fù)雜系統(tǒng)的建模與控制。z39。通過神經(jīng)網(wǎng)絡(luò)自身的學(xué)習(xí)，可以找到某一最優(yōu)控制下的 P、 I、 D 參數(shù)。 神經(jīng)網(wǎng)絡(luò) PID控制器的設(shè)計 PID 控制要取得良好的控制效果，就必須對比例、積分和微分三種控制作用進行調(diào)整以形成相互配合又相互制約的關(guān)系，這種關(guān)系不能是簡單的“線性組合”，可從變化無窮的非線性組合中找出最佳的關(guān)系。 PID 控制的局限 PID 控制器在實際應(yīng)用中的局限主要有： ① .由于實現(xiàn)控制系統(tǒng)的元器件物理特性的限制，使得 PID 控制器獲得的原始信息偏離實際值，而其產(chǎn)生的控制作用偏離理論值。第二種方法是工程整定方法，它主要依賴工程經(jīng)驗，直接在控制系統(tǒng)的試驗中進行，且方法簡單、易于掌握，在工程實際中被廣泛采用。微分控制通常與比例控制或積分控制聯(lián)合作用，構(gòu)成 PD 或 PID 校制。它的輸出與輸 入偏差變化的速度成比例，其作用是阻止被調(diào)參數(shù)的一切變化，有超前調(diào)節(jié)的作用，對滯后大的對象有很好的效果。積分作用太強時也會引起振蕩，積分時間的選擇是與控制過程的時間常數(shù)密切相關(guān)的。過大的增益會引起振蕩，過小的增益會使調(diào)節(jié)過程變的太慢。 經(jīng)典 PID控制原理 PID 控制器是一種線性控制器，它根據(jù)給定值 r(k)與實際輸出值 y(k)構(gòu)成控制偏差： E(k)=r(k)y(k) 其原理如下圖所示： 圖 31 經(jīng)典 PID 控制原理圖 由上圖可以看出 PID 控制器是基于比例 P，積分 I，微分 D 的控制器，它是一 種基于偏差控制的線性控制器，根據(jù)實際輸出值和給定值相比較，得出一個偏差，通過線性組合將 P， I， D，以及偏差組合在一起構(gòu)成一個控制量 U，對被控對象進行控制 ]6[ 。雖然可以用批處理來完成上述兩個學(xué)習(xí)階段，但 12 是使用迭代的方法更理想。最常用的是 kmeans 聚類或 Kohonen 提出的自組織映射 (Self Organizing Feature Map， SOFM)方法、梯度下降法、資源分配網(wǎng)絡(luò)等。 Jacobian 陣（即為對象的輸出對控制輸入的靈敏度信息）算法為 11 ?? ??????? mj jjijjumyuy b xchwkkkk 1 2 1)( )()( )( 式中， )(1 kux ? RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 通過分析 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點，可以發(fā)現(xiàn)主要有兩個因素決定結(jié)構(gòu)：網(wǎng)絡(luò)隱層神經(jīng)元個數(shù)及其中心、隱層與輸出層連接權(quán)值。 圖 23 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 10 根據(jù) RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析，構(gòu)成 RBF 神經(jīng)網(wǎng)絡(luò)的基本思想是：用 RBF 作為隱層神經(jīng)元的 “基 ”構(gòu)成隱含層空間，這樣就可將輸入矢量直接映射到隱空間。他們在 1988 年發(fā)表的論文《 Multivariable functional interpolation and adaptive works》中初步探討了 RBF 用于神經(jīng)網(wǎng)絡(luò)設(shè)計與應(yīng)用于傳統(tǒng)插值領(lǐng)域的不同特點，進而提出了一種三層結(jié)構(gòu)的 RBF 神經(jīng)網(wǎng)絡(luò)。一旦網(wǎng)絡(luò)顯現(xiàn)出輸入數(shù)據(jù)的統(tǒng)計特征，網(wǎng)絡(luò)就實現(xiàn)了對輸入特征的編碼，即把輸入特征 “記憶 ”下來，而且在記憶之后，當(dāng)它再出現(xiàn)時，能把它識別出來。這種訓(xùn)練的過程需要有教師示教，提供數(shù)據(jù)，又稱樣板數(shù)據(jù)。反饋型神經(jīng)網(wǎng)絡(luò)是一種非線性動學(xué)系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。就神經(jīng)網(wǎng)絡(luò)的主要連接形式而育，目前己有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)模型，其中前饋網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)是兩種典型的結(jié)構(gòu)模型。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般表現(xiàn)為一個多輸入、單輸出的非線性運算器件，網(wǎng)絡(luò)結(jié)構(gòu)可以由單個神經(jīng)元的基本結(jié)構(gòu)展現(xiàn)出來，主要包括三個基本要素： ① 一組連接 (對應(yīng)于生物神經(jīng)元的突觸 )，連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激活，為負表示抑制； ② 一個求和單元，用于求取各輸入信號的加權(quán)和 (線性組合 )； ③ 一個激活函數(shù)，起到非線性映射作用并將神經(jīng)元的輸出值幅度限制在一定范圍內(nèi)。預(yù)期未來的人工神經(jīng)網(wǎng)絡(luò)計算機將為人類提 供 經(jīng)濟預(yù)測、市場預(yù)測、效益預(yù)測，其應(yīng)用前途是很遠大的。因此基于神經(jīng)網(wǎng)絡(luò)的 PID 不僅能適應(yīng)環(huán)境變化，且有較強的魯棒性 ]4[ 。科技發(fā)達國家的主要公司對神經(jīng)網(wǎng)絡(luò)芯片、生物芯片情有獨鐘。人們對 PID 應(yīng)用的同時，也對其進行各種改進，主要體現(xiàn)在兩個方面：一是對常規(guī) PID 本身結(jié)構(gòu)的改進，即變結(jié)構(gòu) PID 控制。隨著人們對大腦信息處理機理認知的深化，以及人工神經(jīng)網(wǎng)絡(luò)智能水平的提高，人工神經(jīng)網(wǎng)絡(luò)必將在科學(xué)技術(shù)領(lǐng)域發(fā)揮更大的作用。 84 年他用此模型成功地解決了復(fù)雜度為 NP 的旅行商問題 (TSP) 。到了 80 年代，隨著個人計算機和工作站的計算能力的急劇增強和廣泛應(yīng)用，以及不斷引入新的概念，克服了擺在神經(jīng)網(wǎng)絡(luò)研究面前的障礙，人們對神經(jīng)網(wǎng)絡(luò)的研究熱情空前高漲。即使如此， 20 世紀 70 年代，科學(xué)家們?nèi)匀辉谠擃I(lǐng)域開展了許多重要的工作。 1959 年 和 發(fā)表了論文《 Adaptive Switch Circuits 》 ,提出了自適應(yīng)線性元件網(wǎng)絡(luò)，簡稱 Adaline, Adaline 實質(zhì)上是一個二層前饋感知機型網(wǎng)絡(luò)。 Hebb 同時提出了網(wǎng)絡(luò)學(xué)習(xí)的規(guī)則，即 Hebbian 規(guī)則，從而使神經(jīng)網(wǎng)絡(luò)具有了可靠性。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。因此，研究 RBF 神經(jīng)網(wǎng)絡(luò)顯然具有重要理論意義和重要的應(yīng)用價值 ]5[ 。⑤ 學(xué)習(xí)過程收斂速度快。神經(jīng)網(wǎng)絡(luò)控制作為二十一世紀的自動化 控制技術(shù)，國內(nèi)外理論與實踐均充分證明，其在工業(yè)復(fù)雜過程控制方面大有用武之地。人們一直在尋求 PID 控制器參數(shù)的自適應(yīng)技術(shù)，以適應(yīng)復(fù)雜系統(tǒng)的控制要求，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展使這種設(shè)想成為可能。 RBF neural work。 I 華北電力大學(xué) 畢 業(yè) 設(shè) 計 (論文 ) 系 別 專業(yè)班級 學(xué)生姓名 指導(dǎo)教師 年 月 題