【正文】 個汽水行程中工質(zhì)溫度的最高點，也是金屬壁溫的最高處。以表示單元的激活值，表示單元的激活值，表示單元到單元的激活值，則學習規(guī)則可用下式表示： （215） 其中，為學習速率，該公式表明兩神經(jīng)元之間連接權的變化量與它們的激活值相關。BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種，它不僅具有人工神經(jīng)網(wǎng)絡的特點，而且有自己的BP算法。通過轉換函數(shù)實現(xiàn)輸入信號到輸出信號的映射，稱為激活函數(shù)。這四種類型各自具有不同的網(wǎng)絡模型：前饋網(wǎng)絡中主要有Adaline、BP網(wǎng)絡及RBF網(wǎng)絡；反饋網(wǎng)絡主要有Hopfield網(wǎng)絡；自組織網(wǎng)絡主要有ART網(wǎng)，當前，已經(jīng)比較成熟的神經(jīng)網(wǎng)絡控制模型主要有神經(jīng)自校正控制，神經(jīng)PID控制，神經(jīng)模型參考自適應控制，神經(jīng)內(nèi)膜控制等等。人工神經(jīng)網(wǎng)絡主要應用領域：①知識處理：神經(jīng)網(wǎng)絡可以從數(shù)據(jù)中自動獲取數(shù)據(jù)（知識），把新知識結合到它的映射函數(shù)中去，使得神經(jīng)網(wǎng)絡非常適合于處理某類知識，特別是不精確的知識?？梢哉f，自動化水平是衡量一個國家的生產(chǎn)技術和科學水平先進與否的一項重要標志。對這樣一個系統(tǒng)在MATLAB平臺上進行仿真研究，仿真結果表明基于BP神經(jīng)網(wǎng)絡的自整定PID控制具有良好的自適應能力和自學習能力，對大遲延和變對象的系統(tǒng)可取得良好的控制效果。1986年，《并行分布式處理》一書的前兩卷，對人工神經(jīng)網(wǎng)絡研究高潮的到來起到了推波助瀾的作用。而神經(jīng)網(wǎng)絡源于對人腦神經(jīng)功能的模擬，它的某些類似人的智能特性有可能被用于解決現(xiàn)代控制面臨的一些難題。神經(jīng)網(wǎng)絡的神經(jīng)元之間的連接強度用權值大小來表示，這種權值可以通過對訓練的學習而不斷變化，而且隨著訓練樣本量的增加和反復學習，這些神經(jīng)元之間的連接強度會不斷增加，從而提高神經(jīng)元對樣本特征的反映靈敏度。 無監(jiān)督學習就是不需要外部教師信號，因而不能確切知道正確的反應是什么，學習表現(xiàn)為自適應于輸入空間的檢測規(guī)則。基于BP神經(jīng)網(wǎng)絡自整定PID控制系統(tǒng)方框圖如圖31所示。同理導前區(qū)的傳遞函數(shù)也可以表示為： （42）其中為導前區(qū)的放大系數(shù)，為導前區(qū)的時間常數(shù)，為階次，該傳遞函數(shù)也可以通過實驗求的。本文重點介紹了BP神經(jīng)網(wǎng)絡PID控制器的控制原理和學習規(guī)則通過仿真可以看出神經(jīng)PID不依賴于被控對象的模型，在對象變化的時候仍然能表現(xiàn)出良好的控制性能，明顯優(yōu)于傳統(tǒng)的PID控制。(2) 保護過熱器，使其管壁不超過允許的工作溫度。所以說，BP網(wǎng)絡是一個有導師的學習過程。如果它是從A點開始向下滑行，則最終到達全局最小點B。神經(jīng)元輸出可用下式描述： （22）設 （23）則 （24）是作用函數(shù)，即激發(fā)函數(shù)。 人工神經(jīng)元一般是一個多輸入/單輸出的非線性器件，其結構模型如圖21所示。概括地說，神經(jīng)網(wǎng)絡在信號處理領域主要應用于自適應信號處理(自適應濾波、時間序列預測、譜估計、陣列處理、消除噪聲、檢測等)、非線性信號處理(非線性濾波、非線性預測、非線性譜估計、非線性編碼、調(diào)制、解調(diào)、中值處理等)。對于自動控制來說,神經(jīng)網(wǎng)絡有具有自適應功能，泛化功能，非線性映射功，高度并行處理功能等幾方面優(yōu)勢，這使得神經(jīng)網(wǎng)絡成為當今一個非常熱門的交叉學科, 廣泛應用在電力，化工，機械等各行各業(yè)，并取得了比較好的控制效果?；贐P神經(jīng)網(wǎng)絡的PID控制在主汽溫控制系統(tǒng)中的應用 摘 要 2第1章 緒論 3 選題的背景 3 3 國內(nèi)外研究現(xiàn)狀 5第2章 神經(jīng)網(wǎng)絡概述 6 引言 6 人工神經(jīng)網(wǎng)絡的基本理論 6 6 神經(jīng)網(wǎng)絡原理 7 MP模型 7 8 BP神經(jīng)網(wǎng)絡 9 BP神經(jīng)網(wǎng)路概述 9 BP算法的計算公式及流程圖 10 12第3章 神經(jīng)網(wǎng)絡PID控制器的設計 14 14 14 BP神經(jīng)網(wǎng)絡的PID控制 14 14第4章 BP神經(jīng)網(wǎng)絡PID控制在主汽溫 16控制系統(tǒng)中的應用 16 16 16 主蒸汽溫度的控制的任務 16 17 主汽溫的數(shù)學模型 18 減溫水擾動下主汽溫的數(shù)學模型 18 19 主汽溫基于BP神經(jīng)網(wǎng)絡的PID控制仿真 21 結論 23參考文獻 24網(wǎng) 址 25基于BP神經(jīng)網(wǎng)絡的PID控制在主汽溫控制系統(tǒng)中的應用摘 要目前，由于PID具有結構簡單，可通過調(diào)節(jié)比例積分和微分取得基本滿意的控制性能，廣泛應用在電廠的各種控制過程中。神經(jīng)網(wǎng)絡控制是一種基本上不依賴于模型的控制方法,它比較適用于那些具有不確定性或高度非線性的控制對象,并具有較強的適應和學習功能,它是智能控制的一個重要分支。④信號處理：神經(jīng)網(wǎng)絡同樣也被廣泛地應用于信號處理，如目標檢測、畸變波形的恢復、雷達回波的多目標分類、運動目標的速度估計、多目標跟蹤等。人工神經(jīng)元是對生物神經(jīng)元結構和功能的模擬，是對生物神經(jīng)元的形式化描述，是對生物生物神經(jīng)元的信息處理過程的抽象。圖22 MP模型示意圖其中：，神經(jīng)元的輸出信號，可與其它多個神經(jīng)元連接；，神經(jīng)元的輸入信號；：神經(jīng)元的連接權值；：神經(jīng)元的閥值：：神經(jīng)元的非線性作用函數(shù)。示意圖如圖24所示，梯度下降學習算法總是在尋找坡度最大的地段向下滑行，當它處于D位置時，沿最大坡度路線下降，到達局部最小點而G停止滑行。這兩個過程不斷反復運用，直到達到所設定的誤差值[14]。對于亞臨界機組的主汽溫為，長期運行應控制在，對于超臨界及超超臨界主汽溫應控制在，長期運行應控制在。但是BP神經(jīng)網(wǎng)絡PID控制