基于bp神經網絡的pid控制在主汽溫控制系統(tǒng)中的應用(編輯修改稿)
2025-07-16 15:42 本頁面
【文章內容簡介】 絡，輸入神經元以編號，隱含層神經元以編號，輸出層神經元以編號，計算公式如下：隱含層第個神經元的輸入為： （26）第個神經元的輸出為： （27）輸出層第個神經元的輸入為： （28）相應的輸出為： （29）式中，——函數(shù)，有： （210）式中， ——閥值或偏置值, ，則使S曲線沿橫坐標左移，反之則右移。因此，各神經元的輸出應為 （211） （212）BP網絡學習中的誤差反向傳播過程是通過使一個目標函數(shù)(實際輸出與希望輸出之間的誤差平方和)最小化完成的，可以利用梯度下降法導出計算公式[10]。學習過程中，設第個輸出神經元的希望輸出為，而網絡輸出為，則系統(tǒng)平均誤差為： （213）略去下標，式（213）可寫成 （214）式中，——目標函數(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。如果它是從A點開始向下滑行，則最終到達全局最小點B。 圖24 BP網絡梯度下降學習算法BP網絡的學習算法的步驟歸納如下：①從訓練樣本集中取某一樣本，把它的輸入信息輸入到網絡中；②由網絡正向計算出各節(jié)點的輸出；③計算網絡的實際輸出與期望輸出的誤差；④從輸出層起始反向計算到第一個隱層，按一定原則向減小誤差方向調整網絡的各個連接權值；⑤對訓練樣本集合中的每一個樣本重復以上步驟，直到對整個訓練樣本集合的誤差達到要求為止。如果通過網絡訓練，BP網絡的輸出達到目標要求后，網絡各節(jié)點之間的連接權值就確定下來了，我們就可以認為BP網絡已經學習好了，我們就可以利用這個訓練好的網絡對未知樣本進行識別預測了。BP學習算法流程總結如圖25所示 ：圖25 BP學習算法流程圖神經網絡的學習規(guī)則即調整神經網絡連接權值的規(guī)則。學習規(guī)則可以分為兩類：有監(jiān)督學習和無監(jiān)督學習。有監(jiān)督學習就是通過外部教師信號進行學習，即要求同時給出輸入和正確的期望輸出的模式對，當實際輸出結果與期望輸出有誤差時，網絡將通過自動機制調節(jié)相應的連接強度，使之向減少誤差的方向改變，經過多次反復訓練，最后與正確的結果相符合。 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。其學習過程表現(xiàn)為：給系統(tǒng)提供動態(tài)輸入信號，以使各個單元以某種方式競爭，獲勝的神經元本身或相鄰域得到增強，其他神經元進一步抑制，從而將信號空間劃分為有用的多個區(qū)域。常見的學習規(guī)則為：①無監(jiān)督學習規(guī)則學習規(guī)則是一類相關學習，它的基本思想是：如果兩個神經元同時被激活，則它們之間的連接強度的增強與它們激勵的乘積成正比。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，該公式表明兩神經元之間連接權的變化量與它們的激活值相關。②有監(jiān)督的學習規(guī)則在學習規(guī)則中，引入教師信號，將式(215)中的換成目標輸出與實際輸出之差，就組成了有監(jiān)督的學習規(guī)則： (216)即兩神經元間連接強度的變化量與教師信號和網絡實際輸出信號之差成正比。③有監(jiān)督的學習規(guī)則將無監(jiān)督的學習和有監(jiān)督的學習兩者結合起來就可組成有監(jiān)督的學習規(guī)則，即： （217）采用學習和有監(jiān)督的學習相結合的學習策略，使神經元通過關聯(lián)搜索對未知的外界作出反應，即在教師信號的指導下，對環(huán)境信號進行相關學習和自組織，使相應的輸出增強或削弱。BP網絡的學習過程由正向和反向傳播兩部分構成。正向傳播過程中，每一層神經元的狀態(tài)只影響下一層神經元結構，如果輸出層不能得到期望輸出，即期望輸出與實際輸出之間存在誤差時，就轉向反向傳播。反向傳播過程將誤差信號沿著原來路徑返回，通過不斷修正各層神經元權值，逐次地向輸入層傳播進行計算，修改之后的權值再經過正向傳播，將期望輸出與實際輸出比較。這兩個過程不斷反復運用，直到達到所設定的誤差值[14]。所以說，BP網絡是一個有導師的學習過程。 第3章 神經網絡PID控制器的設計PID控制要取得好的控制效果，就必須通過調整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關系，這種關系不一定是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的關系。神經網絡具有逼近任意非線性函數(shù)的能力，而且結構和學習算法簡單明確。可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制。采用BP神經網絡，可以建立參數(shù)、自學習PID控制。 BP神經網絡的PID控制神經網絡PID控制，根據系統(tǒng)的運行狀態(tài)，調節(jié)PID控制器的參數(shù)，以其達到某種性能指標的最優(yōu)化，即使輸出層神經元的輸出狀態(tài)對應于PID控制器的三個可調參數(shù)、通過神經網絡的自身學習、
研究報告相關推薦
鄂ICP備17016276號-1