【文章內(nèi)容簡介】 （315）對于輸出節(jié)點： （316）對于隱含節(jié)點： （317）式中，是輸出節(jié)點的輸出，是隱含節(jié)點的輸出，是輸入節(jié)點的輸出。 從上面推導可得網(wǎng)絡連接權(quán)值調(diào)整式： （318）式中，表示第步，為平滑因子。圖32 網(wǎng)絡計算流程圖1） 初始化 設置所有權(quán)值初始值為較小的隨機數(shù)；2） 提供訓練集 設定輸入向量和期望輸出向量；3） 計算實際輸出值 分別按照公式（31）、（32）計算隱含層和輸出層中各神經(jīng)元的輸出值；4） 按式（34）計算期望輸出與實際輸出的偏差；5） 按式（316）計算輸出層節(jié)點的權(quán)系數(shù)；6） 按式（317）計算隱含層節(jié)點的權(quán)系數(shù)；7） 返回“2）”重新計算，直到誤差滿足要求為止。控制器不僅具有結(jié)構(gòu)簡單、實現(xiàn)容易等特點，而且能對許多工業(yè)生產(chǎn)實際對象進行有效快速的控制，因而控制是工業(yè)生產(chǎn)過程控制中最常用也是控制理論研究界最經(jīng)典的控制方法之一。盡管控制器具有許多優(yōu)勢但是其本身也具有一定的局限性：如果被控對象是一個復雜而且非線性的系統(tǒng)或者是難以用精確的數(shù)學模型對其進行描述的系統(tǒng)的時候，往往就很難達到預期的控制效果。 控制的現(xiàn)實意義當前，控制和智能控制器相結(jié)合的應用已經(jīng)非常普遍了，各種各樣的多功能智能控制器應用于實際中，很多大公司研制出了具有參數(shù)自整定功能的智能控制器，利用這種智能控制器能有效地實現(xiàn)對壓力、溫度、液位、流量等過程參量的控制，還有可以實現(xiàn)控制功能的可編程邏輯控制器以及實現(xiàn)控制功能的系統(tǒng)等。控制被大量應用于各種簡單的控制系通過中。 控制器參數(shù)整定方法控制器被發(fā)現(xiàn)至今已有70多年的歷史，常常被應用在被控對象的結(jié)構(gòu)參數(shù)難以掌控或者得不到精確的數(shù)學模型以及理論技術(shù)難以掌控的控制系統(tǒng)中?？刂破鞯妮斎肱c輸出的關(guān)系為： （319）上式中，是系統(tǒng)的輸入值，是輸入量與輸出量之間的偏差，為比例系數(shù)、為積分系數(shù)、為微分系數(shù)。根據(jù)對已有控制系統(tǒng)設計經(jīng)驗的總結(jié)，可以得出參數(shù)，的整定規(guī)律如下。（1） 當偏大時，應取相對較大的和相對較小的且使=0。（2） 當中等時，應取較小的適當?shù)暮?。?）當偏小時，應取相對較大的和，的取值要適當。單獨使用比例調(diào)節(jié)的缺點就是不能消除靜差，影響控制的精確度；消除系統(tǒng)靜差的方法有很多其中最有效且最實用的方法就是加入積分環(huán)節(jié)。因此，比例和積分加在一起的可以將比例環(huán)節(jié)的快速性和積分環(huán)節(jié)消除誤差的作用很好的結(jié)合起來，從而有效改善了被控系統(tǒng)的性能。加入積分環(huán)節(jié)后可以改善系統(tǒng)的靜態(tài)性能，在此基礎上再加入微分環(huán)節(jié)，可以在靜差存在但不是很大的時候，根據(jù)偏差的變化率提前給出一個使控制效果更好的調(diào)節(jié)作用，使系統(tǒng)達到較好的控制效果。 基于網(wǎng)絡的控制器控制器要取得滿意的控制效果，就必須對其中的比例、積分和微分三種控制作用進行調(diào)整使之成為最佳的組合。因為神經(jīng)網(wǎng)絡具有自學習的能力，所以可以通過系統(tǒng)的自學習來在線整定給并出具有最優(yōu)控制效果的控制參數(shù)。 基于網(wǎng)絡的控制器結(jié)構(gòu)通過神經(jīng)網(wǎng)絡的自學習能力，可以找尋求到某一最優(yōu)控制規(guī)律下的參數(shù)?；谏窠?jīng)網(wǎng)絡的控制器的結(jié)構(gòu)如圖五所示，控制器由兩部分組成為經(jīng)典控制器和神經(jīng)網(wǎng)絡。其工作原理為在經(jīng)典控制器直接對被控對象進行負反饋閉環(huán)控制的基礎上使其內(nèi)部參數(shù)為在線整定的狀態(tài)，同時利用神經(jīng)網(wǎng)絡不斷在線調(diào)節(jié)控制器的參數(shù)，直至達到滿意的控制效果。也就是說使神經(jīng)網(wǎng)絡輸出層3個神經(jīng)元的輸出值分別對應于控制器的三個可調(diào)參數(shù)、通過神經(jīng)網(wǎng)絡的自學習能力不斷調(diào)整各神經(jīng)元之間的權(quán)值系數(shù)，從而使最終確定的控制器能取得最優(yōu)的控制效果。 神經(jīng)網(wǎng)絡的算法設計神經(jīng)網(wǎng)絡控制系統(tǒng)的工作原理為: 在神經(jīng)網(wǎng)絡自學習的基礎上, 通過實時調(diào)整其權(quán)值系數(shù), 使系統(tǒng)具有自適應性, 達到滿意的控制效果?？刂扑惴ǖ碾x散形式可以表示為 （320）式中，分別為比例、積分、微分系數(shù)。將視為依賴于系統(tǒng)運行狀態(tài)的可調(diào)系數(shù)時，上式可描述為 （321）上面公式中的函數(shù)是與，等參數(shù)有關(guān)的一個非線性函數(shù)，能夠通過神經(jīng)網(wǎng)絡的不斷訓練和學習來找到一個這樣具有最佳控制效果的控制規(guī)律。神經(jīng)網(wǎng)絡中的輸入層在整個控制器的功能和緩沖存儲器的作用相同, 就是把輸入的數(shù)據(jù)加到網(wǎng)絡上。輸入數(shù)據(jù)的維數(shù)即輸入特征向量的維數(shù)決定了輸入層神經(jīng)元的個數(shù)。在選擇輸入向量的時候, 要充分考慮選擇的輸入特征向量是否能完全準確地描述事物的本質(zhì)特征。如果特征向量不能有效地反應事物的特征, 這樣的神經(jīng)網(wǎng)絡經(jīng)過訓練之后的輸出就會與與實際的期望輸出之間有較大的誤差。因此, 在選擇特征向量的時后, 就必須以實際需要為標注, 選取最能表現(xiàn)事物本質(zhì)的典型特征。圖34 神經(jīng)網(wǎng)絡控制器神經(jīng)元結(jié)構(gòu)根據(jù)大量設計經(jīng)驗，設計神經(jīng)網(wǎng)絡是一個具有三層結(jié)構(gòu)的網(wǎng)絡，其結(jié)構(gòu)示意圖如上圖所示，其中輸入層有3個神經(jīng)元，隱層有3個神經(jīng)元，輸出層有3個神經(jīng)元。輸入節(jié)點對應所選的系統(tǒng)運行狀態(tài)量；輸出節(jié)點分別對應控制器的三個可調(diào)參數(shù)。由圖可見，神經(jīng)網(wǎng)絡輸入層節(jié)點的輸入為， （322）網(wǎng)絡的隱含層輸入、輸出為 ， （323）式中，為隱含層權(quán)系數(shù)，為閾值；為激發(fā)函數(shù)，；上角標（1）、（2）、（3）分別對應輸入層、隱含層、輸出層。最后，網(wǎng)絡的輸出層的輸入、輸出為 ， （324）式中，為輸出層權(quán)系數(shù)；為閾值，；為激發(fā)函數(shù)， （325）取性能指標函數(shù)為 （326）根據(jù)變速下降法來修正網(wǎng)絡各神經(jīng)元間的權(quán)值系數(shù)，就是說按對各權(quán)值系數(shù)的負梯度的方向來進行循環(huán)的修正與調(diào)整，并在此基礎上附加一個能使整個調(diào)整過程收斂速度加快的全局小慣性項變量，那么就有