智能控制系統(tǒng)-神經(jīng)網(wǎng)絡-資料下載頁
2025-01-06 05:19本頁面
【正文】 η 和平滑因子 α ， k=1； 2)采樣得到 r(k)和 y(k)，計算 e(k)=z(k)=r(k)y(k)； 3)對 r(i),y(i),u(i1),e(i)進行歸一化處理，作為 NN的 輸入； 4)前向計算 NN的各層神經(jīng)元的輸入和輸出， NN輸出層的輸 出即為 PID控制器的三個可調(diào)參數(shù) KP(k),KI(k),KD(k)； 5)計算 PID控制器的控制輸出 u(k)，參與控制和計算； 6)計算修正輸出層的權系數(shù) w(3)li(k)； 7)計算修正隱含層的權系數(shù) w(2)ij(k)； 8)置 k=k+1，返回到 “ 2） ” 。 基于 BP神經(jīng)網(wǎng)絡的 PID控制算法 改進型 BP神經(jīng)網(wǎng)絡控制參數(shù)自學習 PID控制 將神經(jīng)網(wǎng)絡用于控制器的設計或直接學習計算控制器的輸出（控制量），一般都要用到系統(tǒng)的預測輸出值或其變化量來計算權系數(shù)的修正量。但實際上，系統(tǒng)的預測輸出值是不易直接測得的，通常的做法是建立被控對象的預測數(shù)學模型，用該模型所計算的預測輸出來取代預測處的實測值，以提高控制效果。 采用線性預測模型的 BP神經(jīng)網(wǎng)絡 PID控制器 1) 事先選定 BP神經(jīng)網(wǎng)絡 NN的結(jié)構，即選定輸入層節(jié)點數(shù) M和隱含層節(jié)點數(shù) Q，并給出權系數(shù)的初值 w(2)ij(0), w(3)li(0)，選定學習速率 η 和平滑因子 α ， k=1； 2) 用線性系統(tǒng)辨識法估計出參數(shù)矢量 θ(k) ，從而形成一步預報模型式； 3) 采樣得到 r(k)和 y(k)，計算 e(k)=z(k)=r(k)y(k)； 4) 對 r(i),y(i),u(i1),e(i)進行歸一化處理，作為 NN的輸入； 5) 前向計算 NN的各層神經(jīng)元的輸入和輸出， NN輸出層的輸出即為 PID控制器的三個可調(diào)參數(shù) KP(k),KI(k),KD(k)； 6) 計算 PID控制器的控制輸出 u(k)，參與控制和計算； 7)計算 和 ； 8) 計算修正輸出層的權系數(shù) w(3)li(k)； 9) 計算修正隱含層的權系數(shù) w(2)ij(k)； 10) 置 k=k+1，返回到 “ 2） ” 。 )1( ?? ky )(/)1( kuky ??? ?線性預測模型的 BP神經(jīng)網(wǎng)絡 PID控制系統(tǒng)算法 采用非線性預測模型的 BP神經(jīng)網(wǎng)絡 PID控制器 1) 事先選定 BP神經(jīng)網(wǎng)絡 NN的結(jié)構，即選定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù) Q，并給出權系數(shù)的初值 w(2)ij(0), w(3)li(0)，選定學習速率 η 和平滑因子 α ， k=1； 2) 采樣得到 r(k)和 y(k)，計算 e(k)=z(k)=r(k)y(k)； 3) 對 r(i),y(i),u(i1),e(i)進行歸一化處理，作為 NN的輸入； 4) 前向計算 NN的各層神經(jīng)元的輸入和輸出， NN輸出層的輸出即為 PID控制器的三個可調(diào)參數(shù) KP(k),KI(k),KD(k)； 5) 計算 PID控制器的控制輸出 u(k)，參與控制和計算； 6)前向計算 NNM的各層神經(jīng)元的輸入和輸出， NNM的輸出為 ，計算修正隱含層和輸出層的權系數(shù)； 7)計算 ； 8)計算修正輸出層的權系數(shù) w(3)li(k)； 9)計算修正隱含層的權系數(shù) w(2)ij(k)； 10)置 k=k+1，返回到 “ 2） ” 。 )1( ?? ky)(/)1( kuky ??? ?基于 BP神經(jīng)網(wǎng)絡的 PID控制算法 作業(yè) 基于 VC(或 VB)是編程實現(xiàn) BP網(wǎng)絡，并利用該 程序?qū)崿F(xiàn)簡單圖形分類器
教學課件相關推薦
鄂ICP備17016276號-1