【正文】 2 反饋型神經(jīng)網(wǎng)絡結構 神經(jīng)網(wǎng)絡的學習方式 通過向環(huán)境學習獲取知識并改進自身性能是神經(jīng)網(wǎng)絡的一個重要特點，在一般情況下，性能的改進是按某種預定的度量通過調節(jié)自身參數(shù) (如 權值 )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)絡共有三種學習方式： ① 監(jiān)督學習 (有教師學習 )； ② 非監(jiān)督學習 (無教師學習 )； ③ 再勵學習 (強化學習 )。如果能找到網(wǎng)絡的 Lyapunov 函數(shù)，則能保證網(wǎng)絡從任意的初始狀態(tài)都能收斂到局部最小點。在反饋網(wǎng)絡中，輸入信號決定 反饋系統(tǒng)的初始狀態(tài)，然后系統(tǒng)經(jīng)過一系列的狀態(tài)轉移后，逐漸收斂于平衡狀態(tài)。反饋型神經(jīng)網(wǎng)絡是一種非線性動學系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。 圖 21 前饋型神經(jīng)網(wǎng)絡結構 反饋 網(wǎng)絡 反饋型神經(jīng)網(wǎng)絡 (feedback neural work)，又稱反饋網(wǎng)絡，它的結構如下圖所示。但從計算的觀點看，缺乏豐富的動力學行為。如圖所示，神經(jīng)元分層排列，有輸入層、隱層 (亦稱中間層，可有若干層 )和輸入層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸入。就神經(jīng)網(wǎng)絡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)絡模型，其中前饋網(wǎng)絡和反饋型網(wǎng)絡是兩種典型的結構模型。 神經(jīng)網(wǎng)絡的結構 人工神經(jīng)網(wǎng)絡是以工程技術手段來模擬人腦神經(jīng)元網(wǎng)絡的結構與特性的系統(tǒng)。在本章，首先對 PID 控制方法進行簡要的概述，然后回顧了傳統(tǒng)的常規(guī) PID 控制系統(tǒng)一 模擬 PID 控制系統(tǒng)和數(shù)字PID 控制系統(tǒng)。自動控制理論 7 經(jīng)歷了經(jīng)典控制理論、現(xiàn)代控制理論，進入了智能控制理論的新階段。神經(jīng)元是神經(jīng)網(wǎng)絡的基本處理單元，一般表現(xiàn)為一個多輸入、單輸出的非線性運算器件，網(wǎng)絡結構可以由單個神經(jīng)元的基本結構展現(xiàn)出來，主要包括三個基本要素： ① 一組連接 (對應于生物神經(jīng)元的突觸 )，連接強度由各連接上的權值表示，權值為正表示激活，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。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，輸入輸出關系可以看作是 m維歐氏空間到 n維歐氏空間的映射模型 ，用數(shù)學形式表示為 f： Y=f(x)，其中 x， Y 分別為輸入、輸出向量。尋找一個復雜問題的優(yōu)化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型 人工神經(jīng)網(wǎng)絡，發(fā)揮計算機的高速運算能力 ，可能很快找到優(yōu)化解。用人工神經(jīng)網(wǎng)絡的反饋網(wǎng)絡就可以實現(xiàn)這種聯(lián)想。預期未來的人工神經(jīng)網(wǎng)絡計算機將為人類提 供 經(jīng)濟預測、市場預測、效益預測，其應用前途是很遠大的。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的應識別的結果輸入人工神經(jīng)網(wǎng)絡，網(wǎng)絡就 會通過自學習功能，慢慢學會識別類似的圖像?；谌斯ど窠?jīng)網(wǎng)絡的控制簡稱為神經(jīng)網(wǎng)絡控制 ]7[ 。神經(jīng)網(wǎng)絡系統(tǒng)是指利用工程技術手段，模擬人腦神經(jīng)網(wǎng)絡的結構和功能的一種技術系統(tǒng)，它是一種大規(guī)模并行的非線性動力學系統(tǒng)。因此基于神經(jīng)網(wǎng)絡的 PID 不僅能適應環(huán)境變化，且有較強的魯棒性 ]4[ 。這種關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系。它主要應用領域有：語音識別、圖像識別、計算機視覺、智能機器人、故障診斷、實時語言翻譯、企業(yè)管理、市場分析、決策優(yōu)化、物資調運、自適應控制、專家系統(tǒng)、智能接口、 神經(jīng)心理學、心理學和認知科學研究等等。神經(jīng)網(wǎng)絡在國民經(jīng)濟和國防科技現(xiàn)代化建設中具有廣闊的應用領域和發(fā)展前景?？萍及l(fā)達國家的主要公司對神經(jīng)網(wǎng)絡芯片、生物芯片情有獨鐘。近十多年來人工神經(jīng)網(wǎng)絡的發(fā)展也表明了，這是一項有著廣泛的應用前景的新型學科，它的發(fā)展對目前和未來科學技術水平的提高將有重要影響。它從開始研究到發(fā)展并不是一帆風 順的，經(jīng)歷了興起到低潮，再 5 轉入新的高潮的曲折發(fā)展道路。另一方面，與模糊控制、神經(jīng)網(wǎng)絡控制和專家控制相結合，揚長避短，發(fā)揮各自的優(yōu)勢，形成所謂智能 PID 控制。人們對 PID 應用的同時，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 本身結構的改進，即變結構 PID 控制。 PID 控制器由比例單元（ P）、積分單 元（ I）和微分單元（ D）組成。 PID（比例 積分 微分）控制器作為最早實用化的控制器已有 50 多年歷史，現(xiàn)在仍然是應用最廣泛的工業(yè)控制器。反饋理論的要素包括三個部分：測量、比較和執(zhí)行。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)絡智能水平的提高，人工神經(jīng)網(wǎng)絡必將在科學技術領域發(fā)揮更大的作用。從眾多應用研究領域取得的豐碩成果來看，人工神經(jīng)網(wǎng)絡的發(fā)展具有強大的生命力。 1990 年我國的 863 高技術研究 計劃，批準了關于人工神經(jīng)網(wǎng)絡的三項課題，自然科學基金與國防科技預研基金也都把神經(jīng)網(wǎng)絡的研究列入選題指南，對中選的課題提供研究上的資助。有一千多名學者參加，并成立了國際神網(wǎng)絡學會。 84 年他用此模型成功地解決了復雜度為 NP 的旅行商問題 (TSP) 。該算法有力的回答了 60 年代 Minsky 和 Papert 對神經(jīng)網(wǎng)絡的責難。其二是：在 20 世紀 80 年代，幾個不同的研究者分別開發(fā)出了用于訓練多層感知機的反串算法。其一是：用統(tǒng)計機解釋某些類型的遞歸網(wǎng)絡的操作，這類網(wǎng)絡課作為兩廂存儲器。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用，以及不斷引入新的概念，克服了擺在神經(jīng)網(wǎng)絡研究面前的障礙，人們對神經(jīng)網(wǎng)絡的研究熱情空前高漲。同時，東京 NHA 廣播科學研究室大阪大學教授 Fukushima 提出了一種稱為 Neocognitron 的神經(jīng)網(wǎng)絡，它是一個視覺識別機制，與生物視覺理論相符合。 1973 年和 1977 年又把 LAM 應用到諸如 識別、重構和任意可視模式的聯(lián)想這樣的問題上。從 1972年開始，他很快集中到聯(lián)想記憶方面 。即使如此， 20 世紀 70 年代，科學家們仍然在該領域開展了許多重要的工作。該書在學術界產(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)絡研究的熱情驟然下降，迅速轉入低潮。低潮時期：六十年代末至七十年代， 1969 年， Minsky 和 Paper 等發(fā)表了專著《 Perceptrons》，該書指出，簡單的神經(jīng)網(wǎng)絡只能進行線性分類和求解一階謂詞問題，而不能進行非線性分類和解決比 較復雜的高階謂詞問題，如 XOR、對稱性判別和宇稱等問題。感知機具有輸入層、輸出層和中間層，它可以模仿人的特性，并用它做了實驗。 1959 年 和 發(fā)表了論文《 Adaptive Switch Circuits 》 ,提出了自適應線性元件網(wǎng)絡，簡稱 Adaline, Adaline 實質上是一個二層前饋感知機型網(wǎng)絡。最初感知機的學習機制是自組織的，響應的發(fā)生與隨機的初始值有關，后來加入了訓練過程，這與后來的 BP 算法和 Kohone 自組織算法類似。用于模擬一個生物視覺模型，第一次從理論研究轉圖工程實踐階段。 第一次研究高潮：五十至六十年代， 1958 年 F Hebb 同時提出了網(wǎng)絡學習的規(guī)則，即 Hebbian 規(guī)則，從而使神經(jīng)網(wǎng)絡具有了可靠性。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)絡研究的先驅之一。但是，由于指令存儲式計算機技術的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡研究的新途徑，繼續(xù)投身于指令存儲式計算機技術的研究，并在此領域作出了巨大貢獻。諾依曼領導的設計小組試制成功存儲程序式電子計算機， 標志著電子計算機時代的開始。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡研究的先驅。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”。Mcculloch 和數(shù)理邏輯學家 W這一時期截止到 1949年。因此，研究 RBF 神經(jīng)網(wǎng)絡顯然具有重要理論意義和重要的應用價值 ]5[ 。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)絡的發(fā)展，致使其理論發(fā)展緩慢。④ 理論和學習算法還有待于進一步完善和提高。② 不能向用戶提出必要的詢問，而且當數(shù)據(jù)不充分的時候，神經(jīng)網(wǎng)絡就無法進行工作。⑤ 學習過程收斂速度快。③ 網(wǎng)絡連接權值與輸出呈線性關系。 RBF 網(wǎng)絡和模糊邏輯能夠實現(xiàn)很好的互補，提高神經(jīng)網(wǎng)絡的學習泛化能力，本課題是以 RBF 神經(jīng)網(wǎng)絡模型研究為主， RBF 神經(jīng)網(wǎng)絡的優(yōu)缺點主要表現(xiàn)在以下幾個方面： 優(yōu)點：① 它具有唯一最佳逼近的特性，且無局部極小問題存在。神經(jīng)網(wǎng)絡具有很強的非線性逼近能力和自學習能力，所以將 RBF 神經(jīng)網(wǎng)絡算法與 PID 控制相結合產(chǎn)生的間接自校正控制策略，能自動整定 控制器的參數(shù)，使系統(tǒng)在較好的性能下運行。神經(jīng)網(wǎng)絡控制作為二十一世紀的自動化 控制技術，國內外理論與實踐均充分證明，其在工業(yè)復雜過程控制方面大有用武之地?；?RBF 神經(jīng)網(wǎng)絡 的 PID 控制器由經(jīng)典的 PID 控制器和 RBF 神經(jīng)網(wǎng)絡組成，其基本思想是利用神經(jīng)網(wǎng)絡的自學習功能和非線性函數(shù)的表示能力，遵從一定的最優(yōu)指標，在線調整 PID 控制器的參數(shù)，使之適應被控對象參數(shù)以及結構的變化和輸入?yún)⒖夹盘柕淖兓?，并能夠抵御外來擾動的影響，達到具有良好的魯棒性的目標。 徑向基 神經(jīng)網(wǎng)絡 (簡稱 RBF 網(wǎng)絡 )，是一種高效的前饋式神經(jīng)網(wǎng)絡，它具有其他前向網(wǎng)絡所不具有的最佳逼近性能和全局最優(yōu)特性，并且結構簡單，訓練速度快。神經(jīng)網(wǎng)絡控制能夠充分任意地逼近任何復雜的非線性關系，具有很強的信息綜合能力，能夠學習和適應嚴重不確定系統(tǒng)的動態(tài)特性，故有很強的魯棒性和容錯性，可以處理那些難以用模 型和規(guī)則描述的過程 ；神經(jīng)網(wǎng)絡所具有的大規(guī)模的并行處理和分布式的信息存儲；極強的自學、聯(lián)想額容錯能力；良好的自適應和自組織性；多輸入、多輸出的非線性系統(tǒng)都基本符合工程的要求。人們一直在尋求 PID 控制器參數(shù)的自適應技術，以適應復雜系統(tǒng)的控制要求，神經(jīng)網(wǎng)絡理論的發(fā)展使這種設想成為可能。 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注的重要問題。但是 如果控制器參數(shù)整定不好，即使控制器本身很先進，其控制效果也會很差。 PID 控制器 算法簡單、魯棒性好和可靠性高，控制效果良好，因此被廣泛應用于工業(yè)控制過程 中 ，尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)。 RBF neural work。然后再進一步通過仿真實驗數(shù)據(jù)，研究本控制系統(tǒng)的穩(wěn)定性，魯棒性，抗干擾能力等。因此，本文通過對 RBF 神經(jīng)網(wǎng)絡的結構和計算方法的學習，設計一個基于 RBF 神經(jīng)網(wǎng)絡整定的 PID 控制器，構建其模型，進而編寫 M 語言程序。對工業(yè)控制領域中非線性系統(tǒng)，采用傳統(tǒng) PID 控制不能獲得滿意的控制效果。 I 華北電力大學 畢 業(yè) 設 計 (論文 ) 系 別 專業(yè)班級 學生姓名 指導教師 年 月 題 目 基于 RBF神經(jīng)網(wǎng)絡整定的 PID控制器設計及仿真 Ⅰ 基于 RBF 神經(jīng)網(wǎng)絡整定的 PID 控制器設計及仿真 摘 要 目前，因為 PID 控制具有簡單的控制結構，可通過調節(jié)比例積分和微分取得基本滿意的控制性能，在實際應用中又較易于整定，所以廣泛應用于過程控制和運動控制中，尤其在可建立精確模型的確定性控制系統(tǒng)中應用比較多。然而隨著現(xiàn)代工業(yè)過程的日益復雜，對控制要求的逐步增高（如穩(wěn)定性、準確性、快速性等），經(jīng)典控制理論面臨著嚴重的挑戰(zhàn)。采用基于梯度下降算法優(yōu)化 RBF 神經(jīng)網(wǎng)絡，它將神經(jīng)網(wǎng)絡和 PID 控制技術融為一體，既具有常規(guī) PID 控制器結構簡單、物理意義明確的優(yōu)點，同時又具有神經(jīng)網(wǎng)絡自學習、自適應的功能。運用 MATLAB 軟件對所設計的 RBF 神經(jīng)網(wǎng)絡整定的 PID 控制算法進行仿真研究。 關鍵詞： PID； RBF 神經(jīng)網(wǎng)絡；參數(shù)整定 Ⅱ SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATION Abstract At present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly plex of the modern industrial process, however, increased