基于改进BP算法的神经网络智能PID控制及应用.pdfVIP

基于改进BP算法的神经网络智能PID控制及其应用 王春芳 (集美航海学院，厦门，361021) 摘要本文采用神经网络的智能PID控制系统，给出了有效的基于BP算法的自适应变步 长榭度算法。研究结果表明这类智能控制器可用于难于建立数学模型的控制系统． 关键词神经网络智能PID自适应变步长梯度算法 1 引言 目前，PID控制仍然是工业过程控带,Jee最常见的一种控制方法。这是由于PID控制器的 结构简单，能对很大一类的工业对象进行有效的控制。但是，传统的PID控制器存在两个固 有缺陷：一是对应于三种控制作用的三个参数难以整定；二是即使整定了一组满意的PID控 制参数，但当对象特性发生时变或随机干扰较大时，也难以保持庭好的控制性能。为了满足 实际要求，人们自然寻求更好的控制方法。近年来，将人工神经网络用于复杂过程控制已引 起了人们的广泛关注，这是由于神经网络具有自学习、自组织、联想记忆、并行处理及较强 的容错能力。在神经网络的备种算法中，由Rumd-Hart等人提出的BP算法是最为引人注目、 应用最广泛的算法之一。但在实际应用中，BP算法收敛速度慢、训练时问长，为此，本文在 BP算法基础上采用自适应变步长梯度方法，从而大大加速其收敛速度。仿真结果表明，神 经经网络智能Pm控制制可用于维以建立数学模型的控制系统。 2 学习算法 现举单输入、单输出(若有多输入、多输出可以此类推)，隐层有三个节点的BP网(如 图1)为例，说明自适应变步长梯度算法的学习过程． X☆ 个岛 圈1 BP罔 薹王塾堂婴墨壁塑塑丝翌堑塑墼婴丝型墨苎壁璺 ．．一———卫 出节点处，传播信号都经过S型激活函数倒=，鲋+P’作用。 输入层：0lP=X1I；￡=1…m ％。 net2女=％201}一矽2；p2*=f(net2女k船f％=以3qI一03； 隐层： 瓯：f(netn)；net．}=噬4D】^一吼；a★=f(net4}) 输出层：net5。=∑％·Ojt一吼；Qt=‰=f(mtst) 2 m m 1 则：E=∑B=寺∑饥～Y-t) 若不满足精度要求，则进行反向传播： 象“y旷¨．，伽‰)．％ 蓑“y旷坩伽鸭∥‰ 象“‰叻)．，．㈣”)．％ 鲁钳t州．，，慨一％．，，‰J 鲁嘲嗍)f，’‰隅s帕‰) 甏砘t咄一八峨一氏。㈣“) 拿：(MI)．，伽耻) 伪k 熹叱*一坩，，慨∥瞄厂㈣痧％ 熹吣旷小厂似‰)．％‘厂枷％一0lt 豢2∽t—n)．厂(埘k)．％’厂(础‰)_％ 修正权值和阐值： ％z％一u喜簧‰=‰一u粪轰；％=％一u善象 嘎=嘎一u喜等B=鸟一u砉等嚷=嚷一c，砉等舻妒Ⅳ善等 肾吣嘻象；肾肾嘻象^氓坷善熹 z兰 叟垫!兰堡兰：茎查主壁星!墨!堂! 在修正权值和闽值时，其迭代步长u是决定耳P算法学--j速度的重要因素。一般来说，U 小收敛慢，U过大．学习速度过快．易出现振荡现象而无法收敛，为此，引入变步长算法： ∥仲+I)=w(k)4-Ⅳ耻)g删越 这里学习速率矾矽动态变化，若E(^)F时．则从∥何出发．沿最速下降方向作一维 搜索，求出最优步长U’似)，满足： 上式中．由于F是一个十分复杂的非线性函数，很难通过最优求极小的方向得到最优的 步长．同时t如果每一步都要求计算，这使计算量变得很大，可是，若从BP网络的误差曲面 可以看出，平坦区存在，若在乎坦区上步长太小，使迭代次数增加，而当W落到误差剧烈变 化的地方，步长太大又使误差增加，反而使迭代次数增加