BP算法的改进和其在PID优化控制中的应用研究.pdf

algorithm. According to the optimization characteristic of the genetic algorithm, this paper is to train the best weights of the BP network, and to combine the improved algorithm with the PID control, to realize the on-line tuning of the PID controller, so that the PID controller has better adaptability and more excellent dynamic performance, and shows that the effectiveness of the proposed algorithm through the example. Key words: BP algorithm; Adaptive Genetic Algorithm; PID control; parameter tuning; Optimization Thesis : Theoretical Research 目 录 目 录 1 绪 论 1 1.1 人工神经网络概述及其发展史 1 1.2 PID 控制器的研究现状 4 1.3 人工神经网络在自动控制中的应用 5 1.4 本课题研究工作及内容安排 6 1.4.1 本课题研究内容 6 1.4.2 本文工作与章节安排 6 2 神经网络的基本原理及模型 8 2.1 神经网络构成的基本原理 8 2.1.1 人工神经元模型 8 2.1.2 连接权值 8 2.1.3 神经网络状态 9 2.1.4 神经网络的输出 9 2.2 神经网络的结构及工作方式 9 2.3 神经网络的运行机制 11 2.4 几种典型的神经网络 12 2.5 神经网络的基本特征 13 2.6 神经网络的发展趋势 14 2.7 本章小结 16 3 BP 算法的改进及其在PID 控制中的应用 17 3.1 BP 神经网络模型 17 3.1.1 BP 神经网络的结构 17 3.1.2 BP 算法及其实现 19 3.1.3 BP 算法的局限性分析 20 3.1.4 BP 网络的设计基础 21 3.2 BP 神经网络算法的改进及仿真 23 3.2.1 BP 神经网络算法的改进 23 3.2.2 改进BP 算法的仿真验证 24 3.3 基于EFBP 神经网络整定的PID 控制原理 26 3.3.1 PID 控制器原理及其参数自整定 26 3.3.2 EFBP 神经网络优化PID 控制参数的仿真和分析 32 3.4 本章小结 34 I 目 录 4 基于自适应遗传算法优化EFBP 神经网络的PID 控制方法研究 36 4.1 遗传算法的结构与特点 36 4.2 自适应遗传算法的特点 37 4.3 自适应遗传算法优化EFBP 网络算法的PID 整定 38 4.3.1 基于自适应遗传算法优化EFBP 网络算法的模型 38 4.3.2 实例仿真及分析 41 4.4 本章小结 44 5 总结与展望 46 5.1 本文的主要研究工作 46