恒流充电NN_PID.docVIP

本文首先介绍单个神经元和多个神经元构成的神经网络,然后介绍如何将基于BP神经网络PID参数自适应整定 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 2 BP神经网络采用BP学习算法的前馈型神经网络通常被称为BP网络前馈型神经网络前馈网络也称前向网络。这种网络只在训练过程会有反馈信号，而在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号，因此被称为前馈网络。感知机( perceptron)与BP神经网络就属于前馈网络。 中是一个3层的前馈神经网络，其中第一层是输入单元，第二层称为隐含层，第三层称为输出层（输入单元不是神经元，因此图中有2层神经元）。 BP学习算法误差反向传播（Error Back Propagation, BP）算法BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。PID控制器，它输出的控制作用不仅与偏差大小有关，而且与被控对象的状态有关。在偏差较大时，采用一组PID参数，增强控制作用，使对象较快地趋于给定值：当偏差较小时，自动调整为另一组参数，削弱控制作用，避免出现过大的超调量。显然，这样的控制器可以较好地解决稳定性和快速性的矛盾。更进一步，当对象模型摄动时，控制器参数也自动修正，保证模型变化后系统的稳定和控制品质。 BP神经网络具有高度的并行分布式、联想记忆、自组织、自学习、容错能力强的非线性映射能力，体现了人工神经网络最为精华的部分，得到了广泛的应用。 神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。采用BP网络，可以建立参数自学习的PID控制器。 基于BP网络的PID控制系统机构图如下图所示，控制器由两部分组成 经典的PID控制器，直接对被控对象进行闭环控制，并且三个参数为在线调整方式； 神经网络，根据系统的运行状态，调整PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出状态对应于PID控制器的三个可调参数。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。 基于BP神经网络结构的PID控制器结构 PID控制器采用经典的数字式PID控制器。其中经典增量式数字PID的控制算法为 (1) 式中，分别为比例、积分、微分系数。 采用4-5-3结构的三层BP网络，其结构如下图所示。 网络输入层的输入为：，式中输入变量的个数取决于被控系统的复杂程度。 网络隐含层的输入、输出为 （2） 式中，—隐含层加权系数；上角标（1）、（2）、（3）分别代表输入层、隐含层和输出层。 隐含层神经元的激活函数取正负对称的Sigmoid函数 （3） 网络输出层的输入输出为 （4） 输出层输出节点分别对应三个可调参数。由于不能为负值，所以输出层神经元的激活函数取为非负的Sigmoid函数为 （5） 取性能指标函数为 （6） 按照梯度下降法修正网络的权系数，即按照对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项 （7） 式中，为学习速率；为惯性系数。 （8） 由于未知，所以近似用符号函数sgn（）取代，由此带来计算不精确的影响可以通过调整学习速率来补偿。 由式（1）和式（4）可求得 （9） 上述分析可得网络输出层权的学习算法为 （10） 同时可以得到隐含层加权系数