智能控制技术第6章-神经网络控制).pptVIP

神经网络控制;*;*;*;*;*;*;*;*;6.3 神经网络自适应控制;神经网络自适应控制;神经网络自适应控制;6.4　 神经网络PID控制;3.4.1 基于BP神经网络控制参数自学习PID控制;策履柴袭菌画除代恿淖矢踩广克剩魏直铅城典西映辽该地胀窃岔趣德铝吕智能控制技术第6章-神经网络控制)智能控制技术第6章-神经网络控制); 基于BP神经网络的PID控制算法可归纳如下： 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率η和平滑因子α，k=1； 2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6). 计算修正输出层的权系数w(3)li(k)； 7). 计算修正隐含层的权系数w(2)ij(k)； 8). 置k=k+1，返回到“2）”。 ;3.4.2 改进型BP神经网络控制参数自学习PID控制;1．采用线性预测模型的BP神经网络PID控制器 ;采用线性预测模型的BP神经网络PID控制系统算法归纳如下： 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率η和平滑因子α，k=1； 2). 用线性系统辨识法估计出参数矢量θ(k)，从而形成一步预报模型式； 3). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 4). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 5). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 6). 计算PID控制器的控制输出u(k)，参与控制和计算； 7).计算 和 ； 8). 计算修正输出层的权系数w(3)li(k)； 9). 计算修正隐含层的权系数w(2)ij(k)； 10). 置k=k+1，返回到“2）”。 ;2．采用非线性预测模型的BP神经网络PID控制器;基于BP神经网络的PID控制算法可归纳如下： 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和???含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率η和平滑因子α，k=1； 2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6).前向计算NNM的各层神经元的输入和输出，NNM的输出为 ，计算修正隐含层和输出层的权系数； 7).计算 ； 8). 计算修正输出层的权系数w(3)li(k)； 9). 计算修正隐含层的权系数w(2)ij(k)； 10). 置k=k+1，返回到“2）”。 ;单神经元自适应控制系统结构;学习算法;系统对象：;MATLAB程序 %Single Neural Adaptive Controller clear all; close all; x=[0,0,0]; xiteP=0.40; xiteI=0.35; xiteD=0.40; ;%Initilizing kp,ki and kd wkp_1=0.10; wki_1=0.10; wkd_1=0.10; %wkp_1=rand; %wki_1=rand; %wkd_1=rand; error_1=0; error_2=0; y_1=0