基于bp神经网络pid控制的设计..doc

基于BP神经网络摘要：本文主要论述了BP神经网络的结构及其BP神经网络的学习算法，进而分析了传统PID控制器的优缺点，以及基于BP神经网络PID控制器的可行性。本文还介绍了基于BP神经网络PID控制器的设计步骤、结构框图、控制算法。并且通过软件对PID控制器的设计进行仿真，并对仿真结果进行了分析、总结。关键词：BP神经网络；PID控制器；学习算法；,具有人脑的功能的基本特征,为控制领域的研究开辟了新途径,尤其适用于复杂过程、参数时变系统神经网络。BP神经网络与PID控制器的结合能够起到很好的控制效果。神经网络由于具有上述优点而越来越受到人们的重视。因此, 神经网络控制技术很适合应用于工业控制调节系统中。 2.BP神经网络 2.1 BP神经网络结构 大脑是一部不寻常的智能机，它能以惊人的高速度解释感觉器官传来的含糊不清的信息。它能觉察到喧闹房间内的窃窃私语，能够识别出光线暗淡的胡同中的一张面孔，更能通过不断地学习而产生伟大的创造力。所谓神经网路系统是利用工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。严格地讲神经网络应该称为人工神经网络，为了简化起见，一般省略人工二字直接称神经网络，可简记为 NN（Neural Network）。由于神经网络具有信息的分布存储、并行处理以及自学习等优点，所以它在信息处理、模式识别，智能控制等领域有着广阔的应用前景。人工神经网络的着眼点不是利用物理器件来完整的复制生物体中细胞网络，而是采纳其可利用的部分来解决目前计算机或其它系统不能解决的问题，如学习、识别、控制和专家系统等。随着生物和认知科学的发展，人们对人脑的结构和认知过程的了解越来越深入，促进了人工神经网络技术的发展，越来越多的生物特性将被利用到工程中去。 图2-1 BP神经网络结构图BP神经网络结构如图所示。由图可见，BP网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后神经元的激活值从输入层经中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。与感知器不同的是，由于误差反向传播中会对传递函数进行求导计算，BP网络的传递函数要求必须是可微的，所以不能使用感知器网络中的硬闭值传递函数，常用的有sigmoid型对数、正切函数或线性函数。由于传递函数是处处可微的，所以对BP网络来说，一方面，所划分的区域不再是一个线性划分，而是由一个非线性超平面组成的区域，它是比较平滑的曲面，因而它的分类比线性划分更加精确，容错性也比线性划分更好;另一方面，网络可以严格采用梯度下降法进行学习，权值修正的解析式十分明确。网络学习算法 设有n个输入节点，……;q个输出节点，为……;网络层的隐含节点有p个神经元。输入层第i个单元至隐含层第j个单元连接权。隐含层第个单元至输出层第个单元连接权。隐含层各单元的阈值为，输出层各个单元的阈值为，在训练该网络的学习阶段，设有N组训练样本，先假定用其中的某一固定样本k输入输出模式对网络进行训练。 输入层:n个输入，……;也就是输入样本。 中间层: ；j=1,2……p输出层： ；t=1,2,……q （4） 为了模拟生物神经元的非线性特性，激励函数常选用s函数 S函数不但具有可微分性，而且具有饱和非线性特性，这又增强了网络的非线性映射能力。S函数的微分函数为: =单元输出闭值是为模拟神经元的闭值电位而设置的，在网络的学习过程中，它和各连接权一样不断的被修正。阂值的作用反应在S函数的输出曲线上，使曲线向左平移了阂值大小的单位，它起到了调节神经元兴奋水平的作用。 定义第N个标准模式的误差函数为: 学习过程按使误差Ek减少最快的方向调整权值系数，直到获得满意的权值为止。 根据梯度下降原则使连接权的调整量与的负值称比例，连接权的修正公式如下: 式中t=l，2，.……q;j=l，2，……p;01 相应的闭值公式为: 若连接权值不直接作用于输出层神经元，情况就有所不同了， （10）