第八章 PID神经元网络及其控制系统.doc

PID神经元网络及其控制系统 舒怀林 国防工业出版社 第一章:绪论 1.1 传统控制系统的局限性: 由于被控对象的复杂性、大规模和确定性、分布性，要实现自动控制，那么基于传统精确数学模型的控制理论就显现出极大的局限性。 对于控制任务或者控制目标，以往都着眼于用数学语言进行描述，这种描述经常是不精确，实际上，控制任务和目标有多重性（多目标）和时变性，一个复杂任务的确定，需要多次反复，而且还包括任务所含信息的处理过程，也即任务集合处理。 迄今为止，还不存在一种直接使用工程技术用语言描述系统和解决问题的方法。从工程技术语言到数学描述的影射过程中，一方面虽使问题作了很多简化，但另一方面却使用原问题丢失很多信息。 传统的控制理论虽然也有办法对付控制对象的不确定性和复杂性，如自适应控制和鲁棒控制也可以克服系统中所包含的不确定性，达到优化控制的目的。但是自适应控制是以自动调节控制器的参数，使控制器与被控对象和环境达到良好的“匹配”，以削弱不确定性的影响为目标的。从本质上说，自适应和自校正控制都是通过对系统某些重要参数的估计，以补偿的方法；来克服系统参数在一定范围内的慢变化情况。鲁棒控制则是在一定的外部干扰和内部参数变化作用下，以提高系统的灵敏度为宗旨来抵御不确定性的。根据这一思想和原则所导出的算法，其鲁棒的区域是很有限的。 1.2 人工神经网络控制的系统的特点和弱点: 智能控制的概念和原理主要是针对被控对象、环境、控制目标或任务的复杂性而提出来的。 神经元网络是智能控制的一个主要分支，神经网络是以大脑生理研究成果为基础，模拟大脑的某些生理与机制，由人工建立的以有向图为拓扑结构的网络，它通过对连续或断续的输入做状态响应而进行信息处理；在ANN实际应用的同时，有关系统的稳定性、能控性、能观性等理论问题，有关ANN控制系统系统化设计方法问题，ANN的拓扑结构问题，以及ANN与基于规则的系统有机结合问题，还有待于进一步研究和发展，一般神经网络的弱点，制约了其在控制系统中的广泛应用，包括以下问题： ⑴ 一般神经元网络的学习和训练时间很长，这是大多数控制系统所不能接受的。 ⑵ 由于神经网络结构确定往往要通过反复实验才可能确定，所以给控制器实际应用方面带来困难。 ⑶ 有的网络在学习时会陷入局部极小（BP）有的网络关键参数确定有困难（RBF），也给实际应用带来问题。 ⑷ 传统系统神经网络的结构、参数和机能，难以与控制系统所要求的响应快、超调小、无静差、静态指标相联系。 ⑸ 具有任意函数逼近能力的多层前向神经网络是应用最多的一种神经网络，但传统的多层前向神经网络的神经元仅具有静态输入——输出特性，在用用它构成控制系统时必须附加其它动态部件。 1.3 PID控制的特点及其和神经元网络的结合 1) PID的特点 配合适应.可得到快速敏捷.平稳准确的调节效果.但其合理、快速、实时的确定是关键。 PID在本质上是线性控制规律，具有传统控制理论的弱点——只适合于线性SISO系统，在复杂系统中控制效果不佳。 2） 神经元网络和PID控制结合的两种流行方法：用网络神经确定和单神经元结构PID ① 用神经网络确定 图1.1用神经网络确定示意图 缺点：结构复杂、不能避免神经网络自身的缺陷。 ② 单神经元结构PID 图1.2单神经元结构PID示意图 缺点：a:仍是一种选择PID参数的方法。 b:神经元起的作用是单层感知器的作用，只具有线性分类能力。 PID神经元网络(PIDNN)的特点和结构形式 PIDNN的基础是分别定义了具有比例、积分、微分功能的神经元，从而将PID控制规律融合进神经元网络之中。PIDNN的各层神经元个数、连接方式、连接权重初值是按PID控制规律的基本原则来确定的。 PIDNN的主要特点如下； PIDNN属于交层前向神经元网络； PIDNN参照PID的控制规律的要求构成，结构比较简单、规范。 PIDNN的初值按PID控制规律的基本原则确定，加快了收敛速度，具有不易陷入极小点；更重要的是，可以利用现有的PID控制的大量经验经验数据确定网络权重初值，使控制系统保持初始稳定，使系统的全局稳定成为可能。 PIDNN可采用“无教师”的学习方式，根据控制效果进行在线自学习和调整，使系统具备较好的性能。 PIDNN可同时适用于SISO以及MIMO控制系统。 PIDNN的结构形式：SPIDNN(single-out PIDNN) 和MPIDNN (Multi-output PIDNN)。 图1.3 SPIDNN结构示意图 图1.4 MPIDNN结构示意图 2 PID神经元的计算方法 2.1比例元: 按以下方法和公式所确定的神经元称为比例元. ① 比