控制系统仿真课程设计-单神经元PID控制系统仿真汇.doc

内蒙古科技大学 控制系统仿真课程设计说明书 题 目：单神经元PID控制系统仿真 学生姓名： 学 号： 专 业：测控技术与仪器 班 级： 指导教师： 中文摘要 PID控制以其原理简单，可靠性高等优点被广泛应用在现代工业控制领域。然而在工业实际控制中，被控对象往往还具有高度的非线性，不确定性和参数时变等特点，在这种情况下单纯依靠PID控制是不能达到要求的。神经网络控制系统作为新兴发展的智能控制系统，能很好地解决上述问题，已经在很多领域得到应用，同时也显示了它的优越性。 单神经元作为构成神经网络的基本单元，具有自学习和自适应能力，且结构简单而易于计算。基于以上分析，在PID控制中引入单神经元自适应算法，这样既可以解决传统PID控制器的不足，同时又能充分利用PID控制技术成熟的优势。过仿真对比发现单神经元自适应PID控制器比传统的PID控制器控制效果好。 : 单神经元PID控制；神经网络； 人工神经网络ANN(artificial neural network)是最近发展起来的十分热门的交叉学科。它涉及生物、电子计算机、数学、和物理等学科，有着非常广泛的应用背景，这门学科的发展对目前和未来的科学技术的发展将有着重要的影响。以大规模并行处理为主要特征的神经网络具有学习、记忆、联想、容错、并行处理等能力，已在控制领域得到广泛的应用。基于神经网络的PID控制，其结构方式有两类：一类是单神经元控制，即神经元输入权值一一对应PID参数，神经元输入值为经过比例、积分、微分处理的偏差值，其主要局限性在于单神经元结构无任意函数逼近能力；另一类是在常规PID控制器的基础上增加一个神经网络模块，按照BP学习算法(如前向算法和反传算法)进行离线学习，实时调整出PID参数，同时还要继续学习不断地调整神经网络中各神经元间权系数，以适应被控对象的变化，因此，具有很强的适应性。 对人脑神经元进行抽象简化后得到一种称为McCulloch-Pitts模型的人工神经元，如图所示。 对于第i个神经元，是神经元接收到的信息，为连接强度，称之为权。利用某种运算把输入信号的作用结合起来，给它们的总效果，称之为“净输入”，用来表示。根据不同的运算方式，净输入的表达方式有多种类型，其中最简单的一种是线性加权求和，即式（-1）。 (1-1) 此作用引起神经元i的状态变化，而神经元i的输出yi是其当前状态的函 数g(?),称之为活化函数（State of activation）。这样，上述模型的数学表达式为式（-2）。 (-2) 式中，——神经元i的阈值。 神经网络在自适应控制中具有突出的优势，它可以通过不断地学习获取有关对象的知识并适应过程的变化。神经网络模型参考自适应控制和自校正控制在实际应用中均显示出突出的优点。此外，神经网络的引入还是直接自适应控制得以实现。 图2.1为神经网络直接自适应控制系统框图。此神经网络采用多层前向网络。BP训练算法，即按信息正向传递，误差反向传播的学习算法。这种算法在模式识别，智能控制等许多领域得到广泛应用。 图2.1 神经网络直接自适应系统框图PID调节器也具有结构简单、调整方便和参数整定与工程指标联系密切等特点。将两者结合，便可以在一定程度上解决传统PID调节器不易在线实时整定参数和难于对一些复杂过程和参数慢时变系统进行有效控的不足。用神经元实现的自适应PID控制器结构框图如图2.2所示 图2.2 单神经元自适应PID控制框图 2.3单神经元PID控制算法 如图2.1，状态转换器的输入反映被控对象及控制设定的状态。转换器的输出为神经面学习控制所需的状态量，控制信号由神经元通过关联搜索和自学习产生。设定输入为给定值，为输出值，经状态变换器转换后成为神经元学习控制所需的状态量。这里： 反映了系统误差变化的积累(相当于积分项) 反映了误差的变化(相当于比例项) 反映了误差变化的一阶差分(相当于微分项) 为性能指标或递进信号，为一个教师信号； 为对应于的加权系数； 为神经元的比例系数，为大于0的数。 那么有： （2.1） 即有： = （2.2） 试比较（3.4）与（3.9）可以看出PID参数分别为（积分系数），(比例系数)，(微分系数)。故该神经元控制器具有PID控制器的特性，它通过对加权系数的调整来实现自适应，自组织功能。所以该神经元PID控制器是一类在线自适应PID控制器。这种自适应能力是通过一定的学习规则进行的，而学习规则可以通过计算算法实现，因此神经元PID控