bp算法的改进及其在pid优化控制中的应用分析word格式论文.docxVIP

优秀毕业论文 精品参考文献资料 目 录  HYPERLINK \l _TOC_250002 4 基于自适应遗传算法优化 EFBP 神经网络的 PID 控制方法研究 36 4.1 遗传算法的结构与特点 36 4.2 自适应遗传算法的特点 37  HYPERLINK \l _TOC_250001 4.3 自适应遗传算法优化 EFBP 网络算法的 PID 整定 38  HYPERLINK \l _TOC_250000 4.3.1 基于自适应遗传算法优化 EFBP 网络算法的模型 38 4.3.2 实例仿真及分析 41 4.4 本章小结 44 5 总结与展望 46 5.1 本文的主要研究工作 46 5.2 主要创新点 47 5.3 不足之处及展望 47 致 谢 48 参考文献 49 附 录 53  PAGE 54 1 绪 论 1 绪 论 PID控制是最早发展起来的控制策略之一，由于其算法简单、鲁棒性好和可靠性高， 被广泛应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性控制系 统。然而实际工业生产过程中往往具有非线性、时变不确定性，难以建立精确的数学模 型，应用常规的PID控制器不能达到理想的控制效果，PID控制参数整定不良、性能欠佳。 近年来，人工神经网络以其大规模的并行计算与分布式存储能力、非线性映射能力、 较强的鲁棒性和容错性、自适应(自组织、自学习)能力，在控制领域得到了广泛的应用。 因此，将PID控制和神经网络算法相融合的控制策略的研究对智能控制的发展有着极大 地促进作用。 1.1 人工神经网络概述及其发展史 在20世纪初期，人们就已经发现人脑的工作方式与现在的计算机是不同的。人脑是 由许多基本单元(称之为神经元)经过复杂的相互连接而成的一种高度复杂的、非线性的、 并行处理的信息处理系统。人工神经网络，是借鉴人脑的结构和特点，通过大量简单处 理单元(神经元或节点)互连组成的大规模并行分布式信息处理和非线性动力学系统。它 具有巨量并行性、结构可变性、高度非线性、自学习性和自组织性等特点。因此，它能 解决常规信息处理方法难以解决或无法解决的问题，尤其是那些属于思维(形象思维)、 推理及意识方面的问题。从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处 理的过程，即人工神经网络的研究，自20世纪40年代以来，它的发展经历了一条由兴起、 萧条和兴盛三个阶段构成的曲折道路[1,2]。 (1) 启蒙时期 1943年，McCulloch和Pitts提出了神经元模型，为M-P模型，开创了神经网络理论研 究先河，该模型指出神经元可用简单的插值函数来表示。在该模型中，当神经元处于兴 奋状态时，其输出为1，处于非兴奋状态时，输出为0。用次神经元模型可以实现逻辑函 数功能。1949年，Hebb提出了神经元的学习法则，即Hebb法则。当神经元兴奋时，输 入侧的突触结合强度由于受到刺激而得到增强，这就给神经网络带来了所谓“可塑性”， 并被认为是用神经网络进行模式识别和记忆的基础。到现在为止，大部分神经网络型机 器的学习法则仍采用Hebb法则或它的改进形式。20世纪50年代末，F.Rosenblatt提出了一 种模式识别机，即感知机模型。它是由光接收单元组成的输入层，MP神经元构成的联 合层和输出层构成。输入层和联合层之间的结合可以不是全连接，而联合层与输出层神 经元之间一般是全连接，用数字信号可以对感知机进行训练。这是第一个真正的神经网 络，它通过学习、修改连接的权值，能够分类一定的模式。感知机模型在首次提出时由 西安科技大学硕士学位论文 于其概念简单，网络结构简单，因此很受重视，但后来Minsky和Papert从数学上证明： 感知器不能完成复杂的逻辑函数功能。20世纪60年代初，B.Widrow和M.Hoff提出 Adaline(Adaptive linear element)模型，该模型采用最小均方(Least Mean Square，LMS)算 法(即梯度下降法)来调节权值，使输出与期望输出的误差最小。Adaline具有线性和自适 应性的特点，而且LMS算法具有严格的数学基础，因此该模型成为了自适应信号处理的 有力工具，其采用的硬件方法实现人工神经网络的思想为今天开发神经网络硬件指明了 方向。 (2) 过渡时期 随着神经网络研究的深入，Minsky和Papert对以感知器为代表的网络功能及其局限 性从数学上做了深入分析，发表名为《感知器》的书，该书指出简单的神经网络只能用 于线性问题的求解，能够求解非线性问题的网络应该具有隐层，而当时从理论上还不能 证明感知器模型扩展到多层是有意义的[1]。该理论影响了当时神经网络的研究，从此神 经网络研究进入低潮时期。但是仍然有不少学者