基于BP神经网络的PI控制器的设计.docVIP

基于BP神经网络的PID控制器的研宄与 实现 课程名称：人工神经网络 目录 刖冃 TOC \o 1-5 \h \z HYPERLINK \l bookmark1 \o Current Document \h 一、 BP神经网络 4 HYPERLINK \l bookmark2 \o Current Document \h 二、 模拟PID控制系统 5 HYPERLINK \l bookmark3 \o Current Document \h 三、 基于BP神经网络的PID控制器 6 HYPERLINK \l bookmark4 \o Current Document \h 四、 仿真程序 10 五、 运行结果 17 HYPERLINK \l bookmark6 \o Current Document \h 六、 总结 18 HYPERLINK \l bookmark7 \o Current Document \h 19 前目 人工祌经网络是以一种简单祌经元为节点，采用某种网络拓扑结 构构成的活性网络，可以用来描述几乎任意的非线性系统。不仅如此， 人工神经网络还具存学习能力、记忆能力、计算能力以及各种智能处 理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和 检索的功能。不同领域的科学家，对人工神经网络有着不同的理解、 不同的研究内容，并且采用不同的研究方法。对于控制领域的研究工 来说，人工神经网络的魅力在于：①能够充分逼近任意复杂的非 线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型 或控制器模型；②能够学4和适应不确定性系统的动态特性；③所有 定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强 的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大 量运算。对于长期困扰控制界的非线性系统和不确定性系统来说，人 工神经网络无疑是一种解决问题的有效途径。正因为如此，把人工神 经网络引入传统的PID控制，将这两者结合，则可以在一定程度上 解决传统PID调节器不易在线实时整定参数、难于对一些复杂过程 和参数慢吋变系统进行有效控制的不足。 一、BP神经网络 BP祌经网络是一种有隐含层的多层前馈网络，其结构如图1-1所 示。如果把具有M个输入节点和L个输出节点的BP神经网络看成是从 M维欧氏空间到L维欧氏空间的非线性映射，则对于具存一定非线性 因数的工业过程被控对象，采用BPIM络来描述，不失为一种好的选 择。在BP神经网络中的神经元多采用S型函数作为活化函数，利用其 连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使 网络的输出与期望输出的误差边向后传播边修正加权系数，以期使误 差均方值最小。BP神经网络的学习过程可分为前向网络计算和反向 误差传播__连接加权系数修正两个部分，这两个部分是相继连续反 复进行的，直至误差满足要求。不论学习过程是否己经结束，只要在 网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通 过每一层时要根据当时的连接加权系数和节点的活化函数与阈值进 行相应计算，所得的输山再继续向下一层传输。这个前向网络计算过 程，既是网络学习过程的一部分，也是将来网络的工作模式。在学习 过程结束之前，如果前向网络计算的输出和期望输出之间存在误差， 则转入反向传播，将误差沿着原来的连接通路回送，作为修改加权系 数的依据，目标是使误差减小 隐含层1渝出S 隐含层1 渝出S 渝入层 二、模拟PID控制系统 PID控制是最早发展起来的控制策略之一，它以算法简单、鲁捧 性好、可靠性高等优点而梭广泛应用于工业过程控制中。 PI D控制系统结构如图1 -2所示： 图1-2 它主要由PID控制器和被控对象所组成。而PID控制器则由比例、 积分、微分三个环节组成。它的数学描述为: u(t) = K/Xe(t) + M{()e(r)dr^TI) 式中，〃为比例系数； 为积分时间常数： ~为微分时间常数。 简单说来，PID控制器各校正环节的主要控制作用如下： 比例环节即吋成比例地反映控制系统的偏差信号…），偏差一旦产 生，控制器立即产生控制作用，以减少偏差。 积分环节主要用于消除静差，提高系统的无差度。积分作用的强 弱取决于积分时间常数I，越大，积分作用越弱，反之则越强。 微分环节能反映偏差信号的变化速率，并能在偏差信号值变得太 大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动 作速度，减少调节时间。 PID控制器右如下特点：原理简单，实现方便，是一种能够满足 大多数实际需要的基本控制器；控制器能适用于多种截然不同的对 象，算法在结构上具有较强的鲁棒性，在很多情况下，其控制品质对 被控对象的结构和参数摄动不敏感。 三、基于BP神经网络的PID控制器 PID控制