基于PID神经网络的研究和改进.docxVIP

基于PID神经网络的研究和改进

一、引言

在自动控制领域，控制算法的不断演进旨在应对日益复杂的系统控制需求。PID控制作为经典控制策略，凭借其结构简单、鲁棒性强、易于实现等特性，在众多工业过程和控制系统中广泛应用。然而，随着被控对象的复杂性增加，如具有不确定性、强非线性及时变特性，传统PID控制难以满足高精度控制要求，其控制效果会受到显著影响。

神经网络技术的兴起为解决复杂系统控制问题提供了新途径。神经网络具有强大的非线性映射能力、自学习和自适应特性，能够处理传统控制方法难以应对的复杂情况。将神经网络与PID控制相结合，形成的PID神经网络（PIDNN），融合了两者优势，成为近年来控制领域的研究热点。

PID神经网络通过引入动态神经元，将传统静态神经元进行扩充，使网络具备对动态过程的处理能力。它能够依据系统运行状态和误差信息，在线调整自身参数，以适应系统特性变化，提升控制性能。但在实际应用中，PID神经网络控制算法也暴露出一些局限性，限制了其应用范围和控制效果的进一步提升。因此，对PID神经网络进行深入研究和改进具有重要的理论意义和实际应用价值。

二、PID神经网络原理与结构

2.1PID神经网络基础概念

PID神经网络是一种本质性的动态网络，其核心思想是将传统PID控制规律融入神经网络结构中。在PID神经网络中，神经元不仅具有传统神经网络神经元的信号处理功能，还包含比例（P）、积分（I）和微分（D）运算，使网络能够直接实现PID控制策略。这种独特设计使得PID神经网络能够利用神经网络的学习能力，自动调整PID控制器的参数，以适应不同系统的控制需求。

2.2网络结构

以单输出PIDNN（SPIDNN）为例，其采用三层网络结构，基本形式为2×3×1结构，具体如图1所示。

在该结构中，输入层有两个神经元。其中一个接收目标值和给定值，另一个接收被控变量值。输入层神经元的输出经过连接权值传递到隐含层。隐含层包含三个神经元，分别为比例元、积分元和微分元。这三个神经元对输入信号分别进行比例、积分和微分运算，模拟传统PID控制器的三个控制环节。隐含层的输出再通过连接权值进入输出层。输出层神经元采用比例神经元，它综合整个网络的控制规律并输出最终控制信号，完成对单变量单输入-单输出系统的控制任务。

从信息流角度看，SPIDNN属于前馈型神经网络。它通过众多简单处理能力的神经元复合作用，具备复杂的非线性映射能力，且运行过程中没有反馈。

2.3算法组成

2.3.1前向算法

在任意采样时刻k，输入系统被调量的给定值r(k)和实际值y(k)分别赋值给输入层的输入v。输出层神经元的状态II等于v，通过阈值函数确定输入层的输出x_{i}。

隐含层中，比例元、积分元和微分元各自的输入均值v_{j}为输入层至隐含层的加权总和，即：

v_{j}=\sum_{i=1}^{2}w_{ij}x_{i}(i=1,2;j=1,2,3)

其中，w_{ij}为输入层至隐含层的连接权值。

比例元的状态函数为：u_{1}=v_{1}

积分元的状态函数积分形式为u_{2}=\int_{0}^{t}v_{2}dt，离散化形式为：u_{2}(k)=u_{2}(k-1)+v_{2}(k)\Deltat

微分元的状态函数微分形式为u_{3}=\frac{du_{3}}{dt}，离散化形式为：u_{3}(k)=\frac{v_{3}(k)-v_{3}(k-1)}{\Deltat}

神经元的输出通过阈值函数进行，隐含层输出为：

x_{j}(k)=\begin{cases}1,u_{j}(k)1\\u_{j}(k),-1\lequ_{j}(k)\leq1\\-1,u_{j}(k)-1\end{cases}(j=1,2,3)

输出层状态为：n(k)=\sum_{j=1}^{3}w_{j}x_{j}(k)

输出层输出为：

x(k)=\begin{cases}1,n(k)1\\n(k),-1\leqn(k)\leq1\\-1,n(k)-1\end{cases}

而SPIDNN的输出值与输出层神经元的输出值相同，即v(k)=x^{}(k)。

2.3.2反向传播算法

SPIDNN训练和学习的目的是使偏差平方均值E=\frac{1}{l}\sum_{k=1}^{l}(v(k)-v(k))^{2}最小。

根据梯度法调节SPIDNN的权重，按附加动量法调节网络权值，设学习步长为\eta，各层权值的迭代方程经过n步训练和学习后为：w(n+1)=w(n)-\eta\frac{\partialE}{\partialw}。