基于BP神经网络的仿人智能控制仿真研究

圆短文 基于 B P 神经网络的仿人智能控制仿真研究 邹鲁勇 张利建 ( 山东滨化集团) ( 青岛科技大学自动化与电子工程学院) 摘要：在仿人智能控制算法的闭环阶段。 须调整比 例、 积分和微分三种 控制作用， 形成控制量既相互配合 又相互制约的关系，这种关系不一定是简单的 “ 线性组合”，从变化无穷的非线性组合中可以找出最佳的。而 B P神经网络所具有的任意非线性表达能力。可以通过对系统性能的学习来实现具有最佳组合的过程控制。在对 非线性系统的数值仿真中，取得了较好的阶跃响应。 关键词：仿人智能控制； 非线性组合； B P 神经网 络；非线性系 统 1 引言 仿人智能控制原型算法由重庆大学周其鉴教授 等人提出，1 9 8 3 年在国际上正式发表。经过 2 0多年 的发展， 仿人智能控制理论已形成了基本的理论体系 和较为系统的设计方法。 仿人智能控制的特点， 是其 对人工控制的模仿，即模仿人控制时，操作者观察、 分析、决策及操作的规律，对过程进行控制。但是， 目 前的仿人智能控制算法仍不完善， 需要改进。 例如， 在闭环控制阶段，只采用了比例控制模式，且是固定 比例增益的。 本文发挥各智能控制的优势， 扬长避短， 将 B P神经网络引入到闭环控制阶段，保证了参数在 线实时调整，本文的数值仿真结果， 证明了该算法的 有效性。 2仿人智能控制算法 在误差e的绝对值逐渐变大时， 采用闭环控制策 略；在误差绝对值逐渐减小时，采用开环保持策略。 仿人智能控制的基本算法为川： i f 舌 0 U e =0 n舌0 t h e n n - 1 “ = K P e + k K P e m 。i ( 1 ) 4 2 i f 舌 0 U e =0 n 0 t h e n “ = P _ B P + K L B P J e d t + K D B P a - 1 + P l e m i ( 1 5 ) i = 1 i f P 0 U =0 t h e n “ = P _ B P 1 e m j ( 1 6 ) i -1 P B P B P神经网络的比例系数输出值： I B P B P神经网络的积分系数输出值： D B P B P神经网络的微分系数输出值； P B P 1 B P神经网络上时刻比例系数输出值。 2 3 数值仿真 本文对非线性控制对象进行仿真， 设其近似数学 模型为： a ( ) =1 一e 加 y ( k ) =a ( k ) 水 y ( k一1 ) ( 1 +y ( k一1 ) ) + u ( k 一1 ) -t- u ( k 一3 ) 式中，a ( ) 是慢时变系数。 神经 网络 的结构选择 4 5 3 ，学习速率 = 0 2 和惯性系数口=0 0 6， 加权系数初始值取区 间【 1 ，1 】 上的数值。 基于B P神经网络的仿人智能控制阶跃响应如图 2所示。 控制器输出如图3 所示， 可见控制器的输出比较 2 0 0 6 年第4 期自动化与信息工程 4 3 维普资讯 平滑，没有产生很大的波动。 B P 神经网络的输出， 即P I D各控制参数 P _ B P ， L J B D P的在线调整如图4 所示。当系统输出 f i 3结论 图2 阶跃响应 达到期望值时，各参数不再调整，相当于固定系数的 P I D控制器。 ， 一 l 0 口 5 0 1 0 1 5 0 2 如 厂 0 0 0 5 01 0 1 5 0 2 厂i i ： 0 0 0 5 0 1 0 1 5 0 2 _ j - - - - J - 一 - 一 - - - ； 0 ； 0 0 D 5 0 1 0 1 5 0 2 如 图3 控制器输出 图4参数调整 参考文献 由于 B P 神经网络根据系统的运行状态，调整仿 人智能控制器的各控制参数， 以期达到某种性能指标 的最优化。通过神经网络的自 学习、加权系数调整， 使神经网络输出对应于某种最优控制规律下的控制 参数。该算法得到了较好的数值仿真结果，系统的超 调、上升时间等都令人满意。 【 1 】王佳 仿人智能控制算法研究 D 】 南京理工大学硕士学位论 文。南京：南京理工大学。 2 0 0 2 ： 1 4 2 刘晓毅基于 B P神经网络的P I D控制器参数寻优 J 】 仪器 仪表用户， 2 0 0 5 ， 1 2 ( 2 ) ： 1 0 1 1 0 2 3 1麻红昭， 俞蒙槐 人工神经网络的基本原理 J 】 电子计算机外 部设备， 1 9 9 6 。 2 O ( 4 ) ： 4 8 5 0 【 4 1刘金琨 先进P I D控制MA T L A B仿真【 I v I 】 一 E 京：电子工业 出版, 2 0 0 4 ： 1 6 3 1 6 4 Hu ma n S i mu l a t e d I n t e l l i g e n t Co n t r o l Re s e a r c h Ba s e d o n t h e BP Ne u r a l Ne t wo r k Z o u L u y o n g Z h a n g L i j i a n ( 1 S h a n d o n g B e a r Gr o u p 2 C o l l e g e o f Au t o ma t i o n a n d E l e c t r o n i c E n g i n e e r i n g ， Q i n g d a o Un i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ) Ab s t r a c t ：A t t h e c l o s e d l o o p s t a g e o f h u ma n s i mu l a t e d i n t e l l i g e n t c o n t r o l alg o r i thm， y o u mu s t a d j u s t the p r o p o r t i o n ， th e i n t e g r a l a n d the d i ffe r e n ti al c o n t r o l a c ti o n s ，t o f o r m the c o n t r o l q u an ti t y b o th mu t u all y t o c o o r d i n a te the r e l a ti o n s and mu t u a l l y r e s t r i c t s ， thi s k i n d o f r e l a ti o n s i s n o t n e c e s s a r i l y the s i mp l e”l i n e a r c o mb i n a ti o n ” ， ma y d i s c o v e r the b e s t f r o m the c o u n t l e s s c h an g e s o f t h o s e n o n l i n e a r i t y c o mb i n a ti o n B u t the B P n e r v e n e t wo r k h a s the f r e e n o n l i n e ar e x p r e s s i o n a b i l i t y , an d i t C an r e a l i z e the b e s t c o mb i n a t i o n o f the p r o c e s s c o n t r o l t h r o u g h the s y s t e m p e rfo r ma n c e s tud y I n t h e n o n l i n e ar s y s tem v alu e s i mu l a ti o n ， i t o b t a i n e d a b e t ter s tep r e s p o n d Ke y wo r d s ： H u man S i mu l a t e d I n t e l l i g e n t C o n tr o l ；N o n l i n e ar C o mb i n a t i o n ；B