（电力电子与电力传动专业论文）改进型遗传算法及其在神经网络参数优化中的应用.pdf

abs tract t h i s t h e s i s i s b a s e d o n t h e s c i e n c e p r o j e c t t h e r e s e a r c h o f i n t e g r a t i o n i n t e l l i g e n t c o n t r o l i n a u t o p i l o t d e s i g n f o r m a r i n e s h i p ,w h i c h a p p l i e d f r o m s h a n g h a i h i g h e d u c a t i o n s c i e n t i f i c a n d t e c h n o l o g y f o u n d a ti o n t h e m a n e u v e r i n g o f a s h i p a l o n g a p r o s c r ib e d c o u r s e i n r e s t r i c t w a t e r s i s i m p o r t a n t f r o m o p e r a t i o n a l , s a f e t y a n d e n v i r o n m e n t a l v i e w p o i n t s . d u r i n g t h e s h i p m a n e u v e r i n g , t h e r e a r e s o m e c h a r a c t e r i s t i c s o f n o n l i n e a r , s l o w t i m e v a ry i n g a n d i n fl u e n c e o f c o m p l e x d i s t u r b a n c e t h e p i d a u t o p i l o t b a s e d o n l i n e a r s y s t e m m a t h m o d e l i s h a r d t o c o n t r o l s h i p m a n e u v e r s y s t e m e f f e c t i v e l y .f o r p i d c o n t r o l d o e s n o t h a s a g o o d a c t i v e p r o p e r t i e s a n d i t a l s o d e e p l y d e p e n d o n p r e c i s e m a t h m o d e l . f u z z y c o n t r o l l e r s h o w s p r o m i s e f o r t h e s e n o n - l i n e a r s y s t e m s t h a t a r e n o t k n o w n we l l o r t h e mo d e l i s d i f f i c u l t t o b e i d e n t i f i e d . a m o n g t h e l e a rn i n g a l g o r i t h m s o f t h e a r t i f i c i a l n e u r a l n e t w o r k s , t h e s i n g l e g e n e t i c a l g o r i t h m ( s g a ) a n d t h e b p a l g o r i t h m a r e a lw a y s t h e f o c u s o f r e s e a r c h i n g . t h e s g a i s a k i n d o f o p t i m i z a t i o n a l g o r i t h m w i t h w h i c h g l o b a l , p a r a l l e l a n d r a n d o m s e a r c h i n g c a n b e a c h i e v e d , a n d i t s g l o b a l s e a r c h i n g p e r f o r m a n c e i s v e r y g o o d , w h i l e t h e b p a l g o r i t h m d o e s q u i t e i n l o c a l s e a r c h . i n t h i s t h e s i s , a u th o r p u t s f o r w a r d a i m p r o v e d g e n e t i c a l g o r i t h m ( i g a ) b y a d d i n g b p a l g o r i t h m i n t o s g a . i n t h e i g a , s e v e r a l i m p o rt a n t o p e r a t o r s a r e i m p r o v e d . u s i n g t h e m u t a t i o n a n d g l o b a l o p t i m i z e , t h e i g a c a n f i n d p o t e n t i a l e x t r e m u m s ; u s i n g fl o a t i n g - p o i n t c o d i n g a n d e l i t i s t m o d e l , i t c a n a c c e l e r a t e t h e s p e e d o f c o n v e r g i n g ; u s i n g b p o p e r a t o r , i t c a n a d v a n c e c o n v e r g i n g e f f i c i e n c y a t p o t e n t i a l e x t r e m u m s . t o t e s t t h e p e r f o r m a n c e o f t h e i g a , a u t h o r d e s i g n s t w o s i m u l a t i o n p r o g r a m b y c + + b u i l d e r 5 .0 . o n e p r o g r a m i s s i m u l a t e t h e p e r f o r m a n c e o f s g a , a n d t h e o t h e r i s i g a . i n t h e s i m u l a t i o n o f s o l v i n g t h e c o n t i n u e x o r q u e s t i o n , a u t h o r m a k e s c o m p a r i s o n s a m o n g t w o a l g o r i t h m s -t h e s g a a n d t h e i g a . t h e r e s u l t o f s i m u l a t i o n s h o w t h a t t h e n e w a l g o r i t h m h a s t h e a d v a n t a g e o f f a s t c o n v e r g e n c e a n d i t w i l l n o t c o n v e r g e a t t h e l o c a l n a d i r i n t h e e n d o f t h i s t h e s i s , a u t h o r d e s i g n s a p i d a u t o p i l o t b y m a t l a b / s i mu l i n k. i n t h e s i m u l a t i o n p r o c e s s , a u t h o r d r o p s e x a m p l e d a t a f r o m s i m u l a t e d a t a . i n t h i s s t a g e , a u t h o r d e s i g n s a a n n a u t o p i l o t . a n d m o d i f y t h e p a r a m e t e r s o f a n n c o n t r o l l e r b y u s i n g t h e i m p r o v e d g e n e t i c a l g o r i t h m ( i g a ) . a ft e r c o m p a r i n g t h e r e s p o n s e c u r v e , t h e r e s u l t s h o w s t h e e f f i c i e n c y o f i g a . a s a l e a r n i n g a l g o r i t h m s o f t h e a r t i f i c i a l n e u r a l n e t w o r k s , t h e i g a i s e x c e l l e n t i n t h e c o m p a r i n g w i t h b p a n d s g a . o f c o u r s e t h e r e a r e s o m e a s p e c t s o f t h i s a l g o r i t h m s n e e d s t o b e i m p r o v e d i n t h e l a t e r s t u d y . f o r e x a m p l e , i t i s h a r d t o b e u s e d i n t h e o n - l i n e l e a r n i n g . a l l t h e s e q u e s t i o n s d e t e r m i n e t h e f u r t h e r s t u d y d i r e c t i o n i n t h i s f i e l d . wr i t t e n b y y a y i n g l i u d i r e c t e d b y p r o f e s s o r y ij i a n l i u k e y w o r d s : a r t i f i c i a l n e u r a l n e t w o r k s ; g e n e t i c a l g o r i t h m ; a u t o p i l o t ; c o m p u t e r s i m u l a t i o n 论文独创性声明 本论文是我个人在导师指导下进行的研究工作及取得的研 究成果。 论文中除了特别加以标注和致谢的地方外， 不包含其他 人或其他机构己经发表或撰写过的研究结果。 其他同志对本研究 的启发和所作的贡献均已在论文中作了明确的声明并表示了 谢 思。 作者签名:日期: 论文使用授权声明 本人同意上海海运学院有关保留、 使用学位论文的规定， 即: 学校有权保留送交论文复印件， 允许论文被查阅和借阅; 学校可 以上网公布论文的全部或部分内容， 可以采用影印、 缩印或者其 他复制手段保存论文。保密的论文在解密后遵守此规定。 作者签名:导师签名:日 期: 上海海运学院硕士学位论文 第 4页 共 7 7页 第一章引 言 1 . 1 自 动舵的 起源、发展 船舶航向自 动控制系统亦称为自 动舵， 它是船舶控制系统中一个不可缺少的 重要设备， 随着对航行安全及营运需求的增长， 人们对自 动舵的要求也日 益提高。 本 世纪2 0 年代， 美国 的s p e r ry和德国 的a n s u c h z 在陀 螺罗 经 研制 工作 取得实 质 性进展后分别独立地研制出机械式的自 动舵. 它的出现是一个里程碑， 它使人们 看到了在船舶操纵方面摆脱体力劳动实现自 动控制的希望. 这种自 动舵称为第一 代。 机械式自 动舵只能进行简单的比 例控制作用， 为了 避免振荡行为需要选低的 控制增益，它只能用于低精度的航向 保持控制。 本世纪5 0 年代，随着电子学和 伺服机构理论的发展及应用、 集控制技术和电子器件的发展成果于一体的更加复 杂的第二代自动舵问世了，这就是著名的p i d舵。虽然p i d舵比 第一代自 动舵 有长足进步， 但缺乏对船舶所处的变化着的工作条件及环境的应变能力。 因而运 行时操舵频繁、 操舵幅度大及能耗显著。 到了六十年代末，由于自 适应理论和计 算机技术得到了发展， 人们注意到将自 适应理论引入船舶操纵成为可能。 瑞典等 北欧国家的一大批科技人员纷纷将自 适应舵从实验室装到实船上， 继而正式形成 了第三代自 动舵。自 适应舵在提高控制精度. 减少能源消耗方面取得了一定的成 绩，但物理实现成本高、参数调整难度大，特别是因船舶的非线性、不确定性， 控制效果难以 船舶借助螺旋桨的推力和舵力来改变或保持1 1 1 1 .2自 动舵的基本工作原理 船舶借助螺旋桨的推力和舵力来改变或保持航速和航向， 实现从某港出发按 计划的航线到达预定的目的港。 操舵系统是一个重要控制系统， 其性能直接影响 着船舶航行的操纵性、 经济性和安全性。 因此， 船舶操纵系统的性能， 一直被当 作是一个具有较高经济价值和社会效益的重要问题，引起人们的关注。 船舶在海上航行，由于风流， 浪以及螺旋桨的影响， 船舶会产生偏航。 假定 船 体向 右 偏转一 个角度功 ， 舵 工就会根 据偏转角的 的 大小 和偏航的 快 慢等操舵 使 舵叶向左偏转一个角度s， 于是船舶在转舵力矩的作用下开始回到原航向。 由于 船舶惯性作用， 又会使船继续向 左偏离原航向， 这时舵工又要适当 给出一个反方 向的舵角，如此反复操舵，偏航逐渐衰减，最后恢复原航向。 从上述人工操舵的操纵过程来看船舶操纵是一个复杂的过程。舵工转舵时， 不仅要考虑到船舶的当前状态， 更重要的是要考虑到船舶的运动趋势， 即对以后 l 海海运学院硕士学位论文第 5页 共 7 7页 一段时间内的状态一控制具有预测性。 另外， 船舶航行时， 航行工况和航行环境 是不断变化的， 使船舶的运动具有非线性和时变等特点， 舵工要根据当时船舶和 环境的具体情况确定转舵方向和大小控制具有适应性。 由于没有确定的数学 模型， 只能靠舵工的经验决定操舵时间和舵角大小， 量化缺乏精确性， 难以得到 准确一致的控制量。上述前两点是人工操舵的优点，在自 动控制中应加以吸收， 后一点是人工操舵的不足之处，在自 动控制中可以加以弥补。 自 动操舵仪是总结了人的操舵规律而设计的装置。 系统的调节对象是船， 被 调节量是航向。自动舵是一个闭环系统 ( 如图 1 - 1 ) ，它包括:航向给定环节; 航向检测环节;给定航向与实际航向比较环节，航向偏差与舵角反馈比 较环节， 控制器，执行机构，舵，调节对象一船，舵角反馈机构等。 t o 给 定 船 首 角， 甲实 际 船 首 角， 甲船 首 角 测 量 值， u k 控 制 器 输出 ， 6 x 舵 机系统输出 值，。 环境 干 扰，。 。 测量噪声。 甲n + 曰 控 制 器u尸卫纷it s j百 赢勺巴公 + lp 图1 - 1单输入 ( 舵角)单输出 ( 航向角)控制系统框图 船舶自动操纵系统作为船舶自 动化的重要组成部分， 其性能直接影响到船舶 航行安全和经济效果。该课题的研究伴随着自 动控制理论和技术的发展而发展。 在自 动控制理论和技术发展的不同历史阶段， 取得了不同的研究及应用成果， 开 发出一代又一代新型的自 动舵产品，为航运业的发展作出了巨大的贡献。 操舵系统的性能主要是由控制器的性能决定的， 因此自 动舵的技术发展， 也 主要表现在控制技术的推陈出新。 以下按控制技术的发展把自 动舵的演化过程作 概要介绍。 1 .3 传统控制自 动舵技术的发展 1 .3 . 1 经典控制的自 动舵 卜 海海运学院硕士学位论文 第 6页 共 7 7页 率先推出自 动舵产品的是德国和美国。 德国的a u s h t i t z 和美国的s a e r r 剐 至 1 9 2 0 4h f r 1 9 2 3 燮a mt # l t m a m m arlb 4 淤 0 -0 = . p t 。 下面的公式 体现比例控制规律 一 -一. 一一一 式中s : 舵角;w:实际船首角; 一、 ,(w - w o)年 一 代 (1- 1) vi n :给定船首角 这种自 动舵被称为第一代自 动舵。5 0年代，经典理论达到了旺盛时期，经 典控制理论有着各种控制方法， 其中最重要最典型而且在工业生产中最常用的一 种是比例一 积分一 微分( p i d ) 控制。 伴随着经典控制理论的发展， p i d 舵在 5 0 年代 开 始 发 展 起 来 。 1 9 5 0 生 旦 奎 iff m ep, m h m v , 1 9 5 2 * j m y f $ 9 lb f rt d m j s p e r r y自动舵，采用的都是p i d 的控制规律。 一一一- 一. 一一 - 一 .一. - 一一 一 . - - 下 面 公 忙 现比例一积分一微分控制规律 “ 一 k p e + k d e + k ; f e d s0 ( 1 - 2 ) e为航向偏差 :e 一 w 一 w o 由于p i d 调节器不需要详细的有关受控过程的先验知识，且具有结构简单、 参数易于调整和具有固有的鲁棒性等特点，p i d 舵得到了广泛的认可，几乎所有 的船都装有这种操舵仪。这种自 动舵被称为第二代自 动舵， 它在船舶操舵自 动控 制的发展过程中起着里程碑的作用， 它大大提高了船舶的控制性能。 尽管它比第一代自 动舵有了长足的进步， 但常规的p i d 舵仍然存在着固有的不 足 。 这 是 因 为p i d 丝 n 鱼 主 上 二 些壑塑遨堂 摸 型 鱼 基 型 ， 而 船 舶 运 动 特 性 随 着 航 速、 装载、水深等因素的变化而变化， 扰动特性随着风、流、浪等海况变化而不 同， 使得船舶操纵动态特性具有非线性和时变等特性， 因此船舶航向 控制的数学 模型与扰动模型具有明显的不确定性， 精确的数学模型很难得到。 常规p i d 舵不 能自 动适应上述变化， 驾驶员也难以随着航行情况的变化对p i d 参数进行适当的 调整，所以不可能有很好的操纵性能，常表现为操舵幅度过大、操舵频率过高， 从而产生明显的船舶推进附加阻力并造成舵机磨损。特别是它对海况变化的处 理， 只能采用人工调节“ 死区” 的 方法， 以 牺牲低频特性来减少对扰动的敏感性， 但会产生周期性偏差， 引 起额外的能耗， 不可能有效地处理高频海浪扰动， 反而降 低航向精度，带来额外的能源消耗。 p i d 设置天气调节旋钮， 针对船舶工作状态 设计几组可调参数， 只能粗略调节p i d舵的控制目 标仅仅是保持给定航向但无 法兼顾到保持航速， 降低能耗和减少舵机磨损， 在恶劣海况要靠频繁操舵保持航 向， 则增加能耗和舵机磨损。五六十年代，自动舵的发展一直停留在p i d 舵的水 平 上， 没 有多 大的 进 展。 1211 311 4 上 海海运学院硕士学位论文第 7页 共 7 7页 1 . 3 .2 自 适应舵技术的发展 7 0年代以 来随着海上运输事业的发展，航运界海上运输所要求船舶的吨位 急剧上升。 伴随之产生的是船舶的操纵性能变坏， 操船难度加大， 特别是在狭窄 航道内，航行的安全性更是难以得到保障。再加7 0 年代发生的二次石油危机， 燃油价格暴涨， 营运成本上升。 为了保证安全， 提高航行的经济性， 有必要采取 新的控制理论和控制技术， 研究性能更好的新型自 动舵控制策略。 直到6 0 年代末 由于自 适应理论得到发展，人们注意到自 适应理论引入船舶操纵成为可能 虽然 自 适应成为一个专门的研究课题始于5 0 年代末，但由于实现上的困难，所以一 直未能用于船舶控制， 随着计算机技术发展的突飞猛进， 人们才将实验室里的自 适应舵应用在实船上。7 0年代中期，船舶自 适应控制方案经过计算机仿真和实 rill 羁黔鬃薰薰薰薰 t aj a104 01,t4krr, r0aff fo l 1a * 1il-r 操舵仪于目前的p i d 舵相比， 由于采用微机技术， 其控制性能， 精度和经济效益明 显提高， 使得过去显得极其复杂的自 适应技术得以实现。它不但克服了上述 p i d 舵的许多缺陷而且还有p i d 所没有的优点， 并成为真正的第三代自 动舵的姿态进 入市场。7 0年代开始，以自 适应舵为标志的第三代船舶操纵系统，现已进入成 熟阶段。5 6 7 1 m1 -2 -t r 自 活应舵在操纵系统中的位置图，目 前仍与p i d 舵并联使用。 补夕 p i d自 动舵舵机 转换开关 自适应舵 舵角 航向偏差 图1 - 2自 适应舵工作示意图 自 适应控 制应用于船舶 操纵的2 0 年间 取 得了 许多 成功实 例， 其系 统设计 方 案 主 篓 i - 天 葵 厂 履 颧 森 履 蔽 挂 葡 份琅 一蓄而蔺蔬鲡厕骊奋瘾 统，第三是基于模型参考自 适应控制理论。 - - 一-一-一一一. - 一 l 海海运学院硕士学位论文 第 8页 共 7 7页 简单自 适应控制系统不需要知道很精确的被控对象数学模型，控制律仍然采用 p i d 形式， 从某一控制律出 发， 按输入输出办法度量其性能指标， 据此改变 控制律中的某些参数， 从而提高控制品质这一类自 适应舵， 所用性能指标因设计 者追求的目 标不同而各有差异， 但从控制理论而言， 仍然处于初级阶段， 因其不 需要很精确地应用被控对象数学模型， 只是从某一性能准则出 发， 对系统进行优 化最终仍采用 p i d 控制形式， 况且这种优化的实时性差， 调整时间长， 有的甚至 是离线进行的， 这种控制方式在某些控制律要求不高， 特别是时间上要求不严的 过程控制中得到应用。一些厂商如美国的 i b m生产的航海船桥操作系统，瑞典 a b a e r o t e l e n 公司的a s a p e 型舵， 美国i o n t r o n s 公司d i g i p l o t 舵， 美国s p e e r y 公司的通用自 适应操舵仪，都是采用此原理。 7 0 年代中 期， 瑞典的k . j . a s t r o m 等人研究了基于自 校正控制的自 适应操舵 仪。1 9 7 4年研制成原型样机，进行了实船海上试验。试验结果表明，其适应性 能良 好， 在极其恶劣的海况下仍能正常运转， 并且由于附加阻力减小， 可使航速 提高 1 % -2 %。自 校正控制系统包括被控对象和自 校正控制器两部分。当船舶 在变海况、变速、变载航行时，船舶运动及扰动的数学模型参数是不断变化的， 因此必须通过在线辨识来实时辨识变化着的数学模型参数。 自 校正控制器的功能 就是使数学模型的参数能在系统投入运行后自动整定，且当模型参数发生变化 时，控制器本身也能修正自己的参数，使控制系统在指定的性能指标下( 动舵次 数最少，偏航幅最小) 尽可能接近最优。 模型参考自 适应简称 m r a s ( m o d e l r e f e r e n c e a d a p t i v e s y s t e m ) ， 这方面研 究工作的代表是荷兰的j . v a n a m e r o n g e n 等人。 其基本思想是: 定向航行控制采 用间接模型参考自 适应方案. 改变航向机动航行控制采用直接模型参考自 适应控 制方案。 其着眼点是自 适应控制能直接加到经典反馈控制系统的确定性等价的线 性控制器中，通过调整控制器的一个或几个参数迫使闭环控制系统产生有效响 应。此系统最突出的特点是其所具有的稳定特性。其工作原理就是建立在 l i a p u n o v 稳定原理上的， 但是由 于所设计的参考模型是固定不变的， 这会带来很 多问题，难以很好的应付实时信息，及时做出最佳控制。 由 于采用自 适应操舵仪， 在保持航向的航行过程中， 有的船舶航行精度可提 高1 % -2 % ， 有的 船舶可节 约5 % 的 燃料消耗。自 适应 舵在提高 船舶控 制精度， 减少能源消耗方面取得了一定成绩， 但物理实现成本高， 参数调整难度大， 特别 是因船舶运动的非线性， 不确定性， 控制效果难以保证， 有时甚至影响系统的稳 鱼 些 七 鱼乡 丝 燮班 ， ， . 一声 ， ， ， 州 一一一 一一一 一咭一一一一- 一一一 三 王 经 影响。另外目 前的许多自 适应操作系统都 停留在单输入- _ l ? j c 乎上 ( 舵角航向偏差控制) ，这显然是不足的。 一 一 一一 - -. 一一. 一一一一 一 一一一一 船舶航向控制的进一步发展， 是与导航系统相结合，实现 ;与雷达，声 上海海运学院硕士学位论文第 9页 共 7 7页 纳相结合， 实现自动避碰和预防触礁等控 一一一一. 一一-一一一一一一 更高级的智能控制。(8 1 ,9 1 厂 一 一 钾 尸 种 -卜卜 1 .4 智能技术在自 动舵设计中的应用 近年来随着智能技术在工业控制中大量成功的使用， 使得在船舶航向自动控 制方面的运用成为可能，自 从8 0 年代后期9 0 年代初期开始研究人员对“ 人工智 能操舵系统” 的研究投入了大量的精力。 具有人工智能 ( a 工 ) 的操舵仪， 无疑是 最有希望成为将来船舶操纵仪的最终发展趋势， 只有这样， 才能真正将船员从繁 琐的船舶操纵工作中彻底解放出来。 1 0 1 1 智能控制通常包括专家系统智能控制，模糊控制和神经网络控制等控制手 愚 。 影 醚 捌翅坚 遇 工 工 垦 奎 壁 趣丝 刽 塑 塑望些途塑邂。 专家系统是借助专家经验开发的一种计算机系统， 其基本要求是模拟舵工的 作用。 一个有效的专家系统需要考虑船舶的特征和环境的干扰。 专家系统在自 动 舵的运用实例比较少 自9 0 年代起，研究人员对神经网络的研究大量增加，关于神经网络运用于 船舶自 动舵方面的论文也时有发表。 使用人工神经网络的一种最简单的方法是利用神经网络的学习功能去模仿 在不同工作条件下的p i d自 动舵。 学习过程结束后， 神经网络控制器便可以取代 p i d 进行独立操作。 如果遇到新的环境或条件， 神经网络自 动舵需要再进入学习 过程，否则控制效果不稳定。基于b p 算法的神经网络控制器是目 前最常用，最 成熟的神经控制结构， 它可分为普通算法和专门学习法两种， 后者可分为直接和 间接两种学习机构。普通算法和专门学习法还没有形成真正的自 适应控制特性。 如1 9 9 3 年s i m e n s e n 对所实现的神经网络自 动舵和w r i t 和m i l l e r 提出的方法， 就是p i d自 动舵训练一个神经网络自 动舵， 这种方法虽然利用神经网络的自 学习 功能， 但整个过程中必须引入一个离线学习和训练阶段。 此方法的执行会使执行 器饱和，会引起执行对象输出不稳定。1 9 9 5年以后，另外一些学者提出了用神 经网络对船舶边控制边学习的在线学习和控制方法。这些方法都具有以下的特 点: ( 1 ) 控制系统定性了解要求低，不需辨识过程。 ( 2 ) 训练数据数量要求低， 只需了解系统短期动态即可。 训练数据集大小被限 制在某一平衡值， 在线训练时间要求与对象动态的充分理解之间的一种平 衡 ( 3 ) 神经网络持续进行训练，适合动态的非线性系统控制。 ( 4 ) 建立对象特性和训练目 标之间的模糊关系， 用于解决直接专门学习法中所 上海海运学院硕士学位论文 第 1 0页 共 7 7页 存在的问题。 这些方法从不同程度上改变了改善了实时控制问 题。 国内许多院校运用神经网络控制等方法在自动舵的控制方面取得了较大的 进展，在此领域发表了很多的论文，提出了许多新的设计思路。 如东南大学程启明等人所提出的自组织模糊神经网络用于控制船舶自动舵和船 舶自 动舵的单神经元自 适 应p i d j p s d控制等方法 。 1 4 1 1 5 1 1 6 1 1 .5 本文主要工作的简介 本文作者在此文中 对标准遗传算法进行了改进， 并将这种改进型遗传算法应 用于神经网络的参数优化。 针对连续异或问题， 分别使用标准遗传算法和改进型 一 一_ _ _ 一 一 一 一一 遗传算法进行了大量仿真试验， 从多个方面对两种算法进行了比较， 结果证明改 一一- -一 -一-一- . 一一一 一-一一 - 一. 一 -一- -一- 一一 ，一一一 一一 一一 一一 进型遗传算法能够解决标准遗传算法固有的缺点，并详细验证了其算法的性能。 厦 启 蒋 其 面 雨 手 函舵 的 神 夏 两 菇 挂 制 器 的 参 数 优 化从 p i d 自 动 舵 的 仿 真 数 据 中提取教师信号， 对神经网络进行有教师的离线训练， 训练目 标是寻找到一组最 一 一 - - 一一 一 一. 一一 一一. - -一一 一-种 一一一 优的权值和闭值， 将训练好的控制器与p i d 控制器的控制响应曲线图进行， 仿真 结果再次验证了此算法的有效性。 上 海海运学院硕士学位论文第 1 1页 共 7 7页 第二章人工神经网络基本知识 2 . 1 人工神经网 络简述 2 . 1 . 1人工神经网络的产生与发展 现代神经生理学和神经解剖学的研究结果表明，人脑是极其复杂的，由约 1 0 1 0 个神经元交织在一起， 构成一个网 状结构。 它能完成诸如智能、 思维、 情绪 等高级神经活动， 被认为是复杂、 有效、 完美的一种信息处理系统。 人工神经网 络 ( a r t i f i c i a l n e u r a l n e t w o r k s ,a n n ) 是对人脑若干基本特性通过数学方法进行 的抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统。 人工神经网络作为一种数学算法体系， 已经解决了许多实际问题， 它的生命 力也恰恰在于其广泛的实用价值。 2 . 1 .2人工神经网 络的 特点 人工神经网络具有以下几个优点: 1 .大规模的并行计算与分布式存储能力 传统计算机的计算和存储是互相独立的，而在a n n中，无论在单个神经是 还是整个神经网络都兼有信息的处理和存储的双重功能， 这两种功能自 然融合在 统一网络中。a n n计算过程的并行性决定了其对信息的高速处理能力。 2 .非线性映射能力 a n n各神经元的映射特征是非线性的，有些网络的单元间采用复杂的非线 性连接。因此，a n n是一个大规模的非线性动力系统，具有很强的非线性处理 能力。 3 .较强的鲁棒性和容错性 由于信息的分布存储和集体协作计算， 每个信息处理单元即包含对集体的贡 献又无法决定网络的整体状态， 因此， 局部神经网络的故障并不影响整体神经网 络输出的正确性。 4 .自适应、自 组织、自 学习的能力 神经网络最突出的特点就是具有自 适应、自 组织、自 学习的能力， 它可以处 理各种变化的信息， 而且在处理信息的同时， 非线性动力系统本身也在不断变化， 既可以通过对信息的 有监督和无监督学习， 实 现对任意复杂函 数的映射， 从而适 应环境的的变化。 5 .非局域性 一个神经网络通常由多个神经元广泛的连接而成。 一个系统的整体行为不仅 上海海运学院硕士学位论文 第 1 2页 共 7 7页 取决于单个神经元的特征， 而且可能由 神经元之间的相互作用、 相互连接所决定， 通过神经元之间的连接模拟大脑的非局域性，而联想记忆是非局域性的典型例 子。 6 .非凸性 一个系统的演化方向， 在一定条件下将取决于某个特定的状态函数， 例如能 量函数， 它的极值对应系统某个比较稳定的状态。 非凸性是指某系统的能量函数 有多个极值， 故系统具有多个较稳定的平衡状态， 这将导致系统演化结果的多样 性。 2 . 1 . 3人工神经网 络的分类 人工神经网络主要有以下几种分类; 1 .按拓扑结构分类:前馈网络、反馈网络和混合网络; 2 ，按学习方式分类:有监督学习和无监督学习; 3 .按连接方式分类:线性关联网络和非线性关联网络; 4 .按应用对象分类:模式识别、预测预报、智能控制和智能决策。 2 . 1 .4人工神经网 络的广泛应用 随着计算机技术的普及与发展， 人工神经网络的研究与应用也取得了惊人的 进步， 涉及自 然科学、 社会科学、 应用科学及综合性交叉科学等各个领域， 取得 了令人曙目的成果，其主要应用在以下几个方面: 1 .模式识别 在模式识别方面的主要应用有: 非线性系统识别、 动态系统识别、图形和文 字识别、 卫星遥感图像识别、 声音识别、 模糊系统识别、 化学过程的仿真与识别、 医疗疾病的诊断等。 2 .预测和预报 在预测和预报方面的主要应用有: 经济发展预测、 银行汇率预测、 股市行情 预测、 市场需求预测、天气预报、降雨径流预报、洪水预报、电力负荷预报、交 通状况预报等。 3 .优化问题 电力输送的优化、 大型混合问题的解决、 能源的优化利用、 水资源优化配置、 水库优化调度、大型拱坝体形优化等。 4 .控制领域 基于神经网络的智能控制有: ( 1 ) 工业过程控制包括蒸气机的模糊控制、 退火炉燃烧过程控制、 冶炼炉的 r 海海运学院硕士学位论文 第 1 3页 共 7 7页 模糊控制、造纸过程控制、仿人智能 温度控制器、电力系统控制; ( 2 ) 运载工具控制包括飞机机翼的角度和力矩控制、 列车自动驾驶的模糊智 能控制、汽车喷油系统的神经网络控制; ( 3 ) 机器人的 智能控制 ( 4 ) 冰箱温度智能控制系统 ( 5 ) 机械震动系统的智能减震控制 ( 6 ) 大型结构的智能减振控制等 5 .智能决策和专家系统 美国b e h a v h e u r i s t i c s 公司应用自 适应神经网络研制出一整套航空管理与决 策专家系统， 实现航空收入的管理、 航空市场的分析和预测、 人力物力的优化分 配与调度:智能数据库系统:专家系统中智能学习和判断分析系统等。 2 . 2人工神经元模型 神经生理学和神经解剖学的研究结果表明， 在人类胚胎的形成过程中， 神经 细胞或神经元从管状结构发展成为中枢神经系统， 其中包括脑和脊髓。 后者向脑 中传入或从脑中传出神经冲动并完成反射活动的调节。 人脑是极其复杂的， 由 约 一千几百亿个神经元 ( 大脑皮层约1 4 0 亿个，小脑皮层约1 0 0 0 亿个) 交织在一 起的网状结构。 它能完成诸如智能、 思维、 情绪等高级精神活动， 无论是脑科学 还是人工智能都必然地促使人们对人脑 ( 神经网络) 模拟， 即导致了人工神经网 络的研究。 生物神经元具有如下基本特征: ( 1 ) 神经元具有多输入、单输出的特性。 ( 2 ) 神经元具有非线性输入、输出的特性。 ( 3 ) 各神经元间传递信号的强度是可变的， 输入的信号有兴奋作用和抑制 作用之分。 ( 4 ) 各神经元的输出响应取决于所有输入信号的加权效果， 当等效的输入 超过某一a值时，该神经元被激活;否则，处于抑制状态。 在对神经元的主要功能和特性进行抽象的基础上， 人们给出了各种神经元的 数学模型。图2 - 1 是一个典型的简单神经元数学模型。 图2 -1 中 x i , - - , x n t 为 输入向 量， 其中x l , x 2 , - - - , x n 分别表示来自 其他神 经元 突触的输入，相应的w l , w 2 , - , w n 表示神经元间的突触连接强度，即连接权重， v 为输出，f () 为激发函数， 0为阂值。神经元相应过程的数学公式描述如下: l 海海运学院硕士学位论文第 1 4页 共 7 7页 输入向量为: x = x l x 2 x n 丁( 2 - 1 ) 行向量w 表示神经元的连接权重向量为: w = w l w 2 w n ( 2 - 2 ) 神经元的净输入s 为: s =ew , x , + e =w x+ e( 2 - 3 ) 净输入经过转移函数的作用后，得到神经元的输出y 为: y =f ( s ) =f ( e w ; x + 0 ) ( 2 - 4 ) 若 8采用x 0 =1 的处理方法，则上式可表示为: y =f ( s ) =f艺 w ,x ) =f ( w x )( 2 - 5 ) 图2 一1 神经元的数学模型 2 . 3人工神经网络的 运行过程 对于各种具有不同拓扑结构的人工神经网络， 其运行过程大体上可以分为两 个阶段:第一，网络的学习 ( 或称之为训练) :第二，网络的联想。 一 学习过程 网络的学习过程就是通过不断地向网络输入一些样本模式，网络遵循一定的 学习规则， 来不断地调整网络的各层权重， 使网络的输入和输出以一定精度向给 定的样本模式逼近。 学习的实质就是网络通过输入和输出信息识别存在于样本信 息间的内在规律。 学习的方法可以 分为 两种: 一种为有监督学习 ( s u p e r v i s e d l e a r n i n g ) 或称 上海海运学院硕士学位论文 第 1 5页 共 7 7页 有 教 师 学 习; 另 一 种为 无 监 督 学习( u n s u p e r v is e d l e a r n i n g ) 或 称无 教 师 学习 。 ( 1 ) 有监督学习 有监督学习是给定一组输入、 输出作为样本模式， 网络根据学习规则不断地 调整网络的权重， 使网络的实际输出与样本的期望输出之间的误差降低到允许的 精度。有监督学习常用来进行系统规律的映射。 ( 2 ) 无监督学习 无监督学习的样本模式中不包含期望输出， 网络完全按照样本所提供的某些 统计规律来调整网络自 身， 以 获得输入信息的某些固有特征， 如聚类和统计上的 分布规律。无监督学习常用于信息的分类。 不同拓扑结构的神经网络， 甚至相同结构的神经网络， 因其学习规则的不同， 神经网络的功能各异。 二. 学习规则 网络中的每一个神经元都是一个自 适应单元， 它的权重是可以调整的。 权重 调整方法的不同，便产生了各种各样的学习规则。 图2 - 2 描述了网 络中神经元节点j 的 权重w i 的 调整情况。 图2 -2 神经元节点权重的调整情况 学习信号r 定义为: r =r ( wj ， x， ti ) ( 2 - 6 ) 式中 tj 代 表示 教 信号。 0 w j 表示第j 个神经元节点的 权重增量， 可定义为 输入向 量x 、 学习 信号r 以及学习率 几 三者之积的形式 o wj = 几 r(w j， x， t j ) x r ( 2 - 7 ) 卜 海海运学院硕士学位论文第 1 6页 共 7 7页 第j 个神经元节点在下一迭代中 对应的权重可表示为: w j ( t+ l ) = w j ( t ) +a w j ( t ) ( 2 - 8 ) 三. 网络的联想 完成训练的神经网络已经将学习样本的信息存储于网络之中， 这样的网络已 经具有映射功能。 通过某种方式， 使已 经存储在网络中的有关信息从输出层复现 出来的过程，称为网络的联想。 不同网络的联想方式也不同。 前馈联想: 输入的激励模式只需一次性通过权 重矩阵， 就可以产生所需的响应，即输出模式; 反馈联想: 输入的激励模式通过 网络产生的响应， 作为下一次激励再输入网络， 这样依次循环， 直到输入、 输出 均不再变化为止。 2 .4人工神经网络的学习 算法 2 .4 . 1前向多层神经网络的b p学习算法 前向 多 层神 经网 络的 反 传学习 算 法 ( b a c k - p r o p a g a t i o n ， 缩写 为b p ) 最早 是 由 韦伯斯 ( we r b o s )在 1 9 7 4年提出来的。鲁梅尔哈特 ( b u m e l h a r t )等于 1 9 8 5 年 发 展 了 反 传 网 络 学 习 算 法 。 b 丝 壑垫 v a 二 拘 w e i v a 乙 i li ll 堕 星 董 遨。 隐 层可以 是 一 层， 也 可以 是 多 层。 当 信 号 输入时， 首 先 传到 隐 节 点， 经过作用函数后， 再把隐节点的输出信号传播到输出层节点。 经过处理后得出输 出结果。节点的作用函数通常选用 s 型函数，如: f ( x ) 一 二 1 图2 - 3 给出了反传学习过程原理图。 学习过程由正向传播和反向传播组成。 在正向传播过程中， 输入信号从输入层经隐层单元逐层处理， 并传向输出层， 每 一层神经元的状态只影响下一层神经元的状态. 如果在输出层不能得到期望的输 出， 则转入反向传播， 将输出信号的误差沿原来的连接通路返回。 通过修改各层 神经元的权值，使得误差信号最小。 卜 海海运学院硕士学位论文 第 1 7页 共