BP神经网络监督控制系统设计.doc

班级：控制5班 学号：2111504213 姓名：张睿设计一个BP神经网络监督控制系统，被控对象为：采样时间1ms，输入信号为方波信号，幅值0.5，频率2hz。设计一个BP神经网络监督控制系统，并采用遗传算法进行BP神经网络参数及权值的优化设计，并进行matlab仿真。需要说明控制系统结构，遗传算法优化BP网络的具体步骤，并对仿真结果做出分析。解决过程及思路如下：1 BP网络算法以第p个样本为例，用于训练的BP网络结构如图1所示。.ijk输入层隐含层输出层xk图1 具有一个隐含层和输出层的BP神经网络结构网络的学习算法如下：(1)信息的正向传播隐含层神经元的输入为所有输入加权之和，隐层神经元的输出采用S函数激发，则 输出层的神经元输出为 网络输出与理想输出误差为误差性能指标函数为上式的N表示网络输出层的个数。（2）利用梯度下降法调整各层间权值的反向传播对从第j个输入到第k个输出的权值有：其中，为学习速率，。K+1时刻网络权值为对从第i个输入到第j个输出的权值有：式中，t+1时刻网络权值为2. BP网络的监督控制系统结构设计的BP网络监督控制系统结构如图2所示。图2 BP神经网络监督控制在BP网络结构中，取网络的输入为r（k），实际输出为y（k），PID控制输出为up（k），隐层神经元的输出采用S函数激发，网络的权向量为W1, W2 BP的网络输出为 控制律为 u(k)=up(k)+yn(k)采用梯度下降法调整网络的权值为神经网络权值的调整过程为3.遗传算法对BP网络权值的优化过程（1） 取逼近总步骤为:N=100（2）终止代数：G=80 （3）样本个数：Size=30（4）交叉概率：Pc=0.70（5）二进制编码长度：Godel=10（6）变异概率：Pm=0.001-1:1:Size*0.001/Size （7）用于优化的BP网络结构为：1-4-1 i=1 j=1,2,3 ,4（8）网络权值W1的取值范围为：-1,+1（9）网络权值W2的取值范围为：-0.5,+0.5(10)取BP网络误差绝对值为参数选择的最小目标函数：式中，N为逼近的总步骤，ee（i）为第i步BP网络逼近误差。（11）需要优化参数为：4 遗传算法优化BP网络权值的步骤(1)初始化种群；(2)计算其适应值，保留最优个体，判断是否达到最优解；(3)交叉、变异产生新个体；(4)重新计算种群中每个个体的适应值并保留最优个体；(5)交叉、变异前后的种群放在一起进行二人竞赛选择法，直到填满新的种群；(6)转2)直到找到最优解BestJ。5 MATLAB仿真结果BP监督网络遗传算法优化程序包括3部分，即遗传算法优化程序ga_bp.m，BP网络逼近函数程序bp_a和BP网络逼近测试程序bp_test。输入信号为r（t）=0.5*sign(sin(2*2*pi*k*ts)采样时间ts=0.001s，=0.30，a=0.05,kp=1,kd=1.经遗传算法优化后，对象p的值为P=-0.2160,0.7576,0.5230,0.9863,-0.0714,0.2551,0.6911,-0.3627，0.2146，0.3338 ，-0.0875，-0.0582仿真结果图：图3 代价函数J的优化过程 图4 方波位置跟踪图5 BP网络,PD及总控制器输出的比较以及误差曲线结论：采用遗专算法可以实现BP网络参数初始值的优化，节约计算量。并由仿真结果可知，其误差大部分趋于0，但局部有三个地区的误差比较大，产生原因可能与遗传算法的运行参数有关。代码：1、bp_a.mfunctionp,BsJ=rbf_gaf(p,BsJ)ts=0.001;alfa=0.05;xite=0.30;sys=tf(1000,1,87.35,10470);dsys=c2d(sys,ts,z);num,den=tfdata(dsys,v); y_1=0;y_2=0;u_1=0;u_2=0;e_1=0; xi=0;x=0,0;I=0,0,0,0;Iout=0,0,0,0;FI=0,0,0,0;kp=25;kd=0.3;w1=p(1),p(2),p(3),p(4);p(5),p(6),p(7),p(8);w1_1=w1;w1_2=w1;w2=p(9);p(10);p(11);p(12);w2_1=w2;w2_2=w2_1;for k=1:1:1000 timef(k)=k*ts;Y=1;if Y=1 r(k)=0.5*sign(sin(2*2*pi*k*ts); %Square Signalelseif Y=2 r(k)=0.5*(sin(3*2*pi*k*ts); %Square Signalend y(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2;e(k)=r(k)-y(k); xi=r(k);for j=1:1:4 I(j)=x*w1(:,j); Iout(j)=1/(1+exp(-I(j);end yn(k)=w2*Iout; % Output of NNI networks %PD Controllerup(k)=kp*x(1)+kd*x(2); M=2;if M=1 %Only Using PID Control u(k)=up(k); elseif M=2 %Total control output u(k)=up(k)+yn(k);end if u(k)=10 u(k)=10;endif u(k)=10 u(k)=10;endif u(k)temp %Crossover Condition for j=n:1:20 TempE(i,j)=E(i+1,j); TempE(i+1,j)=E(i,j); end endendTempE(Size,:)=BestS;E=TempE; %* Step 4: Mutation Operation *pm=0.001-1:1:Size*(0.001)/Size; %Bigger fi, smaller pm for i=1:1:Size for j=1:1:12*CodeL temp=rand; if pmtemp %Mutation Condition if TempE(i,j)=0 TempE(i,j)=1; else TempE(i,j)=0; end end end end%Guarantee TempE(Size,:) belong to the best individu