基于BP神经网络PID整定原理和算法步骤

34摘要神经网络作为一门新兴的信息处理科学，是人脑某些基本特征的抽象和模拟。基于人脑的工作模式，研究适应性和非程序化的信息处理方法。这种工作机制的特点是通过网络中大量神经元的作用来反映自身的处理功能。它从模拟人脑的结构和单个神经元的功能出发，达到模拟人脑处理信息的目的。目前，神经网络在国民经济现代化和国防科技中有着广阔的应用领域和发展前景。其应用领域主要体现在信息、自动化、工程和经济领域。本文以BP神经网络为研究对象。主要研究内容如下：首先，介绍了神经网络的概念、控制结构和学习方法。其次，介绍了人工神经元模型，详细阐述了BP神经网络的基本原理和推导过程。再次，将BP神经网络算法应用于PID控制，介绍了基于BP神经网络的PID整定原理和算法步骤。最后，利用MATLAB/Simulink对BP神经网络PID控制系统进行仿真，结果表明BP神经网络控制效果明显，具有较强的自整定和自适应功能。关键词：BP算法，PID控制，自校正摘要神经网络作为一门新兴的信息处理科学，可以模拟人脑的一些基本特征。它是一种以人的大脑工作模式为基础，研究适应性和非程序性模型的信息处理方法。这种工作机制的特点是它可以通过网络中大量神经元的功能来显示其处理功能。然后，它从模拟人脑结构和单个神经元功能开始，以达到模拟人脑处理信息的目的。目前，神经网络在国民经济和国防科学现代化中有着广泛的应用领域和前景。它主要应用于信息、自动化、经济等领域。本文以BP神经网络为研究对象。研究内容主要包括：首先，介绍了神经网络的概念、控制结构和学习方式等。其次，详细介绍了人工神经元模型、BP神经网络的基本原理和推导过程。然后，将BP神经网络应用于PID控制中，介绍了基于BP神经网络的PID调节原理和算法步骤。最后，利用Matlab/Simulink对BP神经网络PID控制系统进行了仿真。因此，BP神经网络控制的性能明显良好。BP神经网络控制系统具有很强的自校正、自适应功能。关键词： BP算法，PID控制，自校正内容摘要一抽象二第一章导言21.1选题的背景和意义21.2国内外神经网络技术发展现状3第二章神经网络的原理和应用62.1神经网络的基本概念62.2神经网络的控制结构62.2.1前馈网络6反馈网络62.3神经网络的功能72.4神经网络的学习72.4.1神经网络的学习方法72.4.2神经网络的学习算法82.5人工神经元模型82.6 BP算法原理102.7 BP网络的前馈计算112.8 BP网络权重系数调整规则122.9 BP网络学习算法的计算步骤142.10本章概述14第三章BP神经网络PID控制方法的研究3.1导言3.2基于BP神经网络15的PID整定原理3.3本章概述19第四章模拟研究204.1 BP神经网络自整定PID控制系统204.2模拟结果分析274.3本章概述27第五章结论与展望28参考文献30附录31谢谢你第一章引言1.1选题的背景和意义没有计算机技术的发展，大量被控对象是相对简单的单输入单输出线性系统，对这些对象的自动控制要求是保持输出变量在要求的恒定值，消除或减少输出变量与给定值之间的误差，误差速度等。PID控制的结构正好适合这类对象的控制要求。因此，PID控制是最早发展起来的控制策略之一。PID控制由于其算法简单、鲁棒性好、可靠性高等优点，被广泛应用于过程控制，尤其是能够建立精确数学模型的确定性控制系统。然而，实际工业生产过程往往是非线性、时变的不确定性，很难建立精确的数学模型，应用常规的PID控制器无法达到理想的控制效果，而在实际生产现场，由于参数设置方法复杂，常规PID控制器往往设置不好，性能差，对工况的适应性差。因此，人们从工业生产过程的需要出发，基于常规PID控制器的基本原理，对其进行了各种改进，形成了所谓的智能PID控制1。其中，神经网络具有大规模并行处理和分布式信息存储。较强的自学和联想能力；良好的自适应和自组织能力；多输入多输出非线性系统基本满足工程要求。作为生物控制论的成果，人工神经网络的触角几乎延伸到所有工程领域，并在这些领域形成新的生长点。从神经网络的研究开始，整个学术界对计算的概念和功能有了新的理解和改进。计算不仅局限于数学，还采取逻辑和离散的形式。在大量的物理现象甚至生物物体中，各种各样的计算都在进行。此外，在模糊低精度模拟量的并行计算中执行大量计算。对于这种计算，传统的计算机无能为力。神经网络数学理论的本质是非线性数学理论。因此，现代非线性科学的进步必将推动神经网络的研究。同时，神经网络理论也将为非线性科学提出新的课题。神经网络的研究对象是神经系统，它是一个高度进化的复杂系统，是系统科学中一个重要的特定领域。神经网络的研究不仅强调系统的动态特性，而且强调系统中事件和信息的表达和生成。神经网络的应用不需要考虑过程或现象的内在机制，一些高度非线性和复杂的问题可以很好地处理。因此，神经网络在控制领域，特别是在模型辨识、控制器设计、优化运行、故障分析和诊断等领域取得了巨大的进展。作为21世纪的自动控制技术，国内外的理论和实践已经充分证明，神经网络控制在工业复杂过程控制中具有巨大的潜力。然而，工业现场需要先进的控制方法，迫切需要工程和实用的神经网络控制方法。因此，研究神经网络在控制中的应用对于提高我国的自动化水平和企业的经济效益具有重要意义2。神经网络具有很强的非线性逼近能力和自学习能力，因此将BP神经网络算法与PID控制相结合的间接自校正控制策略能够自动调整控制器的参数，使系统在更好的性能下运行。虽然人工神经网络有许多优点和广泛的应用，但也有一些缺点。由于神经网络的不足阻碍了神经网络的发展，因此BP神经网络是实际应用中最广泛的神经网络模型。BP神经网络是在1986年提出的，因为它系统地解决了多层网络中隐含单位连接权的学习问题，并且它还具有人工神经网络的特点。本课题基于对BP神经网络模型的研究。BP神经网络的缺点主要表现在以下几个方面(1)学习型专业(5)没有考虑样本选择对系统的影响；(6)没有考虑传递函数对神经网络系统的影响；此外，网络结构：的确定包括隐层数量的确定、每个隐层：中的节点数量的确定和学习速率的选择，这严重阻碍了BP神经网络的发展，导致其理论发展缓慢。同时，BP网络的这些缺点限制了其应用领域的扩大和应用的深度，不利于国民经济的健康发展。因此，研究BP神经网络显然具有重要的理论意义和重要的应用价值。1.2国内外神经网络技术的发展现状今天的自动控制技术是基于反馈的概念。反馈理论的要素包括三个部分：测量、比较和执行。测量感兴趣的变量，与期望值进行比较，并使用该误差来校正和调整控制系统的响应。比例积分微分控制器作为最早的实用控制器已经使用了50多年，并且仍然是应用最广泛的工业控制器。PID控制器简单易懂。它在使用中不需要精确的系统模型和其他先决条件，所以它已经成为使用最广泛的控制器。PID控制器由比例单元(P)、积分单元(I)和微分单元(D)组成。在实际生产过程中，由于参数设置方法复杂，传统的PID控制应用受到很大的限制和挑战。人们在应用PID时，也做出了各种各样的改进，主要体现在两个方面：一是对传统PID结构的改进，即变结构PID控制。如积分分离算法、反积分饱和算法和微分项的改进。另一方面，将模糊控制、神经网络控制和专家控制相结合，扬长避短，形成所谓的智能PID控制。神经网络是由大量广泛连接的简单处理单元组成的系统，用于模拟人脑神经系统的结构和功能。从研究开始到发展，这并不是一帆风顺的。它经历了从涨潮到低潮，再到新高潮的曲折发展历程。自20世纪80年代中期以来，在一些西方工业化国家，如美国和日本，研究和开发神经网络的热潮已经开始。人工神经网络在过去十年的发展也表明它是一门具有广阔应用前景的新兴学科，它的发展将对当前和未来科技水平的提高产生重要影响。早期，美国心理学家威廉詹姆斯(1890)出版了一本书心理学原理，书中讨论了相关学习和联想记忆的基本原理，并创造性地研究了人脑的功能。他指出，个基本脑细胞相继被激活。当其中一个被刺激重新激活时，刺激就会传递给另一个。同时，詹姆斯认为大脑皮层任何一点的刺激量是进入该点的所有其他发射点的总和。美国心理学家麦卡略和数学家皮特斯(1943)合作，用逻辑数学工具研究了神经网络形成过程中客观事件的数学模型表达。从此，神经网络的理论研究开始了。Bernard卓尔和MarianHoff(1962)提出了一种具有连续值的线性加权和阈值网络，即自适应线性元素网络，它也可以看作是感知器的变形。它已成功应用于连续可调过程，如自适应信号处理和雷达天线控制。他们在人工神经网络理论中创造了著名的维卓尔-霍夫学习和训练算法，并用硬件电路实现了人工神经网络的工作，为今天用大规模集成电路实现神经网络计算机奠定了基础。20世纪90年代初，诺贝尔经济学奖获得者埃德拉姆提出了达尔文主义模型，对神经网络的发展产生了巨大的影响。他建立了神经网络系统理论。例如，达尔文主义的结构包括达文网络和纳兰斯网络，这两个网络是并行的，它们还包括一些功能不同的子网络。他采用了赫布重量校正规则。在应用特定的运动刺激模式后，系统通过进化学习扫描和跟踪目标。Narendra和Parthasarathy(1990)提出了一种广义动态神经网络系统及其连接权学习算法，能够表达非线性特征并增强鲁棒性。神经网络理论具有很强的数学和生物学特性，特别是在神经科学、心理学和认知科学领域。它提出了一些重要的问题，这是对神经网络理论研究的新挑战，也是神经网络发展的最佳时机。在过去的十年里，神经网络的理论和实践取得了显著的进步。它再次扩展了计算概念的内涵，使神经计算和进化计算成为新的学科。神经网络的软件仿真已经得到了广泛的应用。技术发达国家的大公司对神经网络芯片和生物芯片特别感兴趣。例如，英特尔公司、IBM公司和HNC公司已获得多项专利。现有产品已进入市场，并被国防、企业和科研部门选用。许多公众也有神经网络的实用工具。它们的商业化令人鼓舞。神经网络在国民经济现代化和国防科技