《神经网络控制》课程实验指导书

1、神经网络控制课程实验指导书课程代码：课程编号：适应对象：智能科学与技术、自动化、电气类等专业指导教师：肖晓明魏世勇实验内容实验一BP神经网络优化算法实验实验二基于BP神经网络自整定PID控制仿真实验实验一BP神经网络优化算法实验一、实验目的1、熟悉MATLAB中神经网络工具箱的使用方法2、了解BP神经网络各种优化算法的原理3、掌握BP神经网络各种优化算法的特点4、掌握使用BP神经网络各种优化算法解决实际问题的方法二、实验内容建立一个BP神经网络对正弦函数y=sin(3x)进行逼近，并分别将BP神经网络的学习函数取附加动量、自适应调整参数、拟牛顿法等优化算法对应的学习函数，对各种训练方法的输出结

2、果和网络训练所使用时间进行对比。1、确定BP神经网络的网络参数实验中采用三层的BP神经网络，输出层采用一个输出神经元，根据所学知识，确定隐含层的神经元个数、各层之间的激活函数、训练步数（建议在5000-10000步左右）、目标误差（建议在0.001左右）、输入值的取值范围、学习速率等网络参数。2、训练时间计算MATLAB里面有两个函数：tictoe用于计算运行时间，在训练神经网络前加入函数tic表示计时开始，在训练完成后用timespan=toc来获得训练总共用的时间，在命令窗口中可以看到输出的时间，此处的timespan是一个变量，可以选择其它符号，只要不与MATLAB的保留字发生冲突就可以

3、了。3、观测结果在建立好的BP神经网络结构中，分别用traingd、traingdm、traingda、trainbfg、trainoss等学习函数置换BP神经网络中的学习函数，并用plot函数输出sin（3x）的图形以及使用测试数据时输出的图形观测训练后的神经网络的性能，同时请使用上面介绍的时间函数计算使用不同学习函数时神经网络所使用的训练时间。三、思考与实验总结1、对比使用各种学习函数时网络的输出，谁的效果好？2、当改变隐含层的神经元时会产生什么影响？3、实验中还产生了什么问题？是如何解决的？还存在什么有待进一步解决的问题？实验二基于BP神经网络自整定PID控制仿真实验一、实验目的熟悉神经

4、网络的特征、结构以及学习算法，通过实验掌握利用神经网络自整定PID参数的工作原理和方法。了解不同神经网络结构对控制效果的影响，掌握用MATLAB实现神经网络控制系统仿真的方法。二、实验设备计算机系统、Matlab仿真软件三、实验原理在工业过程控制中，PID控制是最常用、最成熟的一种控制方法。这是因为PID控制器结构简单、实现方便，控制效果良好，已得到广泛应用。但是，PID具有一定的局限性:当被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。利用人工神经网络的自学习这一特性，并结合传统的

5、PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。基于BP神经网络的PID控制器结构如图1所示。控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且三个参数可在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。图1基于BP网络的PID控制器结构BP网络是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐节点，同层节点中没有任何耦合。输入节点对应系统的运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化处理，输入变量的个数取决于被控系统的复杂程度;输出节点对应的是PID的

6、三个可调参数。由于输出不能为负，所以输出层激发函数取非负的Sigmoid函数，隐层取正负对称的Sigmoid函数。本系统取BP网络的结构为4-5-3型,如图2所示。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经单元的状态只影响下一层神经网络。如果输出层不能得到期望输出，也就是实际输出与期望输出有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播，去进行计算，再经过正向传播过程，这样经过两个过程的反复作用，使得误差信号最小。实际上，当误差达到人们所希望的要求时，网络的学习过程就结束了。前向算法：网络输入层的输入、输出为0

7、(1)=x(j),j=1,2,n,j式中输入变量个数n取决于被控系统的复杂程度。网络隐含层的输入、输出为：net(k)=乙w(2)o(1)ijijj=1o(k)=f(net(k),(i=1,2,q)ii式中w(2)为隐含层的加权系数；上角标(1)、(2)、(3)分别代表输入层、隐含层和输出层。jiexex隐含层神经元的激发函数取正负对称的Sigmoid函数：f(x)=tanh(x)=ex+exTOC o 1-5 h z HYPERLINK l bookmark32 net(3)(k)=乙w(3)o(2)(k)lilii=1o(k)=g(net(k),(l=1,2,3)网络输出层的输入、输出为：

8、iio(3)(k)=k1po(k)=k2io(3)(k)=k3d输出层节点分别对应三个可调参数kp,kkd由于k,k,k不能为负，所以输出层神pidex经元的激发函数取非负的Sigmoid函数：g(x)=(1+tanh(x)=ex+ex反向算法：取性能指标函数为：E(k)=2(r(k)y(k)2。按照梯度下降法修正网络的权系数，即按E(k)对加权系数的负梯度方向搜索调整。QE(k)dE(k)Qy(k)Qu(k)do(k)Qnet(k)=ii-Qw(3)(k)Qy(k)Qu(k)do(k)Qnet(k)Qw(3)(k)iiiiiidnet(K)/八/二o(K)d(k)1ildE(k)內(k)二-

9、e(k)若采用增量式数字PID控制算法，则有du(k)00(3)(k)1du(k)do(3)(k)2du(k)do(3)(k)3=e(k)一e(k一1)=e(k)=e(k)一2e(k一1)+e(k一2)综合上述分析，可得网络输出层权系数的学习算法为：Aw(k)=aAw(3)(k1)+2o(2)(k)ililli式中耳为学习速率，a为惯性系数,6(k)=e(k)signldy(k)du(k)du(k)do(3)(k)lg(net(3)(k),(l=1,2,3)l同理，可得隐含层加权系数的学习算法为：Aw(2)(k)=aAw(2)(k一1)+耳6(k)o(k)jijiij6(k)=/(net(k)6(3)w(3)(k)iiiill=1式中/()=(1-/2(x)/2。四、实验步骤(1)被控对象为一时变非线性对象，数学模型可表示为y(k)=A(k)y伙一1)+u(k-1)1+y2(k-1)式中，系数a(k)是慢时变的，a(k)=1.2(1-OWe-o”)。如图2确定BP网络的结构，选4-5-3型，各层加权系数的初值w(2)(0),w(3)(0)，取jiil区间-0.5,0.5上的随机数，选定学习速率n=0.25和惯性系数a=