基于BP神经网络的自校正PID控制研究.docVIP

基于BP神经网络的自校正PID控制研究 摘 要: 基于反向传播BP算法的神经网络具有很强的学习能力,适应能力.本文详细叙述了BP算法的原理,并将改进的BP神经网络应用在传统的PID控制中,克服了PID控制在参数的调整过程中对于系统模型过分依赖的缺点.利用MATLAB仿真的结果表明基于BP神经网络的自校正控制能够使传统PID控制的参数逼近最优达到很好的控制效果. 关键词: BP算法,神经网络,PID控制 1引言 随着科学技术的发展,人们需要加以控制的过程和系统越来越复杂,许多系统具有大型,复杂和强烈非线性的特点.对这些系统进行有效准确的控制就非常的困难.传统的PID控制是通过对偏差的比例(P),积分(I),微分(D)的线性组合构成控制向量对被控对象进行控制.它算法结构简单,但是,当被控对象具有非线性,时变不确定性和难以建立精确的数学模型时,PID控制器参数整定不良,性能欠佳,不能达到理想的控制效果.随着人们对神经网络的研究,基于BP算法的神经网络以其自学习,自适应及逼近任意函数的能力在控制领域得到应用,将BP神经网络和传统的PID控制相结合构成的比例,积分,微分神经元控制器,不仅克服了PID控制的缺陷,而且具有快速的学习能力,快速的适应性,良好的性能和鲁棒性.因此,可以通过神经网络对系统性能的学习来达到最佳的比例,积分,微分组合,实现最佳的PID控制效果. 2 神经网络的BP算法 2.1 神经网络的结构 BP神经网络是控制领域中应用最多的神经网络,它是多层神经元彼此以前馈方式连接组成的网络,网络中没有信号反馈,只有相邻层神经元,每个神经元首先完成输入信号与连接权值的内积计算,然后通过一个非线性函数作用产生输出.BP神经网络通常由输入层,输出层和若干隐层构成每层由若干个结点组成, 每一个结点表示一个神经元,上层结点与下层结点之间通过权值联接, 同一层结点之间没有联系。 多层前馈神经网络的结构如图1所示: 输入层 隐层 输出层 图1 神经网络结构图 2.2神经网络的学习BP算法 神经网络的学习方式有两种:有指导的学习—在训练期间,向网络提供输入输出样本对;无指导的学习—自适应于输入空间.神经网络的学习规则就是修正权值的一个算法. BP神经网络的学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。BP算法是一种反向传播算法,外部输入的信号经输入层、隐含层的神经元层得不到期望输出,则转入误差反向向传播过程, 将实际值与网络输出值之间的误差沿原来联接的通路返回,通过修改各层神经元的联接权值,使误差减少,然后再转入正向传播过程,反复迭代,直到误差小于给定的值为止。 以下是BP算法具体过程的算法原理: 首先,从单神经元模型的输入输出关系着手 图2 神经元模型 由图2神经元模型设: (1) (2) 其中为阈值, 为连接权值, 为输出变换函数。 神经元的输出变换函数通常选典型的非线性S型函数和双曲函数: 下面探讨多层前馈神经网络的BP算法原理: 给定P组输入输出样本对: 利用样本对训练神经网络,设神经网络的评价函数为: (3) 其中 (4) 神经网络BP算法的关键是得到评价函数E的最优值,采用一阶梯度法调整权系数使评价函数为最小,即计算评价函数的E对寻优参数W的一阶倒数. 由公式(3)得 所以一阶梯度法寻优的关键是计算 (5) 又 (6) 设 (7) (8) ，为神经网络的学习率