基于改進(jìn)PSO算法的液壓調(diào)高系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制

《基于改進(jìn)PSO算法的液壓調(diào)高系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、學(xué)兔兔www.xuetutu.comI訇化基于改進(jìn)PSO算法的液壓調(diào)高系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制PredictivecontroIoftheverticaIsteeringsystembasedonRBFneuralnetwork周元華。。，馬宏偉。ZHOUYuan．hual1．MAHong—wei(1．西安科技大學(xué)機(jī)械工程學(xué)院，西安710054；2．長(zhǎng)江大學(xué)機(jī)械工程學(xué)院，荊州434023)摘要：針對(duì)采煤機(jī)液壓調(diào)高控制問(wèn)題，提出一種基于模擬退火粒子群算法的RBF預(yù)測(cè)控制方法。綜合模擬退火算法和粒子群算法的優(yōu)點(diǎn)，用模擬退火思想來(lái)解決粒子群算

2、法易陷于局部最優(yōu)的問(wèn)題。用模擬退火粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，增強(qiáng)學(xué)習(xí)能力和算法穩(wěn)定性。利用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)采煤機(jī)液壓調(diào)高系統(tǒng)進(jìn)行預(yù)測(cè)控制，仿真結(jié)果表明，改進(jìn)后的方法比傳統(tǒng)控制方法辨識(shí)精度提高，響應(yīng)速度更快，證明了該方法的改進(jìn)效果較好。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；模擬退火算法；粒子群算法；預(yù)測(cè)控制中圖分類號(hào)：TD421文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-0134(2014)os(下)-ol10-03Doi：10．3969／J．issn．1009-0134．2014．03(下)．300引言式中，X=[，x2．，r是輸入向量；=目前大

3、多數(shù)采煤機(jī)采用液壓系統(tǒng)進(jìn)行調(diào)高控，[6l，b2，．．．，bm]是基寬函數(shù)向量。因此，RBF網(wǎng)絡(luò)的輸出為：制，該系統(tǒng)是一個(gè)復(fù)雜的非線性、時(shí)變系統(tǒng)，常規(guī)控制方法難以滿足實(shí)時(shí)性要求。模型預(yù)測(cè)控制采用Ym(t)=+w2lz2+?+hm=WH(2)滾動(dòng)優(yōu)化策略，能取得較好的動(dòng)態(tài)控制效果，但只式中，W=[，WE，．．．，Wm]是權(quán)值；H=[啊，，?，r為隱含層節(jié)點(diǎn)輸出。能應(yīng)用于線性系統(tǒng)，而神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制具有很的非設(shè)有多變量非線性系統(tǒng)描述為：線性處理能力，被廣泛用于非線性系統(tǒng)的控制中口】。．y()=f[y(k—1)，?，y(k一一1)，f3、R

4、BF神經(jīng)網(wǎng)絡(luò)由于具有緊湊的結(jié)構(gòu)、很好的逼近特u(k一1)，·一，u(k一，z一1)]性和很快的學(xué)習(xí)速度等優(yōu)點(diǎn)，受到人們的高度重式中，／【口)是非線性函數(shù)，Y為輸出，U為輸視，但其中心點(diǎn)的選擇較為困，很多學(xué)者采用入，n為輸入階數(shù)，n為輸出階數(shù)。了進(jìn)化算法多RBF網(wǎng)絡(luò)進(jìn)行優(yōu)化。本文提出一種改進(jìn)的PSO算法，將其應(yīng)用于利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)廠(口)進(jìn)行逼近，逼近函數(shù)為(，~qRBF預(yù)測(cè)模型為：RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程，增強(qiáng)學(xué)習(xí)能力和算法穩(wěn)．，定性，并將改進(jìn)的RBF應(yīng)用于采煤機(jī)液壓調(diào)高系()=厶r[(七一1)，?，y(k—n一1)，，統(tǒng)的預(yù)測(cè)控

5、制中，仿真表明，該方法具有較高的u(k一1)，?，u(k—n一1)，W]、式中，W為RBF網(wǎng)絡(luò)的權(quán)值?？刂凭群蛯?shí)時(shí)性。1徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[6，2模擬退火粒子群算法徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RadialBasisFunction2．1模擬退火粒子群算法【8I9]NeuralNetwork，RBFNN)是基于正則化理論導(dǎo)出，標(biāo)準(zhǔn)PSO算法在搜索的初期有較快的收斂速它具有全局最佳逼近能力。RBF是一個(gè)三層前向度，但在后期往往容易陷入局部最優(yōu)點(diǎn)。為此，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，具有非線性逼近能力強(qiáng)、網(wǎng)絡(luò)利用模擬退火算法優(yōu)化粒子群算法，形成模擬退結(jié)構(gòu)

6、簡(jiǎn)單等特點(diǎn)，非常實(shí)用于在線學(xué)習(xí)。本文采火粒子群算法(SA-PSO)。用具有高斯基函數(shù)的RBF網(wǎng)絡(luò)，網(wǎng)絡(luò)的第j個(gè)神經(jīng)模擬退火算法(SA)是基于蒙特卡羅迭代求解元輸出為：策略的一種啟發(fā)式隨機(jī)搜索方法。模擬退火算法由某一較高的初溫開(kāi)始，利用具有概率突跳特性卅_1，2，．．(1)的Metropolis抽樣準(zhǔn)則在解空間中隨機(jī)搜索，伴隨收稿日期：2013-12-26基金項(xiàng)目：國(guó)家自然科學(xué)基金煤炭聯(lián)合基金(u1361121)作者簡(jiǎn)介：周元華(1980一)，湖北武漢人，博士研究生，研究方向?yàn)橹悄軝z測(cè)與控制。[11o]第36卷第3期2014-03(下

7、)學(xué)兔兔www.xuetutu.com務(wù)l甸似溫度的不斷下降，重復(fù)抽樣過(guò)程，最終得到問(wèn)題的全局最優(yōu)解。標(biāo)準(zhǔn)PSO算法中隨著迭代次數(shù)的增加，慣性權(quán)重越來(lái)越小，容易出現(xiàn)局部收斂，為了避免這種情況，需要接受部分惡化解，這樣不易陷入局部極小。這種接受惡化解的策略，符合模擬退火算法的思想。在模擬退火算法中，冷卻溫度是跳出局部極小的關(guān)鍵，這里設(shè)置為：圖1基于RBF網(wǎng)絡(luò)的預(yù)測(cè)控制模型t=九(O<九<1)(5)當(dāng)算法接近收斂時(shí)，冷卻溫度趨近于0，根據(jù)4仿真研究退火溫度，模擬退火算法的接收概率為：采煤機(jī)液壓調(diào)高系統(tǒng)是一個(gè)液壓伺服系統(tǒng)，f1，(／()<

8、，((，))由控制器、電液比例閥、液壓缸、調(diào)高機(jī)構(gòu)和位l／，、ploxp(一苧!)=exp(一苧二：)，(，()≥，(“))to)移傳感器組成加，如圖2所示。當(dāng)p>r(r為(O，1)的隨機(jī)數(shù))時(shí)，也能接受新粒子。隨著粒子的更新，p趨近