單神經(jīng)元自適應(yīng)PID控制算法

《單神經(jīng)元自適應(yīng)PID控制算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、單神經(jīng)元自適應(yīng)PID控制算法一.單神經(jīng)元PID算法思想神經(jīng)元網(wǎng)絡(luò)是智能控制的一個重要分支，神經(jīng)元網(wǎng)絡(luò)是以人腦生理研究成果為基礎(chǔ)，模擬大腦的某些機(jī)理與機(jī)制，由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò),它通過對連續(xù)或斷續(xù)的輸入做狀態(tài)響應(yīng)而進(jìn)行信息處理；神經(jīng)元網(wǎng)絡(luò)是本質(zhì)性的并行結(jié)構(gòu)，并R可以用駛件實現(xiàn)，它在處理對實時性要求很高的自動控制問題顯示出很大的優(yōu)越性；神經(jīng)元網(wǎng)絡(luò)是木質(zhì)性的非線性系統(tǒng)，多層神經(jīng)元網(wǎng)絡(luò)具有逼近任意函數(shù)的能力，它給非線性系統(tǒng)的描述帶來了統(tǒng)一的模型；神經(jīng)元網(wǎng)絡(luò)具有很強(qiáng)的信息綜合能力，它能同時處理大量不同類型的輸入信息，能很好地解決輸入信息Z間的冗余問題，能恰當(dāng)?shù)貐f(xié)調(diào)互相孑盾的

2、輸入信息，可以處理那些難以用模型或規(guī)則描述的系統(tǒng)信息。神經(jīng)元網(wǎng)絡(luò)在復(fù)雜系統(tǒng)的控制方面具有明顯的優(yōu)勢，神經(jīng)元網(wǎng)絡(luò)控制和辨識的研究已經(jīng)成為智能控制研究的主流。單神經(jīng)元自適應(yīng)PID控制算法在總體上優(yōu)于傳統(tǒng)的PID控制算法，它有利于控制系統(tǒng)控制品質(zhì)的提高，受環(huán)境的影響較小，具有較強(qiáng)的控制魯棒性，是一種很有發(fā)展前景的控制器。二.單神經(jīng)元自適應(yīng)PID算法模型單神經(jīng)元作為構(gòu)成神經(jīng)網(wǎng)絡(luò)的基木單位，具有￡1學(xué)習(xí)和自適應(yīng)能力，月?結(jié)構(gòu)簡單而易于計算。傳細(xì)勺P1D則具有結(jié)構(gòu)簡單、調(diào)整方便和參數(shù)整定與工程指標(biāo)聯(lián)系緊密等特點。將二者結(jié)合，可以在一定程度上解決傳統(tǒng)PTD調(diào)節(jié)器不易在線實時整沱參數(shù)，難以對一些

3、復(fù)雜過程和參數(shù)時變、非線性、強(qiáng)耦合系統(tǒng)進(jìn)行有效控制的不足。2.1單神經(jīng)元模型對人腦神經(jīng)元進(jìn)行抽象簡化后得到一種稱為McCulloch-Pitts模型的人工神經(jīng)元，如圖2-1所示。對于第i個神經(jīng)元，山、龍2??…、心是神經(jīng)元接收到的信息，伽、02…、顧為連接強(qiáng)度，稱Z為權(quán)。利用某種運算把輸入信號的作用結(jié)合起來，給它們的總效果，稱之為“凈輸入”，用〃"來表示。根據(jù)不同的運算方式，凈輸入的表達(dá)方式有多種類型，其屮最簡單的一種是線性加權(quán)求和，即式(2T)o此作用引起神經(jīng)元i的狀態(tài)變化，而神經(jīng)元i的輸出y：是其當(dāng)前狀態(tài)的函數(shù)g(?)，稱之為活化函數(shù)(Stateofactivation)0這

4、樣，上述模型的數(shù)學(xué)表達(dá)式為式(2-2)。Nneti=工coijXj-Oi匕］)戶1(2-2)yi=g(neti)式中，°——神經(jīng)元i的閾值。圖2-1單神經(jīng)元模型示意圖2.2神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的主要特征之一。學(xué)習(xí)規(guī)則是修正神經(jīng)元之間連接強(qiáng)度或加權(quán)系數(shù)的算法，使獲得的知識結(jié)構(gòu)適應(yīng)周圍環(huán)境的變化。在學(xué)習(xí)過程中，執(zhí)行學(xué)習(xí)規(guī)則，修正加權(quán)系數(shù)。在工作期內(nèi)，曲學(xué)習(xí)所得的連接加權(quán)系數(shù)參與計算神經(jīng)元的輸出。學(xué)習(xí)算法可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類。有監(jiān)督學(xué)習(xí)是通過外部教師信號進(jìn)行學(xué)習(xí)，即要求同時給出輸入和正確的期望輸出的模式對，當(dāng)計算結(jié)果與期望輸出有誤差時，網(wǎng)絡(luò)將通過自動調(diào)節(jié)機(jī)制調(diào)節(jié)相

5、應(yīng)的連接強(qiáng)度，使之向誤丼減小的方向改變，經(jīng)過多次重復(fù)訓(xùn)練，最后與正確的結(jié)果和符合。無監(jiān)督學(xué)習(xí)則沒有外部教師信號，其學(xué)習(xí)表現(xiàn)為自適應(yīng)與輸入空間的檢測規(guī)則，其學(xué)習(xí)過程為對系統(tǒng)提供動態(tài)輸入信號，使各個單元以某種方式競爭，獲勝的神經(jīng)元本身或相鄰域得到增強(qiáng)，其他神經(jīng)元則進(jìn)一步被抑制，從而將信號空間分為有用的多個區(qū)域。常用的三種主要規(guī)則：1、無監(jiān)督Hebb學(xué)習(xí)規(guī)則Hebb學(xué)習(xí)是一類相關(guān)學(xué)習(xí)，它的基本思想是：如果神經(jīng)元同時興奮，則它們Z間的連接強(qiáng)度的增強(qiáng)與它們的激勵的乘積成正比。用0?表示單元i的激活值(輸出)，0)表示單元j的激活值，?表示單元j到單元i的連接加權(quán)系數(shù)，則Hebb學(xué)習(xí)規(guī)則可用

6、下式表示：伙)=r/Oj(k)Oj(k)(2-3)式屮〃——學(xué)習(xí)速率。2、有監(jiān)督5學(xué)習(xí)規(guī)則或Widow-Hoff學(xué)習(xí)規(guī)則。在Hebb學(xué)習(xí)規(guī)則屮引入教師信號，將式(3_8)中的Q換成網(wǎng)絡(luò)期望日標(biāo)輸岀％和網(wǎng)絡(luò)實際輸出Q之差，即為有監(jiān)督5學(xué)習(xí)規(guī)則?！鲿A伙)=ri[dj伙)-Oj(k)]oj(k)(2-4)上式表明，兩神經(jīng)元間的連接強(qiáng)度的變化量與教師信號伙)和網(wǎng)絡(luò)實際輸出q之差成正比。3、有監(jiān)督Hebb學(xué)習(xí)規(guī)則將無監(jiān)督Hebb學(xué)習(xí)規(guī)則和有監(jiān)督》學(xué)習(xí)規(guī)則兩者結(jié)合起來，組成有監(jiān)督Hebb學(xué)習(xí)規(guī)則，即A?了伙)=?][di伙)一q仗)]o’(k)Oj伙)(2-5)這種學(xué)習(xí)規(guī)則使神經(jīng)元通過關(guān)聯(lián)搜

7、索對未知的外界作岀反應(yīng)，即在教師信號￡伙)-0,?伙)的指導(dǎo)下，對環(huán)境信息進(jìn)行相關(guān)學(xué)習(xí)和自組織，使相應(yīng)的輸出增強(qiáng)或削弱。三、單神經(jīng)元PID算法（1）結(jié)構(gòu)框圖如3-1所示。圖中轉(zhuǎn)換器的輸入為設(shè)定值r（k）和輸tBy（k）；轉(zhuǎn)換器的輸出為神經(jīng)元學(xué)習(xí)控制所需要的狀態(tài)量0伙）、Q伙）兀3伙）這里O“伙）=兒（k）-y（k）=€（k）無2伙）伙）（3-1）占伙）=€仗）—2幺伙—1）+￡伙—2）‘z伙）=“伙）=兒伙）—y伙）=￡伙），為性能指標(biāo)。圖中k為神經(jīng)元的比例系數(shù)，K>0。神經(jīng)元