畢業(yè)論文--基于rbf神經網絡整定的pid控制器設計及仿真

1、<p>　　基于RBF神經網絡整定的PID控制器設計及仿真</p><p><b>　　摘 要</b></p><p>　　目前，因為PID控制具有簡單的控制結構，可通過調節(jié)比例積分和微分取得基本滿意的控制性能，在實際應用中又較易于整定，所以廣泛應用于過程控制和運動控制中，尤其在可建立精確模型的確定性控制系統(tǒng)中應用比較多。然而隨著現代工業(yè)過程的日益復雜，對

2、控制要求的逐步增高（如穩(wěn)定性、準確性、快速性等），經典控制理論面臨著嚴重的挑戰(zhàn)。對工業(yè)控制領域中非線性系統(tǒng)，采用傳統(tǒng)PID 控制不能獲得滿意的控制效果。采用基于梯度下降算法優(yōu)化RBF神經網絡，它將神經網絡和PID控制技術融為一體，既具有常規(guī)PID控制器結構簡單、物理意義明確的優(yōu)點，同時又具有神經網絡自學習、自適應的功能。因此，本文通過對RBF神經網絡的結構和計算方法的學習，設計一個基于RBF神經網絡整定的PID控制器，構建其模型，進而編

3、寫M語言程序。運用MATLAB軟件對所設計的RBF神經網絡整定的PID控制算法進行仿真研究。然后再進一步通過仿真實驗數據，研究本控制系統(tǒng)的穩(wěn)定性，魯棒性，抗干擾能力等。</p><p>　　關鍵詞：PID；RBF神經網絡；參數整定</p><p>　　SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND S

4、IMULATION</p><p><b>　　Abstract</b></p><p>　　At present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basi

5、c satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic contr

6、ol system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements</p><p>　　Keywords: PID; RBF neural network; Parameter setting &l

7、t;/p><p><b>　　目 錄</b></p><p><b>　　摘 要Ⅰ</b></p><p>　　AbstractⅡ</p><p><b>　　1 緒論1</b></p><p>　　1.1 課題研究背景及意義1</p>

8、;<p>　　1.2神經網絡的發(fā)展歷史2</p><p><b>　　2 神經網絡6</b></p><p>　　2.1神經網絡的基本概念和特點6</p><p>　　2.2人工神經網絡構成的基本原理6</p><p>　　2.3神經網絡的結構7</p><p>　　2.3

9、.1前饋網絡7</p><p>　　2.3.2 反饋網絡7</p><p>　　2.4神經網絡的學習方式8</p><p>　　2.4.1監(jiān)督學習(有教師學習)8</p><p>　　2.4.2非監(jiān)督學習(無教師學習)8</p><p>　　2.4.3再勵學習(強化學習)9</p><p

10、>　　2.5 RBF神經網絡9</p><p>　　2.5.1 RBF神經網絡的發(fā)展簡史9</p><p>　　2.5.2 RBF的數學模型9</p><p>　　2.5.3被控對象Jacobian信息的辨識算法10</p><p>　　2.5.4 RBF神經網絡的學習算法11</p><p>　　2.

11、6 本章小結12</p><p>　　3 PID控制器13</p><p>　　3.1 PID控制器簡介13</p><p>　　3.2 經典PID控制原理13</p><p>　　3.3 現有PID控制器參數整定方法15</p><p>　　3.4 PID控制的局限15</p><p&

12、gt;　　3.5本章小結15</p><p>　　4 基于RBF神經網絡整定的PID控制器設計16</p><p>　　4.1 RBF神經網絡的PID整定原理16</p><p>　　4.2 神經網絡PID控制器的設計16</p><p>　　4.3 本章小結17</p><p><b>　　5 仿

13、真分析18</b></p><p>　　5.1 系統(tǒng)的穩(wěn)定性分析18</p><p>　　5.2 系統(tǒng)抗干擾能力分析19</p><p>　　5.3 系統(tǒng)魯棒性分析20</p><p>　　5.4 本章小結22</p><p><b>　　結 論23</b></p&

14、gt;<p>　　參 考 文 獻24</p><p><b>　　致 謝25</b></p><p>　　附錄 仿真程序26</p><p><b>　　1 緒論</b></p><p>　　1.1 課題研究背景及意義</p><p>　　PID控制器

15、（按比例、積分和微分進行控制的調節(jié)器）是最早發(fā)展起來的應用經典控制理論的控制策略之一，是工業(yè)過程控制中應用最廣泛，歷史最悠久，生命力最強的控制方式，在目前的工業(yè)生產中，90％以上的控制器為PID控制器。PID控制器算法簡單、魯棒性好和可靠性高，控制效果良好，因此被廣泛應用于工業(yè)控制過程中，尤其適用于可建立精確數學模型的確定性控制系統(tǒng)。對于傳統(tǒng)PID控制器，在把其投入運行之前，要想得到較理想的控制效果，必須先整定好三個參數：即比例系數Kp

16、、積分系數Ki、微分系數Kd。但是如果控制器參數整定不好，即使控制器本身很先進，其控制效果也會很差。隨著工業(yè)的發(fā)展，控制對象的復雜程度也在不斷加深，許多大滯后、時變的、非線性的復雜系統(tǒng)，如溫度控制系統(tǒng)，被控過程機理復雜，具有高階非線性、慢時變、純滯后等特點，常規(guī)PID控制顯得無能為力；另外，實際生產過程中存在著許多不確定因素，如在噪聲、負載振動和其他一些環(huán)境條件下，過程參數甚至模型結果都會發(fā)生變化，如變結構、變參數、非線性、時變等，不僅

17、難以建立受控對象精確的數學模型，而且PID控制器的控制參數具有固定形式，不易在線調整，難以適應外界環(huán)境的變化</p><p>　　因此，如何使PID控制器具有在線自整定其參數的功能，是自從使用PID控制以來人們始終關注的重要問題。并且，隨著相關領域技術的不斷發(fā)展，對控制系統(tǒng)的指標要求也越來越高。人們一直在尋求PID控制器參數的自適應技術，以適應復雜系統(tǒng)的控制要求，神經網絡理論的發(fā)展使這種設想成為可能。人工神經網絡

18、是由大量簡單的基本神經元相互連接而構成的自適應非線性動態(tài)系統(tǒng)。神經網絡控制能夠充分任意地逼近任何復雜的非線性關系，具有很強的信息綜合能力，能夠學習和適應嚴重不確定系統(tǒng)的動態(tài)特性，故有很強的魯棒性和容錯性，可以處理那些難以用模型和規(guī)則描述的過程；神經網絡所具有的大規(guī)模的并行處理和分布式的信息存儲；極強的自學、聯想額容錯能力；良好的自適應和自組織性；多輸入、多輸出的非線性系統(tǒng)都基本符合工程的要求。人工神經網絡作為生物控制論的一個成果，其觸角

19、幾乎延伸到各個工程領域，并且在這些領域中形成新的生長點。</p><p>　　徑向基神經網絡(簡稱RBF網絡)，是一種高效的前饋式神經網絡，它具有其他前向網絡所不具有的最佳逼近性能和全局最優(yōu)特性，并且結構簡單，訓練速度快。同時，它也是一種可以廣泛應用于模式識別、非線性函數逼近等領域的神經網絡模型?；赗BF神經網絡的PID控制器由經典的PID控制器和RBF神經網絡組成，其基本思想是利用神經網絡的自學習功能和非線性

20、函數的表示能力，遵從一定的最優(yōu)指標，在線調整PID控制器的參數，使之適應被控對象參數以及結構的變化和輸入參考信號的變化，并能夠抵御外來擾動的影響，達到具有良好的魯棒性的目標。神經網絡應用時不需考慮過程或現象的內在機理，一些高度非線性和高度復雜的問題能較好地得到處理，因此神經網絡在控制領域取得了較大的發(fā)展，特別在模型辨識、控制器設計、優(yōu)化操作、故障分析與診斷等領域迅速得到應用。神經網絡控制作為二十一世紀的自動化控制技術，國內外理論與實踐均

21、充分證明，其在工業(yè)復雜過程控制方面大有用武之地。而工業(yè)現場需要先進的控制方法，迫切需要工程化實用化的神經網絡控制方法，所以研究神經網絡在控制中的應用，對提高我國的自動化水平和企業(yè)的經濟效益具有重大意義。神經網絡具有很強的非</p><p>　　雖然人工神經網絡存在著以上的許多優(yōu)點及廣泛的應用，但同時也存在著一些不足，由于神經網絡的不足阻礙了神經網絡的發(fā)展，在現實應用中RBF神經網絡是最為廣泛的神經網絡模型之一，R

22、BF神經網絡是在1988年被Moody和Darken提出的一種神經網絡結構，它從根本上解決了BP網絡的局部最優(yōu)問題，而且拓撲結構緊湊，結構參數可實現分離學習，收斂速度快。RBF網絡和模糊邏輯能夠實現很好的互補，提高神經網絡的學習泛化能力，本課題是以RBF神經網絡模型研究為主，RBF神經網絡的優(yōu)缺點主要表現在以下幾個方面：</p><p>　　優(yōu)點：① 它具有唯一最佳逼近的特性，且無局部極小問題存在。② RBF神經

23、網絡具有較強的輸入和輸出映射功能，并且理論證明在前向網絡中RBF網絡是完成映射功能的最優(yōu)網絡。③ 網絡連接權值與輸出呈線性關系。④ 分類能力好。⑤ 學習過程收斂速度快。</p><p>　　缺點：① 最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。② 不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網絡就無法進行工作。③ 把一切問題的特征都變?yōu)閿底?，把一切推理都變?yōu)閿抵涤嬎?，其結果勢必是丟失信息。④ 理

24、論和學習算法還有待于進一步完善和提高。</p><p>　　此外，RBF 神經網絡用于非線性系統(tǒng)建模需要解決的關鍵問題是樣本數據的選擇，在實際工業(yè)過程中，系統(tǒng)的信息往往只能從系統(tǒng)運行的操作數據中分析得到，因此如何從系統(tǒng)運行的操作數據中提取系統(tǒng)運行狀況信息，以降低網絡對訓練樣本的依賴，在實際應用中具有重要的價值。隱含層基函數的中心是在輸入樣本集中選取的，這在許多情況下難以反映出系統(tǒng)真正的輸入輸出關系，并且初始中心點

25、數太多；另外優(yōu)選過程會出現數據病態(tài)現象等問題的存在嚴重阻礙了RBF神經網絡的發(fā)展，致使其理論發(fā)展緩慢。同時也因為RBF網絡的這些缺點限制了其應用領域的拓寬及應用程度的深入，不利于國民經濟的健康發(fā)展。因此，研究RBF神經網絡顯然具有重要理論意義和重要的應用價值。</p><p>　　1.2 神經網絡的發(fā)展歷史</p><p>　　神經網絡的研究最早可以追溯到人類考試研究自己智能的時期。這一

26、時期截止到1949年。1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先從信息處理的觀點出發(fā)，合作提出了一種簡單的人工神經元數學模型。在該模型中，神經元表現為二個狀態(tài)，即“興奮”和“抑止”。此模型沿用至今，并且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網絡研究的先驅。1945年馮·諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志

27、著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區(qū)別，提出了以簡單神經元構成的再生自動化網絡結構。但是，由于指令存儲式計算機技術的發(fā)展非常迅速，迫使他放棄了神經網絡研究的新途徑，繼續(xù)投身于指令存儲式計算機技術的研究，并在此領域作出了巨大貢獻。雖然，馮·諾依曼的名字是與普通計算機聯系在一起的，但他也是人人工神經網絡研究的先驅之一。1949年，心理學家D.O.Hebb發(fā)表了論著《Tlle o

28、riganization ofbehavior》,提出來很多有價值的觀點，特別是他認為在一個神經網絡</p><p>　　第一次研究高潮：五十至六十年代，1958年F·Rosenblatt設計制作了“感知機”，它是一種多層的神經網絡。用于模擬一個生物視覺模型，第一次從理論研究轉圖工程實踐階段。這是第一個真正的神經網絡，因為它在IBM704計算機上得到了成功的模擬。最初感知機的學習機制是自組織的，響應的發(fā)

29、生與隨機的初始值有關，后來加入了訓練過程，這與后來的BP算法和Kohone自組織算法類似。當時，世界上不少實驗室仿效感知機，設計出了各種各樣的電子裝置。1959年B.Widrow和M.Hoff發(fā)表了論文《 Adaptive Switch Circuits 》,提出了自適應線性元件網絡，簡稱Adaline, Adaline實質上是一個二層前饋感知機型網絡。1962年，Rosenblatt出版了一本名為《The Priciples of N

30、euro dynamics》的書，書中詳述了他的感知機。感知機具有輸入層、輸出層和中間層，它可以模仿人的特性，并用它做了實驗。1967年，Stephen Grossberg通過對生理學的研究來開發(fā)神經網絡模型，提出了一種網絡稱作Avalanche（雪崩網），這種網絡可以連續(xù)語</p><p>　　第二次研究高潮：八十年代初至現在，前面我們講過，在60年代，由于缺乏新思想和用于實驗的高性能計算機，曾一度動搖了人們對

31、神經網絡的研究興趣。到了80年代，隨著個人計算機和工作站的計算能力的急劇增強和廣泛應用，以及不斷引入新的概念，克服了擺在神經網絡研究面前的障礙，人們對神經網絡的研究熱情空前高漲。有二個概念對神經網絡的復興具有極其重大的意義。其一是：用統(tǒng)計機解釋某些類型的遞歸網絡的操作，這類網絡課作為兩廂存儲器。物理學家John Hopfiled 研究論文論述了這些思想。其二是：在20世紀80年代，幾個不同的研究者分別開發(fā)出了用于訓練多層感知機的反串算法

32、。其中最有影響力的反傳算法是David Rumelhart 和James McClelland提出的。該算法有力的回答了60年代Minsky和Papert對神經網絡的責難。1982年生物物理學家J.Hoppield教授提出了Hoppield神經網絡模型，引入了能量函數概念，這一成果的取得使神經網絡的研究取得了突破性進展。84年他用此模型成功地解決了復雜度為NP的旅行商問題(TSP) 。 1987年6 月在美國加州舉行

33、了第一屆神經網絡國際會</p><p>　　如今，神經網絡的應用，已滲透到模式識別、圖像處理、非線性優(yōu)化、語音處理、自然語言理解、自動目標識別、機器人、專家系統(tǒng)等各個領域，并取得了令人矚目的成果。從眾多應用研究領域取得的豐碩成果來看，人工神經網絡的發(fā)展具有強大的生命力。當前存在的問題是智能水平還不高，許多應用方面的要求還不能得到很好的滿足：網絡分析與綜合的一些理論性問題(如穩(wěn)定性、收斂性的分析，網絡的結構綜合等)

34、還未得到很好的解決。隨著人們對大腦信息處理機理認知的深化，以及人工神經網絡智能水平的提高，人工神經網絡必將在科學技術領域發(fā)揮更大的作用。當今的自動控制技術都是基于反饋的概念。反饋理論的要素包括三個部分：測量、比較和執(zhí)行。測量關心的變量，與期望值相比較，用這個誤差糾正調節(jié)控制系統(tǒng)的響應。PID（比例-積分-微分）控制器作為最早實用化的控制器已有50多年歷史，現在仍然是應用最廣泛的工業(yè)控制器。PID控制器簡單易懂，使用中不需精確的系統(tǒng)模型等

35、先決條件，因而成為應用最為廣泛的控制器。PID控制器由比例單元（P）、積分單元（I）和微分單元（D）組成。在實際生產過程中，由于受到參數整定方法繁雜的困擾，因此常規(guī)PID控制的應用受到很大</p><p>　　近十年來，神經網絡理論與實踐有了引人注目的進展，它再一次拓展了計算概念的內涵，使神經計算、進化計算成為新的學科，神經網絡的軟件模擬得到了廣泛的應用?？萍及l(fā)達國家的主要公司對神經網絡芯片、生物芯片情有獨鐘。例

36、如Intel公司、IBM公司和HNC公司已取得了多項專利，已有產品進入市場，被國防、企業(yè)和科研部門選用，許多公眾手中也擁有神經網絡實用化的工具，其商業(yè)化令人鼓舞。神經網絡在國民經濟和國防科技現代化建設中具有廣闊的應用領域和發(fā)展前景。神經網絡具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學能力，特別適用于處理需要同時考慮多因素和多條件的、不精確和模糊的信息處理問題。它主要應用領域有：語音識別、圖像識別、計算機視覺、智能機器人、故障診

37、斷、實時語言翻譯、企業(yè)管理、市場分析、決策優(yōu)化、物資調運、自適應控制、專家系統(tǒng)、智能接口、神經心理學、心理學和認知科學研究等等。 </p><p>　　PID控制要取得較好的控制效果，就必須通過調整好比例、積分、微分三種控制作用，形成控制量中既有相互配合又相互制約的關系。這種關系不一定是簡單的線性組合，從變化無窮的非線性組合中可以找出最佳關系。神經網絡所具有的任意非線性表達能力，可以通過對系統(tǒng)性能的學習來實現具有

38、最佳組合的PID控制。因此基于神經網絡的PID不僅能適應環(huán)境變化，且有較強的魯棒性。</p><p><b>　　2 神經網絡</b></p><p>　　2.1 神經網絡的基本概念和特點</p><p>　　人工神經網絡(ANN，Artificial Neural Network)，又稱并行分布處理模型或連接機制模型，是基于模仿人類大腦的結

39、構和功能而構成的一種信息處理系統(tǒng)或計算機系統(tǒng)。神經網絡系統(tǒng)是指利用工程技術手段，模擬人腦神經網絡的結構和功能的一種技術系統(tǒng)，它是一種大規(guī)模并行的非線性動力學系統(tǒng)。由于它是由人工方式構造的網絡系統(tǒng)，因此也稱為人工神經網絡系統(tǒng)?；谌斯ど窠浘W絡的控制簡稱為神經網絡控制。</p><p>　　人工神經網絡的以下幾個突出的優(yōu)點使它近年來引起人們的極大關注： </p><p>　?。?）能逼近任意L

40、2上的非線性函數；</p><p>　?。?）信息的并行分布式處理與存儲；</p><p>　　（3）可以多輸入、多輸出；</p><p>　?。?）便于用超大規(guī)模集成電路或光學集成電路系統(tǒng)實現，或用現有的計算機技術實現；</p><p>　?。?）能進行學習，以適應環(huán)境的變化；</p><p>　　人工神經網絡的特點

41、和優(yōu)越性，主要表現在三個方面：</p><p>　　第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就 會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對于預測有特別重要的意義。預期未來的人工神經網絡計算機將為人類提 供經濟預測、市場預測、效益預測，其應用前途是很遠大的。 第二，具有聯想存儲功能。用人工神經網絡的反饋網絡就可以實現這種聯想

42、。 第三，具有高速尋找優(yōu)化解的能力。尋找一個復雜問題的優(yōu)化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型 人工神經網絡，發(fā)揮計算機的高速運算能力，可能很快找到優(yōu)化解。 </p><p>　　2.2 人工神經網絡構成的基本原理</p><p>　　神經網絡是由一個或多個神經元組成的信息處理系統(tǒng)。對于具有m個輸入節(jié)點和z個輸出節(jié)點的神經網絡，輸入輸出關系可以看作是m維歐

43、氏空間到n維歐氏空間的映射模型，用數學形式表示為f：Y=f(x)，其中x，Y分別為輸入、輸出向量。網絡實際輸出與期望輸出之間的誤差是衡量所構造的網絡模型的性能指標。神經元是神經網絡的基本處理單元，一般表現為一個多輸入、單輸出的非線性運算器件，網絡結構可以由單個神經元的基本結構展現出來，主要包括三個基本要素：①一組連接(對應于生物神經元的突觸)，連接強度由各連接上的權值表示，權值為正表示激活，為負表示抑制；②一個求和單元，用于求取各輸入信

44、號的加權和(線性組合)；③一個激活函數，起到非線性映射作用并將神經元的輸出值幅度限制在一定范圍內。此外還有一個附加的輸入，稱作閾值或偏置。自動控制理論經歷了經典控制理論、現代控制理論，進入了智能控制理論的新階段。PID控制是迄今為止最通用的控制方法，各種DCS、智能調節(jié)器等均采用該方法或其較小的變形來控制(至今在全世界過程控制中84％仍是純PID調節(jié)器，若改進型包含在內則超過90％)，盡管自1940年以來，許多先進控制方法不斷推出，但&

45、lt;/p><p>　　2.3 神經網絡的結構</p><p>　　人工神經網絡是以工程技術手段來模擬人腦神經元網絡的結構與特性的系統(tǒng)。我們利用人工神經元可以構成各種不同拓撲結構的神經網絡，它是生物神經網絡的一種模擬和近似。就神經網絡的主要連接形式而育，目前己有數十種不同的神經網絡模型，其中前饋網絡和反饋型網絡是兩種典型的結構模型。</p><p>　　2.3.1

46、前饋網絡</p><p>　　前饋型神經網絡(Feed forward neural network)，又稱前饋網絡。如圖所示，神經元分層排列，有輸入層、隱層(亦稱中間層，可有若干層)和輸入層，每一層的神經元只接受前一層神經元的輸入。從學習的觀點看前饋網絡是一種強有力的學習系統(tǒng)，其結構簡單而且易于編程:從系統(tǒng)的觀點，前饋網絡是一靜態(tài)非線性映射，通過簡單非線性處理單元的復合映射，可獲得復雜的非線性處理能力。但從計算

47、的觀點看，缺乏豐富的動力學行為。大部分前饋網絡都是學習網絡，它們的分類能力和模式識別能力一般都強于反饋網絡，典型的前饋網絡有感知器、BP網絡等。</p><p>　　圖2-1 前饋型神經網絡結構</p><p>　　2.3.2 反饋網絡</p><p>　　反饋型神經網絡(feedback neural network)，又稱反饋網絡，它的結構如下圖所示。若總節(jié)

48、點(神經元)數為N，則每個節(jié)點有N個輸入和一個輸出，也就是說，所有節(jié)點都是一樣的，它們之間都可以相互連接。反饋型神經網絡是一種非線性動學系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。Hopfield神經網絡是反饋網絡中最簡單且應用廣泛的模型，它具有聯想記憶(content addressable memory ,CAM)的功能，Hopfield神經網絡還可以用來解決快速尋優(yōu)問題。在反饋網絡中，輸入信號決定反饋系統(tǒng)的初始狀態(tài)，然后系統(tǒng)經過一系列的

49、狀態(tài)轉移后，逐漸收斂于平衡狀態(tài)。這樣的平衡狀態(tài)就是反饋網絡經計算后輸出的結果，由此可見，穩(wěn)定性是反饋網絡中最重要的問題之一。如果能找到網絡的Lyapunov函數，則能保證網絡從任意的初始狀態(tài)都能收斂到局部最小點。反饋神經網絡中所有節(jié)點都是計算單元，同時也可接收輸入，并向外界輸出。</p><p>　　圖2-2 反饋型神經網絡結構</p><p>　　2.4 神經網絡的學習方式</

50、p><p>　　通過向環(huán)境學習獲取知識并改進自身性能是神經網絡的一個重要特點，在一般情況下，性能的改進是按某種預定的度量通過調節(jié)自身參數(如權值)隨時間逐步達到的，根據環(huán)境提供信息的多少，神經網絡共有三種學習方式：①監(jiān)督學習(有教師學習)；②非監(jiān)督學習(無教師學習)；③再勵學習(強化學習)。</p><p>　　2.4.1 監(jiān)督學習(有教師學習)</p><p>　　

51、為了使神經網絡在實際應用中解決各種問題，必須對它進行訓練。這種訓練的過程需要有教師示教，提供數據，又稱樣板數據。在訓練過程中又需要教師的監(jiān)督，故這種有教師的學習又稱有監(jiān)督式學習。在這種學習中學習的結果，即網絡的輸出有一個評價的標準，網絡將實際輸出和評價標準進行比較，由其誤差信號來調節(jié)系統(tǒng)權值。評價標準是由外界提供給網絡的，相當于有一位知道正確結果的教師示教給網絡，故這種學習又稱為教師示教學習。在這種學習中網絡的連接權值常根據規(guī)則進行調整

52、。</p><p>　　2.4.2 非監(jiān)督學習(無教師學習)</p><p>　　無教師學習是一種自組織學習，即網絡的學習過程完全是一種自我學習的過程，不存在外部教師的示教，也不存在外部環(huán)境的反饋指示網絡應該輸出什么或者是否正確，故又稱之為無監(jiān)督學習。所謂自組織學習就是網絡根據某種規(guī)則反復地調整連接權以響應輸入模式的激勵，直到網絡最后形成某種有序狀態(tài)。自組織學習是靠神經元本身對輸入模式的

53、不斷適應，抽取輸入信號的規(guī)律（如統(tǒng)計規(guī)律)。一旦網絡顯現出輸入數據的統(tǒng)計特征，網絡就實現了對輸入特征的編碼，即把輸入特征“記憶”下來，而且在記憶之后，當它再出現時，能把它識別出來。自組織學習能對網絡的學習過程進行度量，并優(yōu)化出其中的自由參數?？梢哉J為，這種學習的評價準則隱含于網絡內部。神經網絡的這種自組織特性來源于其結構的可塑性。</p><p>　　2.4.3 再勵學習(強化學習)</p>&l

54、t;p>　　再勵學習是介于上述兩種情況之間的一種學習方法。外部環(huán)境對系統(tǒng)輸出的結果給出評價信息(獎或懲)而不是給出正確答案。學習系統(tǒng)通過強化那些受獎的動作來改善自身的性能。</p><p>　　2.5 RBF神經網絡</p><p>　　2.5.1 RBF神經網絡的發(fā)展簡史</p><p>　　Broomhead和Lowe最早將RBF用于神經網絡設計之中。

55、他們在1988年發(fā)表的論文《Multivariable functional interpolation and adaptive networks》中初步探討了RBF用于神經網絡設計與應用于傳統(tǒng)插值領域的不同特點，進而提出了一種三層結構的RBF神經網絡。Moody和Darken在1989年發(fā)表文章《Fast learning in network of locally-tunedprocessing units》，提出一種含有局部響應

56、特性的神經網絡，這種網絡實際上與Broomhead和Lowe提出的RBF神經網絡是一致的，他們還提出了RBF神經網絡的訓練方法。</p><p>　　以后的研究者針對以前研究中存在的問題與不足提出了許多改進的方法，比如Chen提出的OLS(Orthogonal Least Squares)算法；S.Lee等人提出的HSOL (Hierarchically Self-Organizing Learning) 算法

57、；Platt提出的RAN(Resource Allocating Network)在線學習算法；Kadirkamanathan和Niranjan提出的RANEKF(RAN via Extended Kalman Filter)算法等。RBF 神經網絡主要用于解決模式分類和函數逼近等問題。在數學上，RBF神經網絡結構的合理性可由 Cover 定理得到保證，即對于一個模式問題，在高維數據空間中可能解決在低維空間中不易解決的分類問題。它以徑向

58、基函數作為隱節(jié)點的激活函數，具有收斂速度快、逼近精度高、網絡規(guī)模小等特點。</p><p>　　2.5.2 RBF的數學模型</p><p>　　RBF 神經網絡通常是一種三層前向網絡，RBF網絡結構如下圖所示。第一層是輸出層，由信號源節(jié)點組成；第二層為隱含層，其節(jié)點基函數是一種局部分布的、對中心徑向對稱衰減的非負非線性函數；第三層為輸出層。</p><p>　　

59、圖2-3 RBF神經網絡結構圖</p><p>　　根據 RBF 神經網絡結構分析，構成 RBF 神經網絡的基本思想是：用 RBF 作為隱層神經元的“基”構成隱含層空間，這樣就可將輸入矢量直接映射到隱空間。當 RBF的中心確定后這種映射關系也就確定了。而隱含層空間到輸出層空間的映射是線性的，即網絡的輸出是隱層神經元輸出的線性加權和，此處的權值為網絡的可調參數。從總體上來說，網絡由輸入到輸出的映射是非線性的，而網

60、絡對可調參數而言是線性的。這樣網絡的權值就可由線性方程組解出或用 RLS(遞推最小二乘)方法遞推計算，從而加快學習速度并避免局部極小問題。</p><p>　　2.5.3 被控對象Jacobian信息的辨識算法</p><p>　　在RBF網絡結構中，為網絡的輸入向量。設RBF網絡的徑向基向量，其中為高斯基函數</p><p>　　網絡的第j個結點的中心矢量為，其

61、中，i=1,2，…n</p><p><b>　　設網絡的基寬向量為</b></p><p>　　為節(jié)點j的基寬度參數，且為大于零的數。網絡的權向量為</p><p><b>　　辨識網絡的輸出為</b></p><p>　　辨識器的性能指標函數為</p><p>　　根據梯

62、度下降法，輸出權、節(jié)點中心及節(jié)點基寬參數的迭代算法如下</p><p>　　式中，為學習速率，為動量因子。</p><p>　　Jacobian陣（即為對象的輸出對控制輸入的靈敏度信息）算法為</p><p><b>　　式中，</b></p><p>　　2.5.4 RBF神經網絡的學習算法</p>&

63、lt;p>　　通過分析 RBF 神經網絡結構的特點，可以發(fā)現主要有兩個因素決定結構：網絡隱層神經元個數及其中心、隱層與輸出層連接權值。一般的算法都是充分利用的三層結構特點來設計學習算法，第一步確定網絡隱層神經元個數與其中心，第二步確定網絡的權值。這種兩步訓練算法的重要特點是在第二步可以直接利用線性優(yōu)化算法，從而可以加快學習速度和避免局部最優(yōu)，因此得到了廣泛的應用，最近大多數的算法的改進也是圍繞著這兩個方面展開的。給定了訓練樣本，R

64、BF 神經網絡的學習算法應該解決以下問題：結構設計，即如何確定網絡隱節(jié)點數；確定各徑向基函數的數據中心及擴展常數；輸出權值修正。一般情況下，如果知道了網絡的隱節(jié)點數、數據中心和擴展常數，RBF 神經網絡從輸入到輸出就成了一個線性方程組，此時權值學習可采用最小二乘法求解。</p><p>　　根據數據中心的取值方法，RBF 神經網絡的設計方法可分為兩大類：</p><p>　?、伲當祿行膹?/p>

65、樣本輸入中選取 這種方法數據中心從樣本輸入中選取，如正交最小二乘算法、正則化正交最小二乘算、進化優(yōu)選算法等。這類方法的特點是數據中心一旦獲得就不再改變，而隱節(jié)點的數目一開始就固定，或者在學習過程中動態(tài)調整。</p><p>　?、冢當祿行膭討B(tài)調節(jié)方法 這類方法數據中心的位置在學習過程中是動態(tài)調節(jié)的，如基于各種動態(tài)聚類。最常用的是k-means聚類或 Kohonen 提出的自組織映射(Self Organizin

66、g Feature Map，SOFM)方法、梯度下降法、資源分配網絡等。</p><p>　　這些方法各有優(yōu)缺點：第 1 類算法較容易實現，且能在權值學習的同時確定隱節(jié)點的數目，并保證學習誤差不大于給定值，但數據中心從樣本輸入中選取是否合理，值得進一步討論。另外，算法并不一定能設計出具有最小結構的RBF 神經網絡，也無法確定基函數的擴展常數。第2類方法，聚類方法的優(yōu)點是能根據各聚類中心之間的距離確定各隱節(jié)點的擴展

67、常數，缺點是確定數據中心時只用到了樣本輸入信息，而沒有用到樣本輸出信息；另外聚類方法也無法確定聚類的數目(RBF 神經網絡的隱節(jié)點數)。由于 RBF 網的隱節(jié)點數對其泛化能力有極大的影響，所以尋找能確定聚類數目的合理方法是聚類方法設計 RBF神經網絡時需首先解決的問題。</p><p>　　本文采用RBF的梯度下降法，所以下面主要介紹 RBF 學習的梯度下降法。在以下 RBF神經網絡學習算法中為樣本輸入，相應的樣

68、本輸出為網絡中第j個隱節(jié)點的激活函數為。該方法是最經典的 RBF 神經網絡學習算法，由 Moody 與 Darken 提出，其思路是先用自組織學習算法對樣本輸入進行聚類，確定 RBF 神經網絡中h個隱節(jié)點的中心，并根據各數據中心之間的距離確定隱節(jié)點的寬度，然后使用有監(jiān)督學習訓練各隱節(jié)點的輸出權值。雖然可以用批處理來完成上述兩個學習階段，但是使用迭代的方法更理想。</p><p>　　RBF 神經網絡的梯度下降訓練

69、方法是通過最小化目標函數實現對各隱節(jié)點數據中心、寬度和輸出權值的學習。建立這種學習過程的第一步是定義代價函數的瞬時值</p><p>　　式中：N是用于學習的訓練樣本數目，是誤差信號，定義為：</p><p>　　目標是要找到使E最小的自由參數，，的值。</p><p>　　由于神經網絡函數F（x）對數據中心、寬度和輸出權值的梯度分別為：</p>&l

70、t;p>　　考慮到所有訓練樣本的影響，、和的調節(jié)量為：</p><p>　　式中為第i個隱節(jié)點對的輸入；、、為學習速率。</p><p><b>　　2.6 本章小結</b></p><p>　　本章介紹了人工神經網絡的基本概念和原理。重點分析RBF神經網絡的結構和學習算法，為以后引入RBF神經網絡PID控制算法提供了理論基礎。<

71、/p><p><b>　　3 PID控制器</b></p><p>　　3.1 PID控制器簡介</p><p>　　PID 控制是迄今為止最通用的控制方法，各種 DCS、智能調節(jié)器等均采用該方法或其較小的變形來控制（至今在全世界過程控制中84％仍是純 PID 調節(jié)器，若改進型包含在內則超過 90％），盡管自 1940 年以來，許多先進控制方法不

72、斷推出，但 PID 控制以其結構簡單，對模型誤差具有魯棒性及易于操作等優(yōu)點，故仍廣泛應用于各種工業(yè)過程控制中。</p><p>　　數字 PID 控制算法分位置式和增量式兩種，工程上常用的增量式 PID 控制算法，其控制算式為：</p><p>　　式中，為比例系數，=為積分系數，為微分系數，T 為采樣周期，為積分時間，為微分時間， 為時刻的誤差。</p><p>

73、　　3.2 經典PID控制原理</p><p>　　PID控制器是一種線性控制器，它根據給定值r(k)與實際輸出值y(k)構成控制偏差：</p><p>　　E(k)=r(k)-y(k)</p><p><b>　　其原理如下圖所示：</b></p><p>　　圖3-1 經典PID控制原理圖</p>

74、<p>　　由上圖可以看出PID控制器是基于比例P，積分I，微分D的控制器，它是一種基于偏差控制的線性控制器，根據實際輸出值和給定值相比較，得出一個偏差，通過線性組合將P，I，D，以及偏差組合在一起構成一個控制量U，對被控對象進行控制。</p><p>　　概括起來，PID控制器各校正環(huán)節(jié)的作用如下：</p><p>　?、伲壤h(huán)節(jié)：輸出控制量與控制系統(tǒng)偏差信號e(k)成比例關

75、系，一旦有偏差產生，控制器立即產生控制作用，以減小偏差。比例增益（Kp），比例調節(jié)依據偏差的大小來動作，其輸出與輸入偏差的大小成正比。比例調節(jié)及時、有力，但有余差?？梢杂迷鲆鍷p來衡量其作用的強弱，Kp愈大，調節(jié)作用愈強。所謂增益是指調節(jié)器的輸出相對變化量與相應輸入的相對變化量之比。如控制器的增益為5，意味著控制器輸入變化 10％（相對于測量范圍而言），將會導致控制器的輸出變化 50％（相對于全范圍而言）。比例控制加大增益，使系統(tǒng)動作靈

76、敏，速度加快，但增益偏大，振蕩次數增加，調節(jié)時間加長。過大的增益會引起振蕩，過小的增益會使調節(jié)過程變的太慢。有時也用比例度（δ ）表示比例作用的強弱，比例度等于增益的倒數乘以100％（δ=100% /Kp）。</p><p>　?、冢e分環(huán)節(jié)：該環(huán)節(jié)主要用來消除靜差，提高系統(tǒng)的無差度。積分時間Ti，積分調節(jié)依據偏差是否存在來動作，它的輸出與偏差對時間的積分成比例，只有當余差消失時，積分作用才會停止（抗積分飽和時除

77、外）。積分的作用是消除余差，但積分作用使最大動偏差增大（因為純積分控制器作用的相位滯后為 90℃），延長了調節(jié)時間。積分作用用積分時間TI來表示其作用的強弱。積分時間可以理解為：在階躍偏差輸入作用下，調節(jié)器的輸出達到比例輸出兩倍時所經歷的時間，即為“重定”時間。積分時間越小表明積分作用越強。積分作用太強時也會引起振蕩，積分時間的選擇是與控制過程的時間常數密切相關的。一般而言，控制過程的時間常數越短，選擇的積分時間越小。積分控制通常與比例

78、控制或微分控制聯合作用，構成 PI 或PID 控制。積分控制能消除系統(tǒng)的穩(wěn)態(tài)誤差．提高控制系統(tǒng)的控制精度。但積分控制通常使系統(tǒng)的穩(wěn)定性下降。TI太小系統(tǒng)將不穩(wěn)定；TI偏小，振蕩次數較多；TI太大，對系統(tǒng)性能的影響減少；當TI合適時，過渡過程特性比較理想。</p><p>　?、郏⒎汁h(huán)節(jié)：反應偏差信號的變化情況，并能在信號偏差變化太大之前系統(tǒng)中引入一個有效的早期修正信號，從而加快控制器的調節(jié)速率，縮短過渡過程時間

79、，減少超調。微分時間TD，微分調節(jié)依據偏差變化速度來動作。它的輸出與輸入偏差變化的速度成比例，其作用是阻止被調參數的一切變化，有超前調節(jié)的作用，對滯后大的對象有很好的效果。它可以克服調節(jié)對象的慣性滯后（時間常數 T）、容量滯后τc ，但不能克服調節(jié)對象的純滯后τ0 ，因為在τ0時間內，被調參數的變化速度為零。 某些控制過程的時間常數較大，操縱變量的改變要經過較長的時間后才能反映到被控變量上。經過換熱器的空氣溫度的控制就是一個典型的例子。

80、在適當引入微分作用后可以明顯改變控制品質。當被控變量偏離設定點時，隨著偏離速度的增加，控制器的增益也隨之增加，這樣可以促使被控變量盡快回到設定點，又不至于引起過大的振蕩（相對于單純的增加控制增益而言）。微分作用使調節(jié)過程偏差減小，時間縮短，余差也減少（但不能消除）。它用微分時間TD來表示其作用的強弱，TD越大表明微分作用越強，但DT太大會引起振蕩。微分控制通常與比例控制或積分控制聯合作用，構成 PD 或 PID 校制</p>

81、<p>　　3.3 現有PID控制器參數整定方法</p><p>　　在PID控制系統(tǒng)中，PID控制器的參數整定是控制器的核心內容。但是該過程是比較復雜的。PID控制器參數整定的方法很多，概括起來有兩大類：一是理論計算整定法。它主要是根據系統(tǒng)的數學模型，經過一系列理論計算確定控制器的各個參數。利用這種方法所得到的計算數據未必可以直接用，還必須通過工程實際進行調整和修改。第二種方法是工程整定方法，它

82、主要依賴工程經驗，直接在控制系統(tǒng)的試驗中進行，且方法簡單、易于掌握，在工程實際中被廣泛采用。PID控制器參數的工程整定方法，主要有臨界比例法、反應曲線法和衰減法。三種方法各有其特點，其共同點都是通過試驗，然后按照工程經驗公式對控制器參數進行整定。但無論采用哪一種方法所得到的控制器參數，都需要在實際運行中進行最后調整與完善。現在一般采用的是臨界比例法。利用該方法進行PID控制器參數的整定步驟如下：</p><p>

83、　　(l) 首先預選擇一個足夠短的采樣周期讓系統(tǒng)工作；</p><p>　　(2) 僅加入比例控制環(huán)節(jié)，直到系統(tǒng)對輸入的階躍響應出現臨界振蕩，記下這時的比例放大系數和臨界振蕩周期；</p><p>　　(3) 在一定的控制度下通過公式計算得到PID控制器的參數。</p><p>　　同Z-N經驗法不同，臨界比例法不依賴于對象的數學模型參數，而是總結了前人理論和實踐的

84、經驗，通過實驗由經驗公式得到PID控制器的最優(yōu)整定參數。該方法用來確定被控對象的動態(tài)特性的參數有兩個:臨界增益Kc和臨界振蕩周期Tc。</p><p>　　3.4 PID控制的局限</p><p>　　PID 控制器在實際應用中的局限主要有： ①.由于實現控制系統(tǒng)的元器件物理特性的限制，使得 PID 控制器獲得的原始信息偏離實際值，而其產生的控制作用偏離理論值。例如，各種傳感器不可避免地

85、存在著測量誤差；誤差微分信號的提取是由誤差信號差分或由超前網絡近似實現的，這種方式對信號噪聲的放大作用很大，使微分信號失真。②.由于常規(guī)的 PID 控制器采用偏差的比例、積分和微分的線性組合構成控制量，不能同時很好的滿足穩(wěn)態(tài)精度和動態(tài)穩(wěn)定性、平穩(wěn)性和快速性的要求。為此在系統(tǒng)的設計與整定過程中，只好采取折中的方案來兼顧動態(tài)和穩(wěn)態(tài)性能的要求，因此難以大幅度提高控制系統(tǒng)的性能指標。③.盡管常規(guī) PID 控制器具有一定的魯棒性和適應性，但是對于

86、強非線性、快速時變不確定性、強干擾等特性的對象，控制效果較差。例如，在某一時刻、某種條件下整定好的控制器參數，由于被控對象的結構或參數時變，在另一時刻、另一條件下控制效果往往欠佳，甚至可能使控制系統(tǒng)失穩(wěn)。</p><p><b>　　3.5 本章小結</b></p><p>　　本章闡述了常規(guī)PID控制器的理論基礎，研究了幾種典型的參數整定方法，還分析了PID控制的

87、局限性，為進一步研究基于神經網絡的智能PID控制器做準備。</p><p>　　4 基于RBF神經網絡整定的PID控制器設計</p><p>　　4.1 RBF神經網絡的PID整定原理</p><p>　　采用增量式PID控制器，控制誤差為</p><p><b>　　PID三項輸入為</b></p>&

88、lt;p><b>　　控制算法為</b></p><p><b>　　神經網絡整定指標為</b></p><p>　　，，的調整采用梯度下降法</p><p>　　式中，為被控對象的jacobian信息，可通過神經網絡的辨識而得。</p><p>　　4.2 神經網絡PID控制器的設計<

89、;/p><p>　　PID 控制要取得良好的控制效果，就必須對比例、積分和微分三種控制作用進行調整以形成相互配合又相互制約的關系，這種關系不能是簡單的“線性組合”，可從變化無窮的非線性組合中找出最佳的關系。神經網絡所具有的任意非線性表示能力，可以通過對系統(tǒng)性能的學習來實現具有最佳組合的 PID 控制。</p><p>　　基于RBF神經網絡 KP, KI,KD,參數自學習 PID 控制器。&l

90、t;/p><p>　　神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規(guī)則簡單，便于計算機實現。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應用市場。具有局部逼近的優(yōu)點，RBF神經網絡是一種性能優(yōu)良的前饋型神經網絡，RBF網絡可以任意精度逼近任意的非線性函數，且具有全局逼近能力，從根本上解決了BP網絡的局部最優(yōu)問題，而且拓撲結構緊湊，結構參數可實現分離學習，收斂速度

91、快。RBF網絡和模糊邏輯能夠實現很好的互補，提高神經網絡的學習泛化能力。</p><p>　　RBF 神經網絡具有任意逼近非線性函數的能力，而且結構和學習算法簡單明確，所以在研究的此課題中，本人采用了工程中最為常用的 RBF 網絡來構建神經網絡 PID控制器。通過神經網絡自身的學習，可以找到某一最優(yōu)控制下的 P、I、D 參數。基于 RBF 神經網絡的 PID 控制系統(tǒng)結構如下圖所示： </p>&l

92、t;p>　　4-1 基于RBF神經網絡整定的PID控制框圖</p><p>　　控制器由兩個部分組成：①經典的 PID 控制器：直接對被控對象進行閉環(huán)控制，并且KP, KI,KD三個參數為在線P，I，D整定；②神經網絡 NN：根據系統(tǒng)的運行狀態(tài)，調節(jié) PID 控制器的參數，以期達到某種性能指標的最優(yōu)化。即神經網絡的輸出層神經元的輸出狀態(tài)對應于 PID 控制器的三個可調參數KP, KI,KD ，通過神經網絡的

93、自學習、調整權系數，從而使其穩(wěn)定P,I,D狀態(tài)對應于某種最優(yōu)控制規(guī)律下的 PID 控制器參數。</p><p><b>　　4.3 本章小結</b></p><p>　　本章給出了RBF神經網絡的PID整定原理，并設計了基于RBF神經網絡的PID控制器系統(tǒng)結構圖。</p><p><b>　　5 仿真分析</b><

94、/p><p>　　5.1 系統(tǒng)的穩(wěn)定性分析</p><p>　　設控制系統(tǒng)被控對象的數學模型為：</p><p>　　輸入指令信號為階躍信號，即rin(t)=1.0，基于 RBF 神經網絡的 PID 控制系統(tǒng)結構圖為圖4-1，網絡辨識的三個輸入為：u(k)，yout(k)，yout(k-1)。首先用MATLAB將被控對象數學模型G(s)化為差分方程形式，設仿真步距ts

95、=0.01，則M程序為：</p><p><b>　　Ts=0.01</b></p><p>　　Sys=tf([1],[1,2,25])</p><p>　　Deys=c2d(sys,ts, 'z')</p><p><b>　　運行后得到：</b></p><

96、p>　　4.98e-005 z + 4.96e-005</p><p>　　-----------------------------</p><p>　　z^2 - 1.987 z + 0.9881</p><p>　　即 y(n)=1.978y(n-1)-0.9802y(n-2)+0.00004966u(n-1)+0.00004933u(n-2)</

97、p><p>　　然后運用MATLAB對系統(tǒng)進行仿真，其仿真結果如圖5-1 和 5-2 所示：</p><p>　　圖5-1 RBF整定PID控制階躍響應</p><p>　　圖5-2 參數自適應整定曲線</p><p>　　5.2 系統(tǒng)抗干擾能力分析</p><p>　　在系統(tǒng)穩(wěn)定后，k=3000時加一個擾動，分

98、析系統(tǒng)的抗干擾能力，其反應曲線如圖5-3 和 5-4所示： </p><p>　　圖5-3 加擾動后的反應曲線</p><p>　　圖5-4 參數自適應整定曲線</p><p>　　5.3 系統(tǒng)魯棒性分析</p><p>　　已知系統(tǒng)被控對象的數學模型為：</p><p>　　現在將T增大，即將被控對象改為：&l

99、t;/p><p>　　首先還是運用MATLAB將被控對象數學模型G(s)化為差分方程形式，設仿真步距ts=0.01，則M程序為：</p><p><b>　　Ts=0.01</b></p><p>　　Sys=tf([1],[1,1.2,9])</p><p>　　Deys=c2d(sys,ts, 'z')&

100、lt;/p><p><b>　　運行后得到：</b></p><p>　　4.98e-005 z + 4.96e-005</p><p>　　-----------------------------</p><p>　　z^2 - 1.987 z + 0.9881</p><p>　　即 y(n)=

101、1.987y(n-1)-0.9881y(n-2)+0.0000498u(n-1)+0.0000496u(n-2)</p><p>　　然后運用MATLAB對系統(tǒng)進行仿真，其仿真結果如圖5-5 和 5-6所示：</p><p>　　圖5-5 RBF整定PID控制魯棒性響應曲線</p><p>　　圖5-6 參數自適應整定曲線</p><p&

102、gt;<b>　　5.4 本章小結</b></p><p>　　本章運用MATLAB軟件對所掌握的RBF神經網絡整定的PID控制算法進行了仿真研究，并通過仿真實驗，研究了基于RBF神經網絡整定的PID控制系統(tǒng)的穩(wěn)定性、魯棒性和抗干擾能力。</p><p><b>　　結 論</b></p><p>　　在科學技術和生產

103、力水平高速發(fā)展的今天，人們對大規(guī)模、復雜和不確定性系統(tǒng)實行自動控制的要求不斷提高，傳統(tǒng)的基于精確數學模型的控制理論的局限性日益明顯,主要表現在以下幾個方面：不適應不確定性系統(tǒng)的控制；不適應非線形系統(tǒng)的控制；不適應時變系統(tǒng)的控制；不適應多變量系統(tǒng)的控制。由于這些局限性，傳統(tǒng)控制方法和傳統(tǒng)的神經元網絡均不能單獨勝任復雜系統(tǒng)的控制任務，因此需要研究新的更有效的控制方法。近年來，隨著神經元網絡的研究和應用，人們開始采用神經元網絡和PID控制相結

104、合，以便改進傳統(tǒng)PID控制的性能。</p><p>　　人工神經網絡理論(Artificial Neural Network—ANN)是近十幾年迅速發(fā)展起來的一門新興學科。由于其獨特的特性，已應用于控制、信號分析、音處理等多個領域中。在控制領域中，神經網絡由于其具有較強的非線性映射自學習適應能力、聯想記憶能力、并行信息處理方式及其優(yōu)良的容錯性能，不同程度和層次上模仿人腦神經系統(tǒng)的信息處理、存儲和檢索功能。這些特性

105、使得神經網絡非常適合于復雜系統(tǒng)的建模與控制。特別是當系統(tǒng)存在不確定性因素時，更能體現神經網絡方法的優(yōu)越性。這些都很適合于控制系統(tǒng)中的非線性系統(tǒng)的控制。</p><p>　　本文針對在控制領域中應用最廣泛的一類控制，PID控制在現代控制越來越高的情況下，由于常規(guī)PID控制自身的缺陷，在許多場合已經不能再很好地滿足控制性能要求的情況下，本課題提出了基于RBF算法的神經網絡PID控制器。RBF神經網絡具有逼近任意非線性

106、函數的能力，而且結構和學習算法簡單明確，通過RBF神經網絡自身的學習可以找到某一最優(yōu)控制律下的P，I，D參數。</p><p>　　本文設計了一個基于RBF神經網絡整定的PID控制器，并運用MATLAB軟件對該控制系統(tǒng)進了仿真研究（主要針對數學模型傳遞函數為2階的被控對象進行了研究），通過仿真實驗我們可以看出，本控制系統(tǒng)有著不錯的穩(wěn)定性、魯棒性和抗干擾能力。通過對本課題的研究，本人覺得神經網絡PID控制仍然還是一