《基于神经网络自学习的PID控制算法研究学士学位论文》由会员分享，可在线阅读，更多相关《基于神经网络自学习的PID控制算法研究学士学位论文（63页珍藏版）》请在金锄头文库上搜索。
1、 学士学位论文I摘 要PID（比例- 积分-微分）控制器作为最早实用化的控制器已有 50 年以上的年历史，现在仍然是应用最广泛、最普遍的工业控制器。PID 控制器简单易懂，使用中不需精确的物理系统模型等先决条件，因而成为最受欢迎的、应用最为普遍的控制器。PID控制器最早发展起来的原因，是由于其算法简单、鲁棒性好和可靠性高，被广泛应用于过程控制和运动控制中，特别适用于可建立精确数学模型的确定性控制系统。但是常规的 PID 控制器参数往往整定欠佳、性能不良，对运行环境的适应性很差。而神经网络具有很强的非线性映射能力、自学习的能力、联想记忆的能力、并具有可行批量信息处理方式及良好的容错性能。本次本课
2、题设计的目的就是为了建立一种单神经网络的 PID 控制器，使得人工神经网络与传统 PID 控制相结合互相补充，共同提高控制质量、以及控制效率并利用Matlab 软件进行仿真。关键词：PID 控制；神经网络 PID；RBF 算法；MATLAB 仿真 学士学位论文IIABSTRACTThe PID ( PID ) controller as the first practical controller has 50 years of history, is still the most widely used industrial controller. The PID controller is
3、 simple and easy to understand, without the use of accurate system models prerequisites, and thus become the most widely used controller. The PID control room is the earliest developed one of the control strategy, because of its simple algorithm, good robustness and high reliability, is widely used
4、in process control and movement control, especially can be applied to establish the precise mathematical model of uncertainty control system. But the conventional PID controller parameters often setting bad, poor performance, the operating condition adaptability is poor. While the neural network has
5、 very strong nonlinear mapping ability, self-learning ability, the capacity of associative memory, parallel information processing and fine fault-tolerant performance.This topic design proposed is to establish a single PID neural network controller, the artificial neural network and traditional PID
6、control are combined to complement each other, work together to improve the control quality, and the use of Matlab software simulation.Key words: PID control;neural network PID ;RBFalgorithm ; MATLAB simulation目 录1 绪论1.1 课题研究背景 .1 学士学位论文III1.2 课题研究意义 .21.2.1 感知模式识别 .21.2.2 具有容错和容差能力 .21.2.3 神经网络在工作时
7、具有高速度和潜在的超高速 .31.2.4 PID 神经元对现有神经元类型的补充和完善 .31.3 课题目前研究现状 .31.3.1 采用神经元网络确定 PID 参数 .31.3.2 单神经元结构 PID 控制器 .41.4 本文的主要任务及研究内容 .51.4.1 分析了传统控制的局限性 .51.4.2 分析了神经元网络应用于控制中的不足之处 .51.4.3 分析了传统 PID 控制的特点及其改进方法的研究现状 .61.4.4 建立了基于 BP 神经网络整定的控制 .62 神经网络 .72.1 神经网络的基本概念 .72.1.1 时空整合功能 .82.1.2 动态极化性 .82.1.3 兴奋与抑制状态 .82.1.4 结构的可塑性 .92.1.5 脉冲与电位信号的转换 .92.1.6 突触延期和不应期 .92.1.7 学习、遗忘和疲劳 .92.2 人工神经元模型 .92.3 神经网络的结构 .112.3.1 前馈型网络 .122.3.2 反馈型网络 .122.4 神经网络的工作方式 .132.5 神经网络的学习 .142.5.1 学习方式 .142.5.2 学习算法 .14 学士学位论文IV2.5.3 学习与自适应 .163 PID 控制器 .
