《神经网络PID控制器的设计与仿真》由会员分享，可在线阅读，更多相关《神经网络PID控制器的设计与仿真（32页珍藏版）》请在金锄头文库上搜索。
1、*大学毕 业 设 计(论文)题 目 神经网络PID控制器的设计与仿真院 系专业班级学生指导教师二八年六月神经网络PID控制器的设计与仿真摘要PID控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用. 在工业控制中，PID控制是工业控制中最常用的方法。这是因为PID控制器结构简单、实现简单，控制效果良好，已得到广泛应用。据统计，在目前的控制系统中，PID控制占了绝大多数。但是，他具有一定的局限性：当控制对象不同时，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。利用人工神经网络的自学习这一特性，并结
2、合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。本论文讨论了基于神经网络的PID控制，利用神经网络的自学习能力进行在线参数整定，并利用Matlab软件进行仿真。通过仿真实现可以看出它具有自学习、自适应性等特点，网络的收敛速度快，能够对非线性对象有很好的控制，系统的跟踪性能很好其参数设定无需知道被控对象的具体参数及其数学模型，对不同的对象具有适应性关键词：PID控制神经网络Matlab 仿真The design and simulation of the neural network PID controllerABSTRACT PID control technol
3、ogy is a very common control technology in many aspects of a wide range of applications. In industrial control, PID control is the most commonly used in industrial control methods. This is because the PID controller simple structure, to achieve a simple, effective control, has been widely used. Acco
4、rding to statistics, PID control is the vast majority in the present control system. However, he has certain limitations: When the control object is not at the same time, the controller parameters to automatically adjust to the changes in the external environment. In order to make the controller has
5、 good adaptability, and Controller Parameters of automatic adjustments can be used neural network control method. Using artificial neural network learning oneself, combined with the traditional PID control theory Structure of neural networks PID controller, and implementate the automatic adjustment
6、of controller parameters. The thesis discussed according to the neural network PID controller，and control，make use of the neural network from the study ability to proceed its function to on-line parameter amend，and make use ofthe Matlab software proceeds to imitatereallyBy the simulation can see tha
7、t it is to achieve self-learning, adaptability, and other characteristics ，network convergence speed, can have a good control on non-linear object ,and tracking of system performance very good. Its parameters need to know the object of the specific parameters and its mathematical model,and adapt dif
8、ferent objects.KEY WORDS：PID control Neural network Matlab Simulation目 录摘要IABSTRACTII1 绪论11.1 前言11.2 神经元网络PID的发展历程11.3 神经网络的特点21.4 神经网络的主要研究方向21.5 神经网络PID的发展现状和前景展望31.6 课题研究方法和容32 神经网络控制理论42.1 神经网络的简介42.2 神经网络的基本概念42.3 神经网络控制的基本原理42.4 神经网络结构的分类52.5 神经网络的学习62.5.1 学习方式62.5.2 网络模型及其学习算法62.6 神经网络的训练73 应
9、用MATLAB设计神经网络PID控制系统83.1 MATLAB、SIMULINK、神经网络工具箱简介83.2 神经网络工具箱与人工神经元网络设计93.3 PID控制器103.3.1 PID控制器简介103.3.2 PID控制的局限123.4 神经网络 PID 控制器的设计124 神经网络PID控制器的设计144.1 单神经元自适应PID控制器及其学习算法144.1.1 采用有监督Hebb学习算法的单神经元自适应PID控制器144.1.2 单神经元自适应PID控制器学习算法可调参数的选取规律164.1.3 单神经元自适应PID仿真164.2 基于BP神经网络PID控制器的设计194.3 小结22
10、5 结束语23参考文献24致谢251 绪论1.1 前言计算机技术的迅速发展，为计算机控制的发展和应用奠定了坚实的基础，过程计算机控制以自动控制理论和计算机技术为基础，实现了现代化生产过程的综合自动化，可使生产过程保持最佳运行状态，从而提高安全性、经济性和运行水平。随着人类科技的不断发展，受控对象越来越复杂，传统的PID控制已经不能满足人们的要求。主要表现在以下几个方面：不适应不确定性系统的控制；不适应非线形系统的控制；不适应时变系统的控制；不适应多变量系统的控制。由于这些局限性，传统控制方法和传统的神经元网络均不能单独胜任复杂系统的控制任务，因此需要研究新的更有效的控制方法。近年来，随着神经元
11、网络的研究和应用，人们开始采用神经元网络和PID控制相结合，以便改进传统PID控制的性能。为此本论文设计了一种神经网络PID控制器，并给出了仿真结果和结论。1.2 神经元网络PID的发展历程一般认为，最早用数学模型对神经系统中的神经元进行理论建模的是美国心理学家麦卡洛克（W.McCulloch）和数学家皮茨（W.Pitts）。他们于1943年建立了MP神经元模型。MP神经元模型首次简单的数学模型模仿出生物神经元活动功能，并揭示了通过神经元的相互连接和简单的数学计算，可以进行相当复杂的逻辑运算这一令人兴奋的事实。1957年，美国计算机学家罗森布拉特（F.Rosenblatt）提出了著名的感知器（
12、Perceptron）模型。它是一个具有连续可调权值矢量的MP神经网络模型，经过训练可达到对一定输入矢量模式进行识别的目的。1959年，当时的另外两位美国工程师威德罗（B.Widrow）和霍夫（M.Hoff）提出了自适应线性元件（Adaptive linear element,简称Adaline）。它是感知器的变化形式，尤其在权失量的算法上进行了改进，提高了训练收敛速度和精度。他们从工程实际出发，不仅在计算机上模拟了这种神经网络，而且还做成了硬件，并将训练后的人工神经网络成功地用于的小通讯中的回波和噪声，成为第一个用于解决实际问题的人工神经网络。1969年，人工智能的创始人之一明斯基（M.Mi
13、nsky）和帕伯特（S.Papert）在合著的感知器一书中对以单层感知器为代表的简单人工神经网络的功能及局限性进行了深入分析。他们指出，单层感知器只能进行线性分类，对线性不可分的输入模式无能为力，而其解决的办法是设计出具有隐含层的多层神经网络，但是要找到一个有效修正权矢量的学习算法并不容易。这一结论使得当时许多神经网络研究者感到前途渺茫，客观上对神经网络理论的发展起了一定的消极作用。美国学者霍普菲尔德（J.Hopfield）对人工神经网络研究的复苏起到了关键性的作用。1982年，他提出了霍普菲尔的网络模型，将能量函数引入到对称反馈网络中，是网络稳定性有了明显的判据，并利用提出的网络的神经计算能
14、力来解决条件优化问题。另外，霍普菲尔德网络模型可以用电子模拟线路来实现，从而由此还兴起了对新一代电子神经计算机的研究。另一个突破性的研究成果是儒默哈特（D.E.Rumelhart）等人在1986年提出的解决多层神经网络权值修正的算法误差反向传播法，简称BP算法，找到了解决明斯基和帕伯特提出的问题的办法，从而给人工神经网络增添了活力。1.3 神经网络的特点人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注： （1）能逼近任意L2上的非线性函数；（2）信息的并行分布式处理与存储；（3）可以多输入、多输出；（4）便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现；（5）
15、能进行学习，以适应环境的变化；人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型 人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。 1.4 神经网络的主要研究方向 神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类：利用神经生理与认知科学研究人类思维以及智能机理。利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能， 如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线
