单神经元自适应PID控制算法

《单神经元自适应PID控制算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、单神经元自适应PID控制算法一.单神经元PID算法思想神经元网络是智能控制的一个重要分支，神经元网络是以人脑生理研究成果为基础，模拟大脑的某些机理与机制，由人工建立的以有向图为拓扑结构的网络,它通过对连续或断续的输入做状态响应而进行信息处理；神经元网络是本质性的并行结构，并R可以用駛件实现，它在处理对实时性要求很高的自动控制问题显示出很大的优越性；神经元网络是木质性的非线性系统，多层神经元网络具有逼近任意函数的能力，它给非线性系统的描述带来了统一的模型；神经元网络具有很强的信息综合能力，它能同时处理大量不同类型的输入信息，能很好地解决输入信息Z间的冗余问题，能恰当地协调互相孑盾的

2、输入信息，可以处理那些难以用模型或规则描述的系统信息。神经元网络在复杂系统的控制方面具有明显的优势，神经元网络控制和辨识的研究已经成为智能控制研究的主流。单神经元自适应PID控制算法在总体上优于传统的PID控制算法，它有利于控制系统控制品质的提高，受环境的影响较小，具有较强的控制鲁棒性，是一种很有发展前景的控制器。二.单神经元自适应PID算法模型单神经元作为构成神经网络的基木单位，具有£1学习和自适应能力，月•结构简单而易于计算。传细勺P1D则具有结构简单、调整方便和参数整定与工程指标联系紧密等特点。将二者结合，可以在一定程度上解决传统PTD调节器不易在线实时整沱参数，难以对一些

3、复杂过程和参数时变、非线性、强耦合系统进行有效控制的不足。2.1单神经元模型对人脑神经元进行抽象简化后得到一种称为McCulloch-Pitts模型的人工神经元，如图2-1所示。对于第i个神经元，山、龙2••…、心是神经元接收到的信息，伽、02…、顾为连接强度，称Z为权。利用某种运算把输入信号的作用结合起來，给它们的总效果，称之为“净输入”，用〃"來表示。根据不同的运算方式，净输入的表达方式有多种类型，其屮最简单的一种是线性加权求和，即式(2T)o此作用引起神经元i的状态变化，而神经元i的输出y：是其当前状态的函数g(・)，称之为活化函数(Stateofactivation)0这

4、样，上述模型的数学表达式为式(2-2)。Nneti=工coijXj-Oi匕］)戶1(2-2)yi=g(neti)式中，°——神经元i的阈值。图2-1单神经元模型示意图2.2神经网络学习规则学习是神经网络的主要特征之一。学习规则是修正神经元之间连接强度或加权系数的算法，使获得的知识结构适应周围环境的变化。在学习过程中，执行学习规则，修正加权系数。在工作期内，曲学习所得的连接加权系数参与计算神经元的输出。学习算法可分为有监督学习和无监督学习两类。有监督学习是通过外部教师信号进行学习，即要求同时给出输入和正确的期望输出的模式对，当计算结果与期望输出有误差时，网络将通过自动调节机制调节相

5、应的连接强度，使之向误丼减小的方向改变，经过多次重复训练，最后与正确的结果和符合。无监督学习则没有外部教师信号，其学习表现为自适应与输入空间的检测规则，其学习过程为对系统提供动态输入信号，使各个单元以某种方式竞争，获胜的神经元本身或相邻域得到增强，其他神经元则进一步被抑制，从而将信号空间分为有用的多个区域。常用的三种主要规则：1、无监督Hebb学习规则Hebb学习是一类相关学习，它的基本思想是：如果神经元同时兴奋，则它们Z间的连接强度的增强与它们的激励的乘积成正比。用0•表示单元i的激活值(输出)，0)表示单元j的激活值，•表示单元j到单元i的连接加权系数，则Hebb学习规则可用

6、下式表示：伙)=r/Oj(k)Oj(k)(2-3)式屮〃——学习速率。2、有监督5学习规则或Widow-Hoff学习规则。在Hebb学习规则屮引入教师信号，将式(3_8)中的Q换成网络期望日标输岀％和网络实际输出Q之差，即为有监督5学习规则。△旳伙)=ri[dj伙)-Oj(k)]oj(k)(2-4)上式表明，两神经元间的连接强度的变化量与教师信号伙)和网络实际输出q之差成正比。3、有监督Hebb学习规则将无监督Hebb学习规则和有监督》学习规则两者结合起來，组成有监督Hebb学习规则，即A©了伙)=?][di伙)一q仗)]o’(k)Oj伙)(2-5)这种学习规则使神经元通过关联搜

7、索对未知的外界作岀反应，即在教师信号£伙)-0,•伙)的指导下，对环境信息进行相关学习和自组织，使相应的输出增强或削弱。三、单神经元PID算法（1）结构框图如3-1所示。图中转换器的输入为设定值r（k）和输tBy（k）；转换器的输出为神经元学习控制所需要的状态量0伙）、Q伙）兀3伙）这里O“伙）=儿（k）-y（k）=€（k）无2伙）伙）（3-1）占伙）=€仗）—2幺伙—1）+£伙—2）‘z伙）=“伙）=儿伙）—y伙）=£伙），为性能指标。图中k为神经元的比例系数，K>0。神经元