控制系统仿真课程设计-单神经元pid控制系统仿真

《控制系统仿真课程设计-单神经元pid控制系统仿真》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、内蒙古科技大学控制系统仿真课程设计说明书题目：单神经元PID控制系统仿真学生姓名：学号：专业：测控技术与仪器班级：指导教师：中文摘要PID控制以其原理简单，可靠性高等优点被广泛应用在现代工业控制领域。然而在工业实际控制中，被控对象往往还具有高度的非线性，不确定性和参数时变等特点，在这种情况下单纯依靠PID控制是不能达到要求的。神经网络控制系统作为新兴发展的智能控制系统，能很好地解决上述问题，已经在很多领域得到应用，同时也显示了它的优越性。单神经元作为构成神经网络的基本单元，具有自学习和自适应能力，且结构简单而易于计算。基于以上分析，在PID

2、控制中引入单神经元自适应算法，这样既可以解决传统PID控制器的不足，同时又能充分利用PID控制技术成熟的优势。通过仿真对比发现单神经元自适应PID控制器比传统的PID控制器控制效果好。关键词:单神经元；自适应PID控制；神经网络；第一章前言1.1引言人工神经网络ANN(artificialneuralnetwork)是最近发展起来的十分热门的交叉学科。它涉及生物、电子计算机、数学、和物理等学科，有着非常广泛的应用背景，这门学科的发展对目前和未来的科学技术的发展将有着重要的影响。以大规模并行处理为主要特征的神经网络具有学习、记忆、联想、容错、

3、并行处理等能力，已在控制领域得到广泛的应用。基于神经网络的PID控制，其结构方式有两类：一类是单神经元控制，即神经元输入权值一一对应PID参数，神经元输入值为经过比例、积分、微分处理的偏差值，其主要局限性在于单神经元结构无任意函数逼近能力；另一类是在常规PID控制器的基础上增加一个神经网络模块，按照BP学习算法(如前向算法和反传算法)进行离线学习，实时调整出PID参数，同时还要继续学习不断地调整神经网络中各神经元间权系数，以适应被控对象的变化，因此，具有很强的适应性。1.2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

4、-Pitts模型的人工神经元，如图1.1所示。……图1.1单神经元模型示意图对于第i个神经元，是神经元接收到的信息，为连接强度，称之为权。利用某种运算把输入信号的作用结合起来，给它们的总效果，称之为“净输入”，用来表示。根据不同的运算方式，净输入的表达方式有多种类型，其中最简单的一种是线性加权求和，即式（1-1）。(1-1)此作用引起神经元i的状态变化，而神经元i的输出yi是其当前状态的函数g(•),称之为活化函数（Stateofactivation）。这样，上述模型的数学表达式为式（1-2）。(1-2)式中，——神经元i的阈值。1.3MA

5、TLAB及SIMULINK简介MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。Simulink是MATLAB

6、中的一种可视化仿真工具，是一种基于MATLAB的框图设计环境，是实现动态系统建模、仿真和分析的一个软件包.Simulink可以用连续采样时间、离散采样时间或两种混合的采样时间进行建模，它也支持多速率系统，也就是系统中的不同部分具有不同的采样速率.Simulink®是用于动态系统和嵌入式系统的多领域仿真和基于模型的设计工具。对各种时变系统，包括通讯、控制、信号处理、视频处理和图像处理系统，Simulink提供了交互式图形化环境和可定制模块库来对其进行设计、仿真、执行和测试。1.5S函数S-Function是一个动态系统的计算机语言描述

7、，在MATLAB里，用户可以选择用m文件编写，也可以用c语言或mex文件编写，在这里只介绍如何用m文件编写S-Function。S-function提供了扩展Simulink模块库的有力工具，它采用一种特定的调用语法，使函数和Simulink解法器进行交互。S-function最广泛的用途是定制用户自己的Simulink模块。它的形式十分通用，能够支持连续系统、离散系统和混合系统。第2章控制系统的设计2.1神经网络自适应控制系统神经网络在自适应控制中具有突出的优势，它可以通过不断地学习获取有关对象的知识并适应过程的变化。神经网络模型参考自适

8、应控制和自校正控制在实际应用中均显示出突出的优点。此外，神经网络的引入还是直接自适应控制得以实现。图2.1为神经网络直接自适应控制系统框图。此神经网络采用多层前向网络。BP训练算