一种单神经元自适应控制方法

《一种单神经元自适应控制方法》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、一种单神经元自适应控制方法

2、第1摘　要：介绍了一种单神经元自适应控制的方法，并提出了在线调整的方法。该方法结构简单，便于在分散控制系统中实现。　　0引言　　在工业过程控制中，PID控制是历史最悠久、生命力最强的控制方式。这主要是因为这种控制方式具有直观、实现简单和鲁棒性能好等一系列优点。在火电厂分散控制系统中，单输入单输出（SISO）、采用PID控制规律、简单的控制回路一般占80%以上。但是，许多热工对象都具有大时延、大惯性的特性，使得过渡过程时间变长，调节品质变差；另外，对于高阶或多变量强耦合过程，PI

3、D的整定与控制都存在困难。由于整定条件常常受到限制，以及对象的动态特性随着工况、环境等变化而发生变化，PID参数往往难以达到最优状态。　　为此，本文提出一种单神经元自适应控制的方法。通过大量的仿真实验表明，该方法简单易行，具有比普通PID算法好得多的控制效果。1基于单神经元的自适应控制　　基于单神经元的自适应控制系统框图［1］如图1所示。　　神经元的输入信号由4部分组成：前馈控制信号x1（t）、反馈比例控制信号x2（t）、反馈微分控制信号x3（t）、反馈积分控制信号x4（t）。它是一种多层次多模式的控制

4、结构，集前馈和反馈于一体，互为关联，互为补偿。前馈控制信号x1（t）通过ω′1（t）直接作用于受控对象，加快了系统的响应速度；x2（t）能迅速减小跟踪误差；x3（t）可以改善系统的响应速度，减小超调量；x4（t）使系统趋近于稳态无差，提高了控制的准确性。权值ω′i（t）（i=1，2，3，4）反映了受控对象和过程的动态特性，神经元通过自身的学习策略不停地调整ω′i（t）（i=1，2，3，4），在4种控制的关联作用下迅速消除偏差，进入稳态。　　权值调整方法采用有监督Hebb学习算法［2］，同时为了保证学习算法

5、的收敛性和控制的鲁棒性，可采用规范化的学习算法。控制算法如下式：　500)this.style.ouseg(this)">500)this.style.ouseg(this)">2仿真实验研究500)this.style.ouseg(this)">进行单神经元自适应控制仿真实验，实验结果见图2。PID的参数Ti、δ和Td是通过寻优得到的最优参数。在t=0.56s时加了一个内扰。可见单神经元自适应控制比普通PID控制响应速度快，控制效果好。500)this.style.ouseg(this)">　　大量的

6、仿真实验表明，单纯调节学习速率η对控制效果的影响不明显。K是神经元的比例系数，它对开环放大倍数较大的受控对象，可以起到衰减神经元控制效果、消除学习过程的冲击的作用；而对开环放大倍数较小的受控对象，则可以起到增强神经元控制效果、保证神经元在全局范围内搜索到E｛［r（t）-y（t）］2｝的最小值的作用。仿真实验表明，K取的较大时，系统动态启动快，但超调量大，调整时间长；K取的较小时，系统响应变慢，超调量下降，但如果K取的太小，则响应跟踪不上给定信号。　　对K的分析表明，应当在响应初期取较大的值，以提高响应速度

7、；而在进入稳态以后，K应逐步减少到某一稳定值，以保证系统不出现过大的超调量。为了满足上述要求，可以采用非线性变换法对K进行在线修改，调整公式如下：　500)this.style.ouseg(this)">　　式中，K0为K的稳态值；α为待定参数，其值视控制效果进行调整。取偏差的3次方是使偏差较大时K较大，增加响应速度，而偏差较小时，后一项几乎不起作用，以减小超调量。　　也可以采用如下简单的分段线性化方法来调整K：　500)this.style.ouseg(this)">　　对无自平衡对象G（s）=（0

8、.325s+1)-1×(0.5s+1)-1进行单神经元自适应控制仿真实验，实验结果见图3。在t=5.6s时加一个内扰。可见控制的响应速度进一步加快。500)this.style.ouseg(this)">3结论　　以上提出的神经元自适应预测PID控制器，能够提高控制系统的自适应能力和鲁棒性，该控制器结构简单，易于实现，特别是便于在分散控制系统中实现。