改进cfpso算法与神经网络融合在控制系统中应用

《改进cfpso算法与神经网络融合在控制系统中应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ｉｌｏｒｔｈｅａｓｔＰｅｔｒｏｌｅｕｍＵｎｉｖｅｒｓｉｔｙ巧．ｉ工程硕±专业学位论文‘’导．■学位论女独创性声明本人所呈交的巧位论义是我在指导教师的指导Ｋ进行的研究：ｒ＿作及取得的研究成果，。据我所知除义中己经注明引用的内容外，本论文不包含其他个人己经化表或撰写过的研究成巧。对本文的研究做出重要贡献的个人和集体，均已在文中作ｒ明确说明并．巧小谢意。９Ｗ＇、作者签名：今如Ｗ萌Ｕ期：作了爲学位论文使用授权声明、本人完全了解东北片油大学有义做留使用学位论义的规定。学校

2、巧权保稱学化论义并向国凉’化化化机构送义论义的电了版和纸质版主巧部，允许论义被爸阅和估阅，可凶采用影印、缩印ＩＪ或Ｌ或４」描巧复制Ｔ段保存、汇编学化论义，可Ｕ公化论义的全部或部分内容。东北石油人巧有权巧本人的学化论义加入《中岡优秀硕＋学化论义令义数据巧》、《中国稱＋学化论义全义数掘库》和编入《中围知ｍ资源总降》。保密的学化论义在解密后巧用本规巧。学化论义作耗签名：论义指计教帅签名奇教Ｊ指巧小纳成员签名：ＩThesisfortheGraduateCandidateTestAnImpr

3、ovedCFPSOCombinedwithNeuralNetworksandTheirApplicationsinControlSystemCandidate:SunJiuqiangTutor:LiuBinField:ControlEngineeringTrainingcategory：Full-timeType：ApplicationresearchDateoforalexamination:21thMay.2016University:NortheastPetroleumUniversity东北石油大学工程硕士专业学

4、位论文改进的CFPSO算法与神经网络融合在控制系统中应用摘要本文主要介绍神经网络与改进的CFPSO算法结合以及基于此来设计连续搅拌釜PID控制和串级液位控制系统PID控制来进行与传统方法的对比。首先，针对BP神经网络计算权值时存在着收敛速度慢，且容易陷入局部极小值等问题。结合了先前有人通过粒子群算法与神经网络来结合对神经网络权值进行优化处理。但是考虑到基本的粒子群算法存在很多的不确定性和随机性，在迭代的初期容易出现早熟（也就是陷入局部极小值）和迭代后期收敛速度很慢。这样就联想到了对基本的粒子群算法来进行改善。本文提出的粒

5、子群优化算法是在已经优化的算法CFPSO的基础上进行继续改进。通过引入两个参数速度因子和位置因子。当粒子的位置因子小于粒子与全局最优位置的距离为dXG或者当前当粒子向最优值接近时的速度小2于时，这时候设为出现停滞。当出现停滞状况时，对粒子进行了重新初始化，增强粒子活力，提高后期收敛速度。通过此方法来驱散粒子，使种群多样性。并且针对对此方法，进行了收敛性的证明。并且通过六个测试函数来进行效果对比，有效的说明了该算法的可行性和它的高效性。其次，设计了改进的CFPSO算法神经网络的连续搅拌釜PID控制。连续搅拌反应釜

6、的控制系统通常为非线性、时变系统，噪声干扰等因素影响，因此经典的PID控制理论难以在连续搅拌反应釜控制上取得好的控制效果。本文在通过全面分析了连续搅拌反应釜的控制特点，找到了该控制系统精度差的原因。基于此，本文着重研究的是，给出了基于改进的CFPSO神经网络的连续反应釜智能控制系统设计方案。在整个控制过程中用改进CFPSO来代替传统的梯度下降法来对权值的优化。通过实例仿真来对比控制效果情况，结果表明：在控制效果上改进的CFPSO与神经网络控制器和BP神经网络PID控制器相比，在相同的暂态响应时间下，前者的超调量更小，而且

7、有较小的输出量。最后，应用改进CFPSO神经网络PID来控制串级液位控制系统。在分析了典型的液位串级控制系统的结构和原理基础上，给出了系统数学模型。并给出了改进粒子群算法神经网络PID串级液位控制系统的方框图。总结了整体流程与计算步骤。通过实例仿真，证明了其改CFPSO算法神经网络PID控制比标准粒子群神经网络在加入扰动情况下达到稳定更迅速，说明它具有鲁棒性、实时性，其特性非常适合非线性的液位串级控制系统。关键词：粒子群算法；BP神经网络；PID；液位串级控制系统；连续搅拌釜II东北石油大学工程硕士专业学位论文AnImp

8、rovedCFPSOCombinedwithNeuralNetworksandTheirApplicationsinControlSystemABSTRACTThispapermainlyintroducesamethodcombiningtheneuralnetworkwithimprovedparticleswa