神经网络控制部分大作业.doc

《神经网络控制部分大作业.doc》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、神经网络控制部分大作业已知，分别设计PID控制与神经网络控制器，使系统达到较好性能，并比较两种方法的结果。具体要求：1、采用编程实现神经网络控制器。2、分析神经网络层数和神经元个数对神经网络控制器控制性能的影响。3、分析系统在神经网络控制和PID控制作用下的抗干扰能力(加噪声干扰)、抗非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。4、为系统设计神经网络PID控制器。首先设计PID控制器实现对已知系统的控制，然后利用PID控制器的采样样本对神经网络进行训练，用训练好的神经网络来控

2、制系统。然后对加入非线性环节，以验证神经网络控制器的鲁棒性能。1、PID控制这里采用模型与模糊控制中的PID控制模型相同，只是将参数改变了一下，即取，，，单位阶跃响应仿真结果如图2-1所示图2-1PID控制单位阶跃响应2、神经网络控制利用采集的样本，采用BP算法进行神经网络训练。训练程序为：p=r';t=u';net=newff([-11],[20101],{'tansig''tansig''purelin'});net.trainparam.epochs=1000;net.trainparam.go

3、al=0.0001;net=train(net,p,t);gensim(net,-1)利用得到的神经网络控制器进行仿真，控制模型如下图所示：图2-2神经网络控制模型框图训练结果如下：图2-3神经网络训练曲线和模块化描述仿真结果如图2-3所示。图2-4神经网络控制的单位阶跃响应3、增加非线性的仿真结果1）分别在神经网络控制和PID控制系统中加死区非线性进行仿真，如图2-5所示。死区参数为（-0.10.1）(a)PID控制加死区（b）神经网络控制加死区图2-5PID与神经网络控制加死区后的响应曲线比较2）

4、分别在神经网络控制和PID控制系统中加饱和非线性进行仿真，如图2-6所示。饱和参数为（-0.590.59）（a）PID控制加饱和（b）神经网络控制加饱和图2-6PID与神经网络控制加饱和后的响应曲线比较3）改变时滞大小分别在神经网络控制和PID控制系统中进行仿真，如图2-7所示。时滞参数为1.5。(a)PID控制加时滞(b)神经网络控制加时滞图2-7改变时滞大小的PID与神经网络控制响应曲线比较由以上图2-7可知，改变时滞大小以后，PID控制的控制效果明显变差，而神经网络控制的控制效果则相对较好，说明

5、神经网络控制较PID控制有更好的抗时滞能力。遗传算法部分大作业已知，设计基于遗传算法的模糊控制器或神经网络控制器，使系统达到较好的控制性能。具体要求：1、采用编程实现基于遗传算法的模糊控制器或神经网络控制器。2、分析采用遗传算法前后的控制效果。3、分析初始条件对寻优及对控制效果的影响。4、分析系统在所设计的基于遗传算法的控制器和PID控制作用下的抗干扰能力(加噪声干扰)、抗非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。本论文选择编程实现基于遗传算法的神经网络控制器，并对被控对象

6、进行控制仿真。首先使用遗传算法优化得到神经网络的权值初值，再权值初值赋予神经网络并开始训练，产生神经网络控制，再对控制对象仿真。1、编程实现遗传算法优化神经网络权值本论文采用基于MATLAB语言的遗传算法工具箱——GAOT，而没有采用官方遗传算法工具箱，GAOT工具箱是由美国Carolina州立大学开发的遗传算法最优化工具箱。采用此方法来实现BP网络控制器的权值优化程序和简要注解如下（相关文件GABPNET.m），运行时，将所编程序与GAOT工具箱放在同一工作路径下即可运行，需要的文件有4个，分别为P

7、ID.mdl、GA_NN.mdl、GABPNET.m、gabpEval.m、gadecod.m。步骤如下：执行PID.mdl模型，得到采样文件A.mat、B.mat；执行GABPNET.m文件，它会自动调用gabpEval.m、gadecod.m文件；把优化得到的神经网络模型移入GA_NN.mdl中，并执行得到响应曲线。1）程序设计以下即为主函数GABPNET.m，首先要进行初始化，需要训练样本，样本是通过“Tofile”模块采样PID控制系统而得到的，输入输出分别是A、B，程序中只需load+文件的

8、保存名就可以了。%functionnet=GABPNET(A，B)%--------------------------------------------------------------------------%GABPNET.m%使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络%--------------------------------------------------------------------------%数据归一