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，更多相关内容在工程资料-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控制中引入单神经元自适

2、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、并行处理等能力，已在控制领域得到广泛的应用。

3、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-Pitts模型的人工神经元，如图1.1所示。……图1.1单神经元

4、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。1.3MATLAB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

5、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.Si

6、mulink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，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-

7、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

8、多层前向网络。BP训练算