基于rbf神经网络整定的pid控制器设计及及认真_毕业设计(编辑修改稿)

基于rbf神经网络整定的pid控制器设计及及认真_毕业设计(编辑修改稿)内容摘要：

和模糊的信息处理问题。 它主要应用领域有：语音识别、图像识别、计算机视觉、智能机器人、故障诊断、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专 家系统、智能接口、神经心理学、心理学和认知科学研究等等。 PID 控制要取得较好的控制效果，就必须通过调整好比例、积分、微分三种控制作用，形成控制量中既有相互配合又相互制约的关系。 这种关系不一定是简单的线性组合，从变化无穷的非线性组合中可以找出最佳关系。 神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的 PID 控制。 因此基于神经网络的 PID 不仅能适应环境变化，且有较强的鲁棒性。 本课题研究的主要内容 神经网络的基本概念及原理 ， RBF 神经网络的基本概念、发展历史 ， RBF 神经网络的 学习 算法 ； 经典 PID 控制的原理 、现有的 PID 控制整定方法、 PID 控制的局限性； 基于 RBF 神经网络的 PID 控制器设计； 运用 MATLAB 软件 对所设计的控制系统 进行 稳定性、鲁棒性、抗干扰能力 的仿真研究。 华北电力大学科技学院本科毕业设计（正文） 6 2 神经网络 神经网络的基本概念 和特点 人工神经网络 (ANN， Artificial Neural Network)，又称并行分布处理模型或连接机制模型，是基于模仿人类大脑的结构和功能而构成的一种信息处理系统或计算机系统。 神经网络系统是指利用工程技术手段，模拟 人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。 由于它是由人工方式构造的网络系统，因此也称为人工神经网络系统。 基于人工神经网络的控制简称为神经网络控制。 人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注： （ 1）能逼近任意 L2 上的非线性函数； （ 2）信息的并行分布式处理与存储； （ 3）可以多输入、多输出； （ 4）便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现； （ 5）能进行学习，以适应环境的变化； 人工神经网络的特点和优越性，主要表现在三个 方面： 第一 ， 具有自学习功能。 例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像。 自学习功能对于预测有特别重要的意义。 预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。 第二，具有联想存储功能。 用人工神经网络的反馈网络就可以实现这种联想。 第三，具有高速寻找优化解的能力。 寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型 人工神经网络 ，发挥计算机的高速运算能力 ，可能很快找到优化解。 人工神经网络构成的基本原理 神经网络是由一个或多个神经元组成的信息处理系统。 对于具有 m 个输入节点和 z 个输出节点的神经网络，输入输出关系可以看作是 m维欧氏空间到 n维欧氏空间的映射模型，用数学形式表示为 f： Y=f(x)，其中 x， Y 分别为输入、输出向量。 网络实际输出与期望输出之间的误差是衡量所构造的网络模型的性能指标。 神经元是神经网络的基本处理单元，一般表现为一个多输入、单输出的非线性运算器件，网络结构可以由单个神经元的基本结构展现出来，主要包括三个基 本要素： ① 一组连接 (对应于生物神经元的突触 )，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制； ② 一个求和单元，用于求取各输入信号的加权和 (线性组合 )； ③ 一个激活函数，起到非线性映射作用并将神经元的输出值幅度限制在一定范围内。 此外还有一个附加的输入，称作阈值或偏置。 自动控制理论华北电力大学科技学院本科毕业设计（正文） 7 经历了经典控制理论、现代控制理论，进入了智能控制理论的新阶段。 PID 控制是迄今为止最通用的控制方法，各种 DCS、智能调节器等均采用该方法或其较小的变形来控制 (至今在全世界过程控制中 84％仍是纯 PID 调节器，若改进型包含在内 则超过 90％ )，尽管自1940 年以来，许多先进控制方法不断推出，但 PID 控制以其结构简单，对模型误差具有鲁棒性及易于操作等优点，故仍广泛应用于各种工业过程控制中。 在本章，首先对 PID 控制方法进行简要的概述，然后回顾了传统的常规 PID 控制系统一模拟 PID 控制系统和数字PID 控制系统。 在分析传统的常规 PID 控制存在的优缺点的基础上，给出了一些改进型 PID控制器。 神经网络的 结构 人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特性的系统。 我们利用人工神经元可以构成各种不同拓扑结构的神经网络，它 是生物神经网络的一种模拟和近似。 就神经网络的主要连接形式而育，目前己有数十种不同的神经网络模型，其中前馈网络和反馈型网络是两种典型的结构模型。 前馈网络 前馈型神经网络 (Feed forward neural work)，又称前馈网络。 如图所示，神经元分层排列，有输入层、隐层 (亦称中间层，可有若干层 )和输入层，每一层的神经元只接受前一层神经元的输入。 从学习的观点看前馈网络是一种强有力的学习系统，其结构简单而且易于编程 :从系统的观点，前馈网络是一静态非线性映射，通过简单非线性处理单元的复合 映射，可获得复杂的非线性处理能力。 但从计算的观点看，缺乏丰富的动力学行为。 大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网络，典型的前馈网络有感知器、 BP 网络等。 前馈型神经网络结构 反馈网络 反馈型神经网络 (feedback neural work)，又称反馈网络，它的结构如下图所示。 若总节点 (神经元 )数为 N，则每个节点有 N 个输入和一个输出，也就是说，所有节点都是一样的，它们之间都可以相互连接。 反馈型神经网络是一种非线性动学系统，它需要工作一段时间才能达到稳 定。 Hopfield 神经网络是反馈网络中最简单且应用广泛的模型，它具有华北电力大学科技学院本科毕业设计（正文） 8 联想记忆 (content addressable memory ,CAM)的功能， Hopfield 神经网络还可以用来解决快速寻优问题。 在反馈网络中，输入信号决定反馈系统的初始状态，然后系统经过一系列的状态转移后，逐渐收敛于平衡状态。 这样的平衡状态就是反馈网络经计算后输出的结果，由此可见，稳定性是反馈网络中最重要的问题之一。 如果能找到网络的 Lyapunov 函数，则能保证网络从任意的初始状态都能收敛到局部最小点。 反馈神经网络中所有节点都是计算 单元，同时也可接收输入，并向外界输出。 反馈型神经网络结构 神经网络的学习方式 通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点，在一般情况下，性能的改进是按某种预定的度量通过调节自身参数 (如权值 )随时间逐步达到的，根据环境提供信息的多少，神经网络共有三种学习方式 ： ① 监督学习 (有教师学习 )； ② 非监督学习 (无教师学习 )； ③ 再励学习 (强化学习 )。 监督学习 (有教师学习 ) 为了使神经网络在实际应用中解决各种问题，必须对它进行训练。 这种训练的过程需要有教师示教，提供数据，又称 样板数据。 在训练过程中又需要教师的监督，故这种有教师的学习又称有监督式学习。 在这种学习中学习的结果，即网络的输出有一个评价的标准，网络将实际输出和评价标准进行比较，由其误差信号来调节系统权值。 评价标准是由外界提供给网络的，相当于有一位知道正确结果的教师示教给网络，故这种学习又称为教师示教学习。 在这种学习中网络的连接权值常根据规则进行调整。 非 监督学习 (无 教师学习 ) 无教师学习是一种自组织学习，即网络的学习过程完全是一种自我学习的过程，不存在外部教师的示教，也不存在外部环境的反馈指示网络应该输出 什么或者是否正确，故又称之为无监督学习。 所谓自组织学习就是网络根据某种规则反复地调整连接权以响应输入模式的激励，直到网络最后形成某种有序状态。 自组织学习是靠神经元本身对输入模式的不断适应，抽取输入信号的规律（如统计规律 )。 一旦网络显现出输入数据的统计特征，网络就实现了对输入特征的编码，即把输入特征 “记忆 ”下来，而且在记忆之后，当它再出现时，能把它识别出来。 自组织学习能对网络的学习过程进行度量，并优化出其中的自由参数。 可以认为，这种学习的评价准则隐含于网络内部。 神经网络的这种自组织特性来源于其结华北电力大学科技学院本科毕业设计（正文） 9 构的可塑性。 再励学习 (强化学习 ) 再励学习是介于上述两种情况之间的一种学习方法。 外部环境对系统输出的结果给出评价信息 (奖或惩 )而不是给出正确答案。 学习系统通过强化那些受奖的动作来改善自身的性能。 RBF 神经网络 RBF 神经网络的发展简史 Broomhead 和 Lowe 最早将 RBF 用于神经网络设计之中。 他们在 1988 年发表的论文《 Multivariable functional interpolation and adaptive works》中初步探讨了 RBF 用于神经网络设计与 应用于传统插值领域的不同特点，进而提出了一种三层结构的 RBF 神经网络。 Moody 和 Darken 在 1989 年发表文章《 Fast learning in work of locallytunedprocessing units》，提出一种含有局部响应特性的神经网络，这种网络实际上与 Broomhead 和 Lowe提出的 RBF 神经网络是一致的，他们还提出了 RBF 神经网络的训练方法。 以后的研究者针对以前研究中存在的问题与不足提出了许多改进的方法，比如 Chen提出的 OLS(Orthogonal Least Squares)算法； 等人提出的 HSOL (Hierarchically SelfOrganizing Learning) 算法； Platt 提出的 RAN(Resource Allocating Network)在线学习算法； Kadirkamanathan 和 Niranjan 提出的 RANEKF(RAN via Extended Kalman Filter)算法等。 RBF 神经网络主要用于解决模式分类和函数逼近等问题。 在数学上， RBF 神经网络结构的合理性可由 Cover 定理得到保证，即对于一个模式问题 ，在高维数据空间中可能解决在低维空间中不易解决的分类问题。 它以径向基函数作为隐节点的激活函数，具有收敛速度快、逼近精度高、网络规模小等特点。 RBF 的 数学模型 RBF 神经网络通常是一种三层前向网络， RBF 网络 结构如下图所示。 第一层是输出层，由信号源节点组成；第二层为隐含层，其节点基函数是一种局部分布的、对中心径向对称衰减的非负非线性函数；第三层为输出层。 RBF 神经 网络结构图 华北电力大学科技学院本科毕业设计（正文） 10 根据 RBF 神经网络结构分析，构成 RBF 神经网络的基本思想是：用 RBF 作为隐层神经元的 “基 ”构成隐含层 空间，这样就可将输入矢量直接映射到隐空间。 当 RBF 的中心确定后这种映射关系也就确定了。 而隐含层空间到输出层空间的映射是线性的，即网络的输出是隐层神经元输出的线性加权和，此处的权值为网络的可调参数。 从总体上来说，网络由输入到输出的映射是非线性的，而网络对可调参数而言是线性的。 这样网络的权值就可由线性方程组解出或用 RLS(递推最小二乘 )方法递推计算，从而加快学习速度并避免局部极小问题。 被控对象 Jacobian 信息的辨识算法 在 RBF 网络结构中，  TnxxxX ,..., 21 为网络的输入向量。 设 RBF 网络的径向基向量 Tmj hhhhH ,...,..., 21 ，其中 jh 为高斯基函数 mjbCXhijj , . . .2,1,2e x p22  网络的第 j 个结点的中心矢量为  Tjnjtjjj ccccC , . . ., . . ., 21 ，其中， i=1,2， … n 设网络的基宽向量为  TmbbbB ,......, 21 1b 为节点 j 的基宽度参数，且为大于零的数。 网 络的权向量为  Tmj wW . . ., . . ., 21 辨识网络的输出为   mmm hwhwhwky  ...2111 辨识器的性能指标函数为     221 kykyo u tJmI  根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下              211  kwkwhkyky o u tkwkw jjjmjj      32jjjmj b。