1、2.8神经网络控制器设计,基于单个神经元的 PID 控制器设计 基于反向传播神经网络的 PID 控制器 基于径向基函数的神经网络的 PID 控制器,2.8 神经网络PID控制,尽管神经网络控制技术有许多潜在的优势，但单纯使用神经网络的控制方法的研究仍有待进一步发展。通常将人工神经网络技术与传统的控制理论或智能技术综合使用。神经网络在控制中的作用有以下几种： 1在传统的控制系统中用以动态系统建模，充当对象模型； 2在反馈控制系统中直接充当控制器的作用； 3在传统控制系统中起优化计算作用； 4与其他智能控制方法如模糊逻辑、遗传算法、专家控制等相融合。,2.8.1 基于BP神经网络控制参数自学习PI
2、D控制,BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，可以找到某一最优控制律下的P，I，D参数。基于BP神经网络的PD控制系统结构如图所示，控制器由两个部分组成：经典的PID控制器：直接对被控对象进行闭环控制，并且KP,KI,KD三个参数为在线整定；神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。,基于BP神经网络的PID控制算法可归纳如下：
3、1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率和平滑因子，k=1；2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 5). 计算PID控制器的控制输出u(k)，参与控制和计算；6). 计算修正输出层的权系数w(3)li(k)； 7). 计算修正隐含层
4、的权系数w(2)ij(k)；8). 置k=k+1，返回到“2）”。,2.8.2 改进型BP神经网络控制参数自学习PID控制,将神经网络用于控制器的设计或直接学习计算控制器的输出（控制量），一般都要用到系统的预测输出值或其变化量来计算权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常的做法是建立被控对象的预测数学模型，用该模型所计算的预测输出来取代预测处的实测值，以提高控制效果。,1采用线性预测模型的BP神经网络PID控制器,采用线性预测模型的BP神经网络PID控制系统算法归纳如下：(1)事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2
5、)ij(0), w(3)li(0)，选定学习速率和平滑因子，k=1； (2)用线性系统辨识法估计参数矢量(k)，形成一步预报模型式； (3)采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； (4)对r(i),y(i),u(i-1),e(i)进行归一化处理，作NN的输入； (5)前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； (6)计算PID控制器的控制输出u(k)，参与控制和计算； (7)计算 和 ； (8)计算修正输出层和隐含层的权系数w(3)li(k)， w(2)ij(k) ； (9)置k=k
6、+1，返回到“2）”。,2采用非线性预测模型的BP神经网络PID控制器,基于BP神经网络的PID控制算法可归纳如下：(1)事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率和平滑因子，k=1； (2)采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； (3)对r(i),y(i),u(i-1),e(i) 归一化处理，作为NN的输入； (4)前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； (5)计算PID控制器的控制输出u(k)，参与控制和计算； (6)前向计算NNM的各层神经元的输入和输出，NNM的输出为 ，计算修正隐含层和输出层的权系数； (7)计算 ； (8)计算修正输出层和隐含层权系数w(3)li(k), w(2)ij(k) ； (9)置k=k+1，返回到“2）”。,
