付冬梅信息工程学院动化系2008-10-29.ppt

7.6 应用仿真 7.6 应用仿真 本章结束，谢谢关注！ 付冬梅 信息工程学院 自动化系 2008-10-29 第七章 PID神经网络 7.1 绪论 7.2 PID神经元的计算方法 7.3 PID神经元网络 7.4 SPID网络的反传算法 7.5 PID网络初值权重的选取和等价系统 第七章 PID神经网络的讲述内容 7.1 绪论 1）传统控制系统的局限性 由于被控对象的复杂性、大规模和确定性、分布性，要实现自动控制，那么基于传统精确数学模型的控制理论就显现出极大的局限性。 传统的控制理论虽然也有办法对付控制对象的不确定性和复杂性，如自适应控制和鲁棒控制。自适应控制是以自动调节控制器的参数，使其与被控对象和环境达到良好的“匹配”，以削弱不确定性的影响。从本质上说，自适应控制是通过估计系统某些重要参数，以补偿的方法克服系统参数在一定范围内的慢变化。鲁棒控制是在一定的外部干扰和内部参数变化作用下，以提高系统的灵敏度为宗旨来抵御不确定性的。根据这一思想和原则所导出的算法，其鲁棒的区域是很有限的。 7.1 绪论 2）人工神经网络控制的系统的特点和弱点: 一般神经网络的弱点，包括以下问题： ⑴ 一般神经元网络的学习和训练时间很长。 ⑵ 由于神经网络结构确定往往要通过反复实验才可能确定，所以给控制器实际应用方面带来困难。 ⑶ 有的网络在学习时会陷入局部极小（BP），有的网络关键参数确定有困难（RBF）。 ⑷ 传统系统神经网络的结构、参数和机能，难以与控制系统所要求的响应快、超调小、无静差、静态指标相联系。 ⑸ 传统的多层前向神经网络的神经元仅具有静态输入输出特性，用它构成控制系统时必须附加其它动态部件。 7.1 绪论 3）PID控制的特点及其和神经元网络的结合 配合适应.可得到快速敏捷.平稳准确的调节效果.但其合理、快速、实时的确定是关键。 PID在本质上是线性控制规律，具有传统控制理论的弱点——只适合于线性SISO系统，在复杂系统中控制效果不佳。 7.1 绪论 神经元网络和PID控制结合的两种流行方法： 缺点：结构复杂、不能避免神经网络自身的缺陷。 缺点： a:仍是选择PID参数的方法。 b:神经元起的作用相当于单层感知器，只具有线性分类能力. 7.1 绪论 4）PID神经元网络(PIDNN)的特点和结构形式 PIDNN的主要特点如下； PIDNN属于交层前向神经元网络； PIDNN参照PID控制规律构成，结构比较简单、规范。 PIDNN的初值按PID控制规律的基本原则确定，加快了收敛速度，不易陷入极小点；更重要的是可以利用现有的PID控制的大量经验数据确定网络权重初值，使控制系统保持初始稳定，使系统的全局稳定成为可能。 PIDNN可采用“无教师”的学习方式，根据控制效果进行在线自学习和调整，使系统具备较好的性能。 PIDNN可同时适用于SISO以及MIMO控制系统。 PIDNN的结构形式： 7.1 绪论 7.2 PID神经元的计算方法 ① 比例元的输入为 1) 比例元 ② 比例元的状态函数 ③ 比例元的输出函数 7.2 PID神经元的计算方法 2) 积分元 积分元的输入和输出函数与比例函数相同。 3) 微分元 微分元的输入和输出函数与比例函数相同。 7.3 PID神经元网络 将PID和一般神经元网络融合起来的方法包括两个步骤: ① 将PID功能引入神经网络的神经元中,构成PID神经元(第二节完成)； ② 按照PID神经元的控制规律的基本模式,用这些基本神经元构成新的神经元网络,并找到合理有效的计算与学习方法(下节完成)。 7.3 PID神经元网络 1、SPIDNN的结构形式 r y 7.3 PID神经元网络 2、SPIDNN的前向计算模型 SPIDNN的前向算法根据网络的两个输入值，按网络当前权重值和各层状态函数和输出函数形成网络的输出。 1)输入层 SPIDNN的输入层有两个神经元，在构成控制系统可分别输入系统被调量的给定值和实际值。在任意采样时刻k，其输入: （7.1） 7.3 PID神经元网络 输入层神经元的状态为: （7.2） 输入层神经元的输出为: （7.3） 以上各式中i=1,2;j=1,2,3。 7.3 PID神经元网络 2) 隐含层 隐含层是神经元网络中最重要的层次，SPIDNN的隐含层有三个神经元，分别为比例元、积分元和微分元，它们各自的输入总值均为: （7.4） 式中：j=1,2,3； 为输入层至隐含层的连接权重值。 比例元的状态为: 积分元的状态为: （7.5） 微分元的状态为： （7.6） （7.7） 隐含层各神经元的输出为 7.3 PID神经元网络 （7.8） 3) 输出层 SPI