神經(jīng)網(wǎng)絡自適應控制器仿真研究.pdf

1、工業(yè)生產(chǎn)過程往往具有非線性、不確定性，難以建立精確的數(shù)學模型，應用常規(guī)的PID控制器難以達到理想的控制效果。作為智能控制的重要分支，人工神經(jīng)網(wǎng)絡具有良好的非線性映射能力和高度的并行信息處理能力，已成為非線性系統(tǒng)建模、辨識和控制中極具魅力的理論和方法。 本文在查閱大量國內(nèi)外文獻的基礎上，研究了神經(jīng)網(wǎng)絡辨識的模型，基于單神經(jīng)元PID自適應控制器，基于BP神經(jīng)網(wǎng)絡的PID自適應控制器以及神經(jīng)網(wǎng)絡自適應控制器。針對PID控制的不足，研究

2、了神經(jīng)網(wǎng)絡與自適應控制的結合，以探討收斂速度快、辨識精度高、實時性能好的神經(jīng)網(wǎng)絡控制方法。主要以研究各種算法的模型、實現(xiàn)及性能為基礎，具體的內(nèi)容如下： (1)以神經(jīng)網(wǎng)絡逆模型的原理、結構與算法的研究為基礎，針對一類狀態(tài)不可直接測量的非線性時變系統(tǒng)，給出了一種基于BP神經(jīng)網(wǎng)絡逆模型的狀態(tài)觀測器，可以對系統(tǒng)的狀態(tài)進行實時觀測，理論分析和仿真結果表明，這種狀態(tài)觀測器可以很好地觀測系統(tǒng)的狀態(tài)。 (2)單神經(jīng)元自適應控制有幾個問題

3、值得研究：①權系數(shù)初值的選擇問題。權系數(shù)的初值對控制性能的好壞有很大影響②權系數(shù)的限幅問題。當權系數(shù)飽和時，系統(tǒng)將失去應有的學習能力。③神經(jīng)元控制系統(tǒng)的上升時間比較長，受到擾動以后動態(tài)恢復過程較長。針對上述缺陷給出兩種改進方法：第一利用遺傳算法來優(yōu)化單神經(jīng)元的權值從而實現(xiàn)對系統(tǒng)的控制。結果表明該方法能夠很快地搜索到一組較優(yōu)的權系數(shù)，消除了初值對控制性能的影響，加快系統(tǒng)收斂速度，具有較好的動態(tài)性能和魯棒性；第二基于CMAC的單神經(jīng)元復合自

4、適應PID控制器，使CMAC網(wǎng)絡的學習過程包括整個系統(tǒng)控制過程，仿真結果表明該方法具有自適應能力強、實時性好、抗干擾能力強等優(yōu)點。 (3)分析了基于BP網(wǎng)絡的自適應PID控制的模型、算法及特點。將神經(jīng)網(wǎng)絡用于控制器的設計或直接學習計算控制器的輸出，一般都要用到系統(tǒng)的預測輸出值或其變化量來計算加權系數(shù)的修正量。但實際上，系統(tǒng)的預測輸出值是不易直接測得的，通常做法是建立被控對象的預測數(shù)學模型。所以為了提高控制效果，需要建立合理的模型

5、來計算預測輸出。本文利用最小二乘法和神經(jīng)網(wǎng)絡建立被控對象的預測數(shù)學模型，用該模型所計算的預測輸出取代預測輸出的實測值，對基于BP網(wǎng)絡的自適應PID控制器的權值調(diào)整算法進行改進。仿真結果表明算法的有效性。 (4)針對一類未知、不確定、時變的SISO離散非線性系統(tǒng)，利用神經(jīng)網(wǎng)絡對被控對象的正向模型辨識，將神經(jīng)網(wǎng)絡的輸出作為被控對象輸出的預報，在此基礎上設計出控制律，構成神經(jīng)自校正控制方案。仿真結果表明控制算法的有效性。 (5