*******大學 畢 業 設 計(論文)題 目 神經網絡 PID 控制器的設計與仿真院 系 專業班級 學生姓名 指導教師神經網絡 PI D 控制器的設計與仿真 摘要 PID 控制技術是一種應用很普遍的控制技術,目前在很多方面都有廣泛的應用. 在工業控制中， PID 控制是工業控制中最常用的方法。 這是因為 PID 控制器結構簡單、 實現簡單，控制效果良好， 已得到廣泛應用。 據統計， 在目前的控制系統中， PID 控制占了絕大多數。但是， 他具有一定的局限性： 當控制對象不同時， 控制器的參數難以自動調整以適應外界環境的變化。 為了使控制器具有較好的自適應性， 實現控制器參數的自動調整，可以采用神經網絡控制的方法。 利用人工神經網絡的自學習這一特性畢業設計任務書非線性系統的神經網絡控制設計及比較， 并結合傳統的 PID 控制理論，構造神經網絡 PID 控制器， 實現控制器參數的自動調整。本論文討論了基于神經網絡的 PID控制， 利用神經網絡的自學習能力進行在線參數整定， 并利用 軟件進行仿真。 通過仿真實現可以看出它具有自學習、 自適應性等特點， 網絡的收斂速度快， 能夠對非線性對象有很好的控制， 系統的跟蹤性能很好． 其參數設定無需知道被控對象的具體參數及其數學模型， 對不同的對象具有適應性． 關鍵詞： PID 控制 神經網絡 仿真The and of the PID PID is a very in many of a wide range of . In , PID is the most used in . This is the PID , to a , , has been used. to , PID is the vast in the . , he has : When the is not at the same time, the to to the in the . In order to make the has good , and of can be used . Using , with the PID of PID , and the of . The to the PID ， and ， make use of the from the study to its to on-line amend， and make use ofthe to ． By the can see that it is to self-, , and other ， speed, can have a good on non- ,and of very good. Its need to know the of the and its model,and adapt . KEY WORDS： PID 目 錄 摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III 1 緒論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1. 1 前言. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1. 2 神經元網絡 PID 的發展歷程. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1. 3 神經網絡的特點. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1. 4 神經網絡的主要研究方向 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1. 5 神經網絡 PID 的發展現狀和前景展望. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1. 6 課題研究方法和內容. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 神經網絡控制理論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2. 1 神經網絡的簡介. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2. 2 神經網絡的基本概念. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2. 3 神經網絡控制的基本原理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2. 4 神經網絡結構的分類. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2. 5 神經網絡的學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2. 5. 1 學習方式. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2. 5. 2 網絡模型及其學習算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2. 6 神經網絡的訓練. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3 應用 設計神經網絡 PID 控制系統. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3. 1 、 、 神經網絡工具箱簡介. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3. 2 神經網絡工具箱與人工神經元網絡設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3. 3 PID 控制器 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3. 3. 1 PID 控制器簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3. 3. 2 PID 控制的局限 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3. 4 神經網絡 PID 控制器的設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4 神經網絡 PID 控制器的設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 4. 1 單神經元自適應 PID 控制器及其學習算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 4. 1. 1 采用有監督 Hebb 學習算法的單神經元自適應 PID 控制器. . . . . . . . . . . . . . . . . . . . 14 4. 1. 2 單神經元自適應 PID 控制器學習算法可調參數的選取規律. . . . . . . . . . . . . . . . . . . 15 4. 1. 3 單神經元自適應 PID 仿真. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 4. 2 基于 BP 神經網絡 PID 控制器的設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4. 3 小結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 5 結束語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 致謝. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251 1 緒論 1. 1 前言 計算機技術的迅速發展， 為計算機控制的發展和應用奠定了堅實的基礎， 過程計算機控制以自動控制理論和計算機技術為基礎， 實現了現代化生產過程的綜合自動化， 可使生產過程保持最佳運行狀態， 從而提高安全性、 經濟性和運行水平。
隨著人類科技的不斷發展， 受控對象越來越復雜， 傳統的 PID 控制已經不能滿足人們的要求。 主要表現在以下幾個方面： 不適應不確定性系統的控制； 不適應非線形系統的控制； 不適應時變系統的控制；不適應多變量系統的控制。 由于這些局限性， 傳統控制方法和傳統的神經元網絡均不能單獨勝任復雜系統的控制任務， 因此需要研究新的更有效的控制方法。 近年來， 隨著神經元網絡的研究和應用， 人們開始采用神經元網絡和 PID 控制相結合， 以便改進傳統 PID 控制的性能。 為此本論文設計了一種神經網絡 PID 控制器， 并給出了仿真結果和結論。 1. 2 神經元網絡 PI D 的發展歷程 一般認為， 最早用數學模型對神經系統中的神經元進行理論建模的是美國心理學家麥卡洛克（W.） 和數學家皮茨（W.Pitts）。 他們于 1943 年建立了 MP 神經元模型。MP 神經元模型首次簡單的數學模型模仿出生物神經元活動功能， 并揭示了通過神經元的相互連接和簡單的數學計算， 可以進行相當復雜的邏輯運算這一令人興奮的事實。 1957 年， 美國計算機學家羅森布拉特 （F.） 提出了著名的感知器 （）模型。
它是一個具有連續可調權值矢量的 MP 神經網絡模型， 經過訓練可達到對一定輸入矢量模式進行識別的目的。 1959 年， 當時的另外兩位美國工程師威德羅（B.） 和霍夫（M.Hoff） 提出了自適應線性元件（ ,簡稱 ）。 它是感知器的變化形式， 尤其在權失量的算法上進行了改進， 提高了訓練收斂速度和精度。 他們從工程實際出發， 不僅在計算機上模擬了這種神經網絡， 而且還做成了硬件， 并將訓練后的人工神經網絡成功地用于的小通訊中的回波和噪聲，成為第一個用于解決實際問題的人工神經網絡。 1969 年畢業設計任務書非線性系統的神經網絡控制設計及比較， 人工智能的創始人之一明斯基（M.） 和帕伯特（S.） 在合著的《感知器》 一書中對以單層感知器為代表的簡單人工神經網絡的功能及局限性進行了深入分析。 他們指出， 單層感知器只能進行線性分類， 對線性不可分的輸入模式無能為力， 而其解決的辦法是設計出具有隱含層的多層神經網絡， 但是要找到一個有效修正權矢量的學習算法并不容易。 這一結論使得當時許多神經網絡研究者感到前途渺茫， 客觀上對神經網絡理論的發展起了一定的消極作用。
美國學者霍普菲爾德（J.） 對人工神經網絡研究的復蘇起到了關鍵性的作用。 1982 年， 他提出了霍普菲爾的網絡模型， 將能量函數引入到對稱反饋網絡中， 是網絡 2穩定性有了明顯的判據， 并利用提出的網絡的神經計算能力來解決條件優化問題。 另外，霍普菲爾德網絡模型可以用電子模擬線路來實現， 從而由此還興起了對新一代電子神經計算機的研究。 另一個突破性的研究成果是儒默哈特（D.E.） 等人在 1986 年提出的解決多層神經網絡權值修正的算法——誤差反向傳播法， 簡稱 BP 算法， 找到了解決明斯基和帕伯特提出的問題的辦法， 從而給人工神經網絡增添了活力。 1. 3 神經網絡的特點 人工神經網絡的以下幾個突出的優點使它近年來引起人們的極大關注： （1） 能逼近任意 L2 上的非線性函數； （2） 信息的并行分布式處理與存儲； （3） 可以多輸入、 多輸出； （4） 便于用超大規模集成電路或光學集成電路系統實現， 或用現有的計算機技術實現； （5） 能進行學習， 以適應環境的變化； 人工神經網絡的特點和優越性， 主要表現在三個方面： 第一， 具有自學習功能。 例如實現圖像識別時， 只在先把...