基于BP神经网络的应用_第1页
基于BP神经网络的应用_第2页
基于BP神经网络的应用_第3页
基于BP神经网络的应用_第4页
全文预览已结束

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、文章题目创新点自述创新点自述与摘要有一定的区别,作者应把文章具体新在哪里,好在哪里写出来,说明本文较前人工作有何创新,好的创新点自述能增加文章的可读性,也能给评审人留下好的印象。基于BP神经网络的的应用照片尺寸为20mm*30mm;最好不用红色背景摘 要:PID控制要取得较好的控制效果,就必须通过调整好比例、积分和微分三种控制的作用,形成控制量中既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到最佳的。神经网络所具有的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线性组合的PID控制。采用BP网络,可以建立参数 , 自学习的PID控制

2、器,并给出BP仿真实例。关键词:PID;神经网络;BP网络模型Doi:10.3969/j.issn.1006-7043.中图分类号:(作者本人填写) 文献标识码:A 文章编号:1006-7043 (2006) xx-xxxx-x Based on the application of BP neural network Abstract:PID control to achieve good control effect, it must by adjusting the proportional, integral and differential three control functio

3、n, control quantity in both cooperate with each other and mutual restrict relationship, this relationship is not necessarily a simple linear combination, from the endless variety of nonlinear combination can be found in the best. Neural network with the arbitrary nonlinear expressiveness, can throug

4、h the study of the performance of the system to achieve the best linear combination of PID control. By using BP network, , Self-learning PID controller with BP simulation examples are presented Keywords:PID; ANN;BP收稿日期:xxxx-xx-xx. 基金项目:基金项目名称(编号).作者简介:姓 名(出生年-), 性别, 职称,学位,E-mail(通信作者);姓 名(出生年-), 性别,

5、 职称,学位.通信作者:姓 名(出生年-), 性别, 职称,学位,E-mail(如不是作者简介里的作者). 自从计算机进入控制领域以来,用数字计算机代替模拟计算机调节器组成计算机控制系统,不仅可以用软件实现PID控制算法,而且还可以利用计算机的逻辑功能,使PID控制更加灵活。数字PID控制在生产过程中是一种最普遍采用的控制方法,在机电、冶金、机械、化工等行业中获得了广泛的应用。将偏差比例(P)、积分(I)、和微分(D)通过现行组合构成控制,对被控制对象进行控制,故称PID控制器。BP网络本质上是一种由输入到输出的映射,它不需要任何输入和输出之间的精确数学表达式,只要用已知的输入输出数据加以训练

6、,网络就具有输入与输出之间的映射能力。BP算法的关键在于隐含层的学习规则,而隐含层就相当于对输入信息的一个特征抽取器。1基于BP神经网络整定的PID控制基于BP网络的PID控制器由两部分组成:(1)经典的PID控制器,直接对被控制对象进行闭环控制,并且三个参数 ,为在线调整方式。(2)神经网络,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,使输出层神经元的输出状态对于PID控制器的三个可调整参数 , 通过神经网络的自学习、加权系数的调整,使神经网络输出对应于某种最优空置率下的PID控制器参数。1.1仿真实例设被控制对象的近似数学模型为: 式中,系数是慢时变的,学习速

7、率和惯性系数加权系数初始值取区间上的随机数。输入指令信号分为两种:取S=1时为阶跃跟踪,初始权值取随机值,运行稳定后用稳定权值代替随机值。其结果如下图图1 阶跃响应曲线 Fig.1 Title 图二 跟踪误差曲线 图三 参数自适应整定曲线2 结 论 经过训练的BP神经网络模型逼近效果好,跟踪误差能达到要求,通过自适应调整和自学习的单神经元自适应智能PID控制器,不但结构简单而且能适应环境变化,有较强的鲁棒性。参考文献:1 刘金锟.先进PID控制MATLAB仿真M.版本(第2版). 附录:仿真程序clear all;close all;xite=0.20;alfa=0.05;s=1;IN=4;H

8、=5;Out=3;if s=1wi=-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660;wi_1=wi;wi_2=wi,wi_3=wi;wo=0.7576 0.2621 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.767

9、2 0.4962 0.3632;wo_1=wo;wo_2=wo,wo_3=wo;end if s=2wi=-0.2846 0.2193 -0.5097 -1.0668; -0.7478 -0.1210 -0.4078 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 0.1324;wi_1=wi;wi_2=wi,wi_3=wi;wo=1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0

10、.7370; 1.0063 0.7428 1.0534 0.7824 0.6494;wo_1=wo;wo_2=wo,wo_3=wo;endx=0,0,0;du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0; Oh=zeros(H,1);I=Oh;error_2=0;error_1=0; ts=0.001;for k=1:1:6000 time(k)=k*ts; if s=1 rin(k)=1.0; elseif s=2 rin(k)=sin(1*2*pi*k*ts); end a(k)=1.2*(1-0.8*exp(-0.1*k);yo

11、ut(k)=a(k)*y_1/(1+y_12)+u_1; error(k)=rin(k)-yout(k); xi=rin(k),yout(k),error(k),1; x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2; epid=x(1);x(2);x(3);I=xi*wi;for j=1:1:H Oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j);endK=wo*Oh;for l=1:1:Out K(l)=exp(K(l)/(exp(K(l)+exp(-K(l);en

12、dkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=kp(k),ki(k),kd(k); du(k)=Kpid*epid;u(k)=u_1+du(k); dyu(k)=sign(yout(k)-y_1)/(du(k)-du_1+0.0001); for j=1:1:Out dK(j)=2/(exp(K(j)+exp(-K(j)2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo

13、_1-wo_2); endend for i=1:1:H dO(i)=4/(exp(I(i)+exp(-I(i)2;endsegma=delta3*wo;for i=1:1:H delta2(i)=dO(i)*segma(i);end d_wi=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2); du_1=du(k);u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k); wo_3=wo_2;wo_2=wo_1;wo_1=wo; wi_3=wi_2;wi_2=wi_1;wi_1=wi; error_2=error_1;error_1=error(k);end figure(1);plot(time,rin,r,time,yout,b);xlabel(time(s);ylabel(rin,yout); figure(2);plot(time,error,r);xlabel(time(s);ylabel(error);figure(3

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论