单神经元自适应闭环控制实验

1、 单神经元自适应闭环控制实验所谓神经网络控制，即基于神经网络控制或简称神经控制，是指砸控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，遗迹同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统，将这种控制方式称为神经网络控制。神经网络是由众多的神经元采用某种网络拓扑结构构成的,可以用来描述几乎任意的非线性系统,而且神经网络还具有自学习、自适应和并行分布处理等特点,在控制领域有着广阔的应用前景。单神经元作为神经网络的最基本单元,具有自学习、自适应能力,而且由单神经元构成的控制器结构简单,易于实时控制,因此其

2、应用非常广泛。一、实验目的1.掌握单神经元控制器的设计方法;2.观测单神经元控制器对时变对象系统的自适应控制能力。二、实验原理及内容1、单神经元模型：图1人工神经元模型图图2Sigmoid人工神经元活化函数单神经元的McCullochPitts模型如图1,图2所示。xl,x2,x3.xn是神经元接收的信息，w1,w2,.为连接权值。利用简单的线性加权求和运算把输入信号的作input=忖內&用结合起来构成净输入。此作用引起神经元的状态变化,而神经元的输出v是其当前状态的激活函数。2、神经经网络的有监督Hebb学习规则学习规则是修改神经元之间连接强度或加权系数的算法,使获得的知识结构适应周围环境的

3、变化。两个神经元同时处于兴奋状态或同时处理抑制状态时,它们之间的连接强度将得到加强,当一个神经元兴奋而另一个抑制时,它们之间的连接强度就应该减弱。这一论述的数学描述被称为Hebb学习规则。在学习过程中,网络根据实际输出与期望输出的比较,进行联接权系数的调整,将期望输出称导师信号是评价学习的标准。这样，就得到了有监督的Hebb学习规则如果用oi表示单元i的输出，oj表示单元j的输出Wij表示单元j到单元i的连接加权系数，di表示网络期望目标输出，为学习速率，则神经网络有监督的Hebb学习规则下式所示。也w(氐)=叮曲(氐)o(1)3.基于单神经元的PID控制单神经元控制系统的结构如图3所示。图中

4、转换器的输人为设定值r(k)和输出y(k)，转换器的输出为神经元学习所需要的状态量x1,x2,x3,K为神经元的比例系数。图3单神经元自适应控制器结构图单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能的，权系数的调整是按有监督的Hebb规则实现的。控制及其学习算法如下：=w1(fc1)+rj(k)u(k)衍(氐)w2(k)=w2(fc-1)-Fr|pZ(kXk)x2(fc)w3(k)=w3(kl)+r|Bz(k)u(k)Jc3(fc其中:2(fc)=e(k)e(k-1)衍住)=ize(k)(k)=e(k)T卞七分别为积分、比例、微分的学习速率，K为神经元的比例系数,K0。三实

5、验步骤1.编写程序实现单神经元的PID自适应控制，输入信号为单位阶跃信号单神经元控制的各参考参数为0.12,0.40,0.35,0.402.改变被控制对象为如下几种情况，进行上述试验。模型1：y(k)=0.368y(k-1)+0.264y(k-2)+u(k-1)+0.632u(k-2)模型2：y(k)=0.368y(k-1)+0.264y(k-2)+gu(k-1)+0.632u(k-2)g=1+0.1*sin(0.01k)四实验结果及分析fTit工5!_SFE匚3Fi-frlEdir-t-MiewInserttooeDtDskropbuinCLcwHtll-P口fflml輛一rI炉013I一柚

6、一|gI圜一fime(s) 通过分析可以得到以下结论：初始加权系数wl(O),w2(0),w3(0)的选择对输出结果影响较大，若初始权值选择不当，可能导致系统不稳定。而初始权值的选择主要是依靠经验。被控对象不同，w的大小也应该不同。由于权值系数wl,w2,w3,分别相当于积分系数、比例系数、微分系数。可取其为PID的参数初值；比例、积分、微分的学习速率l|l|-L-应选择不同的数值，以便对不同的权系数分别调节。可以简单地根据整定的PID参数，来设置|J川.,然后再根据响应做微量的调整,基本就能满足要求了。由于采用规范化学习算法,学习速率可以取得较大，并且仿真过程中发现，Ld。参数具有一定的裕度

7、,即在一定的范围内都有较好的控制效果。增益K的选择非常重要，如果K值偏大将引起系统响应超调过大.而K值偏小则使过渡过程变长。因此,具体仿真时,我们是先根据经验确定一个K的初值，再根据仿真结果来调整。另外调试时还发现，当被控对象的延迟增大时必须减小K值，否则易引起系统振荡。附录程序clearall;clcx=0,0,0;%定义输入矩阵xiteP=0.4;%定义学习速率xiteI=0.35;xiteD=0.4;wkp_1=0.1;%初始化权重wki_1=0.1;wkd_1=0.1;erro_1=0;%初始化误差erro_2=0;y_1=0;y_2=0;y_3=0;%初始化被控对象模型u_1=0;u

8、_2=0;u_3=0;ts=0.001;%定义时间步长fork=1:1:1000%循环迭代time(k)=k*ts;%时间为K*ts总时间也就是1yd(k)=1;%目标值ifk=100y(k)=0.368*y_1+0.264*y_2+0.1*u_1+0.632*u_2+0.2;%当迭代到100次加入扰动0.2elsey(k)=0.368*y_1+0.264*y_2+0.1*u_1+0.632*u_2;%被控对象模型enderro(k)=yd(k)-y(k);%获取误差wkp(k)=wkp_1+xiteP*erro(k)*u_1*x(1);%更新权重wki(k)=wki_1+xiteI*erro

9、(k)*u_1*x(2);wkd(k)=wkd_1+xiteD*erro(k)*u_1*x(3);K=0.12;%定义比例系数x(1)=erro(k)-erro_1;%给输入矩阵赋值x(2)=erro(k);x(3)=erro(k)-2*erro_1+erro_2;wadd(k)=abs(wkp(k)+abs(wki(k)+abs(wkd(k);%将权重求和w11(k)=wkp(k)/wadd(k);%得出Pw22(k)=wki(k)/wadd(k);%Iw33(k)=wkd(k)/wadd(k);%Dw=w11(k),w22(k),w33(k);u(k)=u_1+K*w*x;%增量式PIDe

10、rro_2=erro1;%e(k-2)erro_1=erro(k);%e(k-1)u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=y(k);wkp_1=wkp(k);%w1(k-1)wkd_1=wkd(k);wki_1=wki(k);endfigure(1);plot(time,yd,r,time,y,k,linewidth,2);%显示被控模型曲线和设定曲线xlabel(time(s);ylabel(yd,y);legend(idealposition,positiontracking);figure(2);plot(time,u,r,linewidth,2);%显示输