文档介绍：武汉理工大学
硕士学位论文
神经网络PID控制系统设计及参数PSO优化研究
姓名:范锴光
申请学位级别:硕士
专业:控制理论与控制工程
指导教师:陈三宝
20070401
摘要刂萍际跏且恢钟τ煤芷毡榈目刂萍际酰壳霸诤芏喾矫娑加泄惴旱挠用。本文首先简要介绍了神经网络的理论基础和神经网络的学习算法,传统的常规刂破鳎攵猿9鍼控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处进行了分析。为了达到改善常规刂破髟诟丛拥摹动态的和不确定的系统控制还存在着许多不足之处的目的,文中系统的介绍了五种改进方式,主要有:模糊刂破鳌⒆ḿ襊控制器、灰色刂破鳌遗传算法刂破骱蜕窬鏟控制器。神经网络具有强的非线性映射能力,自学忆能力、并行信息处理方式及优良的容错性能。应用神经网络对刂破鹘懈慕螅杂工业控制中的复杂系统控制有着更好的控制效果,有效的改善了由于系统结构和参数变化导致的控制效果不稳定。文中主要对基于单神经元刂破鳌神经网络刂破鹘醒芯俊6杂贐窬绯跏既ㄖ笛≡窭训奈侍猓文采用粒子群优化算法炊訠窬缈刂破鹘杏呕1疚耐币利用惴ǘ猿9鍼控制器的参数进行整定研究。最后,’本文分别对惴ê统9鎆法整定的常规刂破鹘蟹抡试验,仿真结果表明ǚ飨愿纳屏讼低承阅堋1疚囊捕缘ド窬W允应刂葡低澈突赑优化的神经网络刂葡低辰蟹抡媸匝椋发现后者使系统的性能有所提高。关键词:神经网络刂破鳎算法;惴ǎ籞整定法武汉理工大学硕士学位论文
!荘琣瓸甴.:.;Ⅱ
其控制效果远远超过常规的刂啤=改昀矗滦偷慕徊嫜Э埔第P髀选题背景及意义稟杆俜⒄蛊鹄础?刂瓶蒲У难刂剖侨死嘧钤绶⒄蛊鹄吹目刂撇呗灾唬捎谄渌惴ḿ虻ァ⒙嘲粜院谩可靠性能商,至今仍被广泛的应用于工业过程控制中。然而,常规刂埔求被控系统可以建立精确的数学模型,而实际的工业过程当中往往具有非线性、时变性,一般难以建立精确的数学模型,应用常规的刂颇岩源锏嚼硐氲控制效果;在实际工业现场中,由于问ɡ眩9鍼的控制参数往往整定不好、性能欠佳,对实际工业环境的适应性很差。如何既保留制的高可靠性和良好的鲁棒性,又能使刂撇问玫胶芎玫恼ㄊ墙┠来控制科学领域广泛研究的课题。随着微型处理机技术的发展和数字智能式控制器的实际应用,这种设想已变成了现实。模糊刂啤⒆ḿ襊控制、预测控卷还惴貉芯亢陀τ茫人工神经网络究者们很快发现挠胫诓煌镊攘Α能够充分逼近任意复杂的非线性关系,从而形成非线性的动力学系统,以表示某些被控对象的模型或控制器模型;芄谎昂褪视Σ蝗范ㄐ韵低车亩匦裕所有定量或定性的信息都分布贮存于网络内的各个神经单元,从而具有很强的容错性和鲁棒性;捎信息的分布式并行处理,可以进行快速大量的运算。对于长期困扰控制学界的非线性和不确定性系统来说,抟墒墙饩鑫侍獾挠行揪丁=獳应用到传统的刂埔彩强刂蒲Ы缫桓鲋匾5难芯糠较颍呓岷霞缺A袅舜刂频穆嘲粜院每煽啃愿叩奶氐悖质笰的上述优点融入到刂浦校大量研究成果表明了这种控制大大改善了系统的控制性能。然而,神经网络的初始权值的选取直接影响着控制器的性能,采用反复试验初始权值的方法很难得到最优参数的控制器闭。因此,需要~种算法解决神经网络的优化闯题。控制学术界广泛采用的算法是学习算法、遗传算法等等。学习算法,它的收敛速度很慢,一个简单的问题的求解,其训练次数也要几武汉理工大学硕士学位论文
国内外研究现状百代,甚至上千代。而且它对网络的初始权值、自身的学习速率和动量等参数极为敏感,稍小的变动就会引起网络震荡。正是这些原因使其训练速度和精度不是很理想。而用遗传算法优化神经网络权值,无论精度和速度上都有了很大的提高。但是作为一种仿生算法,其虽然可以用来解决各类复杂问题,但是难以克服过早收敛的缺点和控制参数过多,尤其在优化神经网络时候,优化过程总是难以控制。因此,为神经网络的优化寻求更简单更有效的全局优化算法,是优化领域的一个研究热点。微粒群优化—的出现为神经网络权值训练提供了一个新的研究方向。微粒群算法是由虴扔晏出的。它通过简单的社会模型的模拟,将需寻优的参数组合成群体,用每个微粒表示被优化问题的一个解,通过粒子间的相互作用,使群体中的个体向目标区域移动,从而发现复杂搜索空问的最优区域。其不采用遗传算法的交叉和变异等算子,各个微粒根据自己的位置和速度来搜索,整个搜索和更新过程是跟随当前最优解来进行的。因此,惴芄桓斓难罢易钣沤狻年以前,由于神经网络研究不够充分,当时的神经网络的自学习功能和自适应能力不强,所以没有受到控制学界重视。年,。神经网络的自学习和自适应能力充分的体现出来,人们逐渐认识该神经网络学习算法在控制科学界的研究价值。近十几年来基于神经网络的各种智能控制系统被广泛的研究,取得很多有价值的研究成果。对基于神经网络刂频难