文档介绍：单神经元自适应 PID 控制算法
一、单神经元 PID 算法思想
神经元网络是智能控制的一个重要分支， 神经元网络是以大脑生理研究成果为基础，模拟大脑的某些机理与机制， 由人工建立的以有向图为拓扑结构的网络，它通过对连续或断续的输入做状态响应而进行信息处理； 神经元网络是本质性的并行结构，并且可以用硬件实现， 它在处理对实时性要求很高的自动控制问题显示出很大的优越性； 神经元网络是本质性的非线性系统， 多层神经元网络具有逼近任意函数的能力， 它给非线性系统的描述带来了统一的模型； 神经元网络具有很强的信息综合能力， 它能同时处理大量不同类型的输入信息， 能很好地解决输入信息之间的冗余问题， 能恰当地协调互相矛盾的输入信息， 可以处理那些难以用模型或规则描述的系统信息。 神经元网络在复杂系统的控制方面具有明显的优势，神经元网络控制和辨识的研究已经成为智能控制研究的主流。 单神经元自适
PID 控制算法在总体上优于传统的 PID 控制算法，它有利于控制系统控制品质的提高，受环境的影响较小， 具有较强的控制鲁棒性， 是一种很有发展前景的控制器。
二、单神经元自适应 PID 算法模型
单神经元作为构成神经网络的基本单位， 具有自学****和自适应能力， 且结构简单而易于计算。 传统的 PID 则具有结构简单、 调整方便和参数整定与工程指标联系紧密等特点。 将二者结合，可以在一定程度上解决传统 PID 调节器不易在线实时整定参数， 难以对一些复杂过程和参数时变、 非线性、强耦合系统进行有效控制的不足。
单神经元模型
对人脑神经元进行抽象简化后得到一种称为 McCulloch-Pitts 模型的人工神经元，如图 2-1 所示。对于第 i 个神经元， x1、x2、 ⋯⋯、xN 是神经元接收到的信息， i1、 i 2、⋯ ⋯、 iN 为连接强度，称之为权。利用某种运算把输入信号的作用结合起来，给它们的总效果，称之为“净输入” ，用 neti 来表示。根据不同的运算
1
方式，净输入的表达方式有多种类型， 其中最简单的一种是线性加权求和， 即式
（ 2-1 ）。
此作用引起神经元 i 的状态变化，而神经元 i 的输出 yi 是其当前状态的函
数 g( ?), 称之为活化函数（ State of activation ）。这样，上述模型的数学表达
式为式（ 2-2 ）。
N
neti
ij xj
i
j
1
yi g(neti )
(2-1)
(2-2)
式中， i ——神经元 i 的阈值。
x1
i 2
i 2
x2
i yi
⋯
iN
xN
图 2-1 单神经元模型示意图
神经网络学****规则
学****是神经网络的主要特征之一。 学****规则是修正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变化。 在学****过程中， 执行学****规则，修正加权系数。 在工作期内， 由学****所得的连接加权系数参与