文档介绍：ii
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
应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。
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，xi、X2、……、xn是神经元接收到的信 息，宀1、「2、…、"N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
ii
“净输入”，用neti来表示。根据不同的运算
4
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
n eti 八• ■风-二 i
(2-1)
yi 二 g(neti) (2-2)
式中，二i ――神经元i的阈值
图2-1单神经元模型示意图
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<br****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计算神经 元的输出。学****算法可分为有监督学****和无监督学****两类。 有监督学****是通过外 部教师信号进行学****即要求同时给出输入和正确的期望输出的模式对， 当计算
结果与期望输出有误差时，网络将通过自动调节机制调节相应的连接强度， 使之 向误差减小的方向改变，经过多次重复训练，最后与正确的结果相符合。无监督
4
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