基于BP神经网络的PID研究和改进

发布时间：2019-08-26 15:08

【摘要】：随着工业控制的发展,出现了控制领域很重要的控制方式之一:PID控制.PID具有很强的适用性,鲁棒性强等特点.人们对人工神经网络进行了改进与完善,学者希望将神经网络与PID控制相结合,以此来改进传统PID控制的缺陷.舒怀林教授提出了一种新的神经网络PIDNN,希望把两者的优点结合在一起,能够较好的发挥各自的优势.但是也出现了一些问题:隐含层节点的选取,连接权值任意以及易陷入局部极小等,影响了控制的应用推广.因此,为了可以更好的实现PIDNN的应用和推广,对其进行研究和改进就有非常重要的意义.首先分析了课题研究的背景和意义,国内外学者研究的一些现状及分析,同时也叙述了国内外研究现状存在的一些问题,比如:收敛时间慢,学习时间长,权值连接任意等问题.然后阐述了BP神经网络,BP神经网络的算法表示以及算法程序的实现,接着描述了PID神经网络的原理与算法等相关问题,包括PIDNN前向算法和误差反向传播算法,对PID神经网络的稳定性进行了分析.其次介绍了PID神经网络中的动量项,主要是误差反向传播法以及存在的问题,着重分析了附加动量项法,自适应学习率法.对动量项迭代法进行了改进,在上述的基础上进行了仿真,结果表明收敛速度加快,误差更小.对激励函数进行了分析,介绍了几种常用的激励函数以及很多学者对激励函数的改进.在前面学者的启发下,提出了一种激励函数,进行了改进,并用仿真实验证明了其有效性,实现了激励函数的动态性,扩大了系统的控制范围,避免了麻痹现象的产生.最后对本文研究的内容进行了总结和对未来进行了展望,指出以后要研究的前景与方向.
【图文】：

第二章 PID 神经网络预备知识第二章 PID 神经网络预备知识神经网络是一种简化和模拟大脑生物的计算模型结构，能够自学动力系统. 现在很多专家已经建立了很多种神经网络模型，影响他；神经元，而他们之间的连接方式是一种拓扑结构.神经网络的理论基础元是神经网络处理信息的基本单位，其中神经元包括下面几个要素突出或者叫联接，一般用ijw 表示，神经元与神经元之间的强度，反映生物神经元的输入信号累加器.

图 2-2 BP 神经网络的拓扑结构图Figure 2-2 BP Neural Network topological structure法的数学表示的思想是：学习过程的信号由正向传播和误差反向传播组成，，通过输入层和隐含层的处理，最后在输出层得到每个单元的段是假如实际输出层与期望的输出层偏差很大，则反向计算实，，然后分给所有的单元，从而获得各层之间的误差信号，再修误差达到我们的期望值，则网络的学习就结束了.P 网络的输入层有M 个节点，隐含层Q 个节点，输出层L个节个神经元节点与隐含层第 j 个神经元之间的权值，jkw 是隐含层k 个节点之间的权值，假设隐含层和输出层的传递函数分别为
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP183;TP273

【参考文献】

相关期刊论文 前10条

1 袁路路;张娓娓;;智能轨迹控制割草机器人设计——基于FPGA神经网络[J];农机化研究;2017年04期

2 陆兴华;詹世尉;余文权;黄臣炜;;改进PID的无人机飞行姿态角控制消颤算法[J];传感器与微系统;2017年03期

3 朱丽娟;;基于灰色PID的DVD光学头控制与优化[J];激光杂志;2016年08期

4 张桐铭;刘延飞;赵鹏涛;田琦;;基于PID神经网络的智能车追逐控制系统研究[J];科技与创新;2016年15期

5 白国振;俞洁皓;;基于改进模糊神经网络的PID参数自整定[J];计算机应用研究;2016年11期

6 付子义;孙杰;;基于BP神经网络优化的PID控制器研究[J];软件导刊;2015年12期

7 周修理;江丽丽;李艳军;毛先峰;梁煜;冯江;;基于神经网络PID的牧草烘干机控制系统研究[J];农机化研究;2016年03期

8 张敏;徐启华;;基于改进BP的神经网络模型参考自适应控制[J];软件;2015年07期

9 秦刚;张翔洲;周振东;;基于灰色PID控制的智能车差速转向系统研究[J];机电工程;2015年02期

10 刘威葳;;并联有源电力滤波器专家PID控制及仿真分析[J];大功率变流技术;2015年01期

相关硕士学位论文 前10条

1 梁玉婷;PID神经网络多变量控制算法的研究与改进[D];广东工业大学;2016年

2 周楚;基于DSP的数字PID控制DC-DC变换器的设计[D];华中师范大学;2015年

3 涂川川;基于BP神经网络PID控制的温室环境控制系统的仿真研究[D];吉林农业大学;2012年

4 卢萍;基于神经网络PID控制器的研究[D];广东工业大学;2012年

5 刘天舒;BP神经网络的改进研究及应用[D];东北农业大学;2011年

6 刘迪;基于神经网络的PID控制算法[D];黑龙江大学;2008年

7 刘益民;基于改进BP神经网络的PID控制方法的研究[D];中国科学院研究生院（西安光学精密机械研究所）;2007年

8 路桂明;基于模糊PID控制的电锅炉温度控制系统的研究[D];哈尔滨理工大学;2007年

9 汪璇炫;模糊PID控制在工业过程控制中的应用研究[D];合肥工业大学;2005年

10 郑高峰;带动量项的BP神经网络收敛性分析[D];大连理工大学;2005年

本文编号：2529391