BP神经网络控制算法在AFM中的应用研究

发布时间：2020-07-22 23:42

【摘要】：原子力显微镜从研发之初至今作为纳米领域重要的研究工具之一,始终起着举足轻重的作用。目前商用的AFM控制系统一般采用PID控制算法实现对压电陶瓷驱动器的精密控制。但是压电陶瓷具有复杂的非线性特性,简单的PID控制器难以实现对压电陶瓷驱动器的精密控制,不仅影响原子力显微镜的扫描速度,也影响其测试精度。因此许多团队通过改进压电陶瓷驱动器及控制算法来优化原子力显微镜系统。相比改进压电陶瓷而言优化控制器算法具有成本低,适用性广等优点。本文针对目前原子力显微镜的发展现状,进一步做了总结分析,针对常规的PID算法以及BP神经网络的不足,分别做出了相应的改进,并将两者相结合从而得到更加智能化的控制方法。引入BP神经网络之后的智能控制算法可以体现出参数自学习、自整定以及自适应的优势,应用于原子力显微镜控制系统中可以使AFM获得自学习的能力,从而增强其系统的实时性以及精确性。通过对压电陶瓷的精密控制可使得扫描所得图像质量更好,且可使系统具有更强的鲁棒性。AFM的仿真系统可以为其研究提供方便快捷的第一手资料,对于该方面的研究也是微纳领域的一个重点研究方向。构建了AFM仿真平台,分析了其基本工作原理和系统中执行机构的非线性以及时变性,用Simulink结合S函数实现了AFM在接触以及轻敲两种工作模式下的过程仿真,分析并模拟样品表面形貌信号,在该平台上对结合BP神经网络的改进PID算法进行了验证。
【学位授予单位】：长春理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TH742
【图文】：

微观领域,隧道电流,面人,量子隧道效应

STM）基础上发展起来的，早在 1981 年，Gerd Binning 和 Heinrieh发了世界上第一台扫描隧道显微镜，并识别了 Si(111)-7×7 表面原子[13]。基于量子隧道效应的STM可以在原子级别分辨率上测量样品表面人们可以在微观领域观察到原子的排布以及表面电子的实时行为。S功标志着人类对微观领域的研究迈出了成功的一步，这项发明对于领域有着里程碑式的意义。其工作原理如图 1.1 所示，隧道电流的表1-1）描述。12A f lI V ∝ 中V 代表偏置电压；A为常数，真空条件下约为 1；f 代表表面平均功针尖到样品表面的距离； I 表示隧道电流。

原子力显微镜,院士,功能,样品

图 1.2 NX-10 型原子力显微镜arch 公司生产的 MFP-3D 系列 AFM 由于采用了一代原子力显微镜的代表”在业界受到一致好评 80 年代末，在白春礼院士指导下成功研制了描探针显微镜的研究当中，且扮演着越来越重PM5500 集成有AFM、LFM 以及STM，且具有一纳超大样品的功能。

历程,智能控制,控制理论

1.4.2 智能控制的发展智能控制的出现使得控制理论达到了一个新的高度，如图1.3所示为控制理论的发展历程[23]。开环控制反馈控制最优控制随机控制自适应控制自学习控制智能控制对象复杂度图 1.3 控制理论的发展历程人工智能的浪潮对控制理论的影响由来已久，早在1965年，美国科学家傅京逊首次将AI技术与控制理论相结合，把AI的启发推理规则用于控制理论当中，后来在1971年论述了二者之间的关系。同样在1965年，Zadeh发表了“模糊集合”，为模糊控制理论奠定了坚实的基础。基于前人的研究成果，1977年G.N.Saridis在智能控制领域引入了运筹学

【参考文献】