单神经元自适应PID控制算法.doc

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,具有自学习和自适应能力,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。-Pitts模型的人工神经元,如图2-1所示。对于第i个神经元,是神经元接收到的信息,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”,用来表示。根据不同的运算方式,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(Stateofactivation)。这样,上述模型的数学表达式为式(2-2)。(2-1)(2-2)式中,——神经元i的阈值。……图2-。学习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。在学习过程中,执行学习规则,修正加权系数。在工作期内,由学习所得的连接加权系数参与计算神经元的输出。学习算法可分为有监督学习和无监督学习两类。有监督学习是通过外部教师信号进行学习,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。无监督学习则没有外部教师信号,其学习表现为自适应与输入空间的检测规则,其学习过程为对系统提供动态输入信号,使各个单元以某种方式竞争,获胜的神经元本身或相邻域得到增强,其他神经元则进一步被抑制,从而将信号空间分为有用的多个区域。常用的三种主要规则:1、无监督Hebb学习规则Hebb学习是一类相关学习,它的基本思想是:如果神经元同时兴奋,则它们之间的连接强度的增强与它们的激励的乘积成正比。用表示单元i的激活值(输出),表示单元j的激活值,表示单元j到单元i的连接加权系数,则Hebb学习规则可用下式表示:(2-3)式中—