神经网络PID控制资料.ppt

31 ? ? ? ? ） ＋ ＝ ＋ 式可改写为 。这时 来代替 从而可实现用 预测输出为 ） － ＋ － ＝ ： 出参数向量 用最小二乘法在线估计 25 ( 3 , 2 , 1 ) ( ) ( ) ( ) ( ) 1 ( ? ) 1 ( ) ( ) ( ) 1 ( ) 20 ( ) ( ) 1 ( ) ( ) 1 ( ? ) 24 ( ) ( ? ) ( ) 1 ( ? 23 ( ) 1 ( ) 1 ( ) ( 1 ) ( ) 1 ( ) 1 ( ) 1 ( 1 ) 1 ( ) 1 ( ) ( )] 1 ( ? ) 1 ( ) ( )[ ( ) 1 ( ? ) ( ? ) ( ? ) 3 ( ) 3 ( ) 3 ( ) 3 ( ) 2 ( ) 3 ( ) 3 ( ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? l k net g k O k u k u k y k e k k O k k u k y k u k y k k k y k P k k K k P k k P k k k P k K k k k y k K k k k l l l li i l li T T T T ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? 32 ); 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( . 7 ), ( ) 12 ( . 6 ) 15 ( ~ ) 13 ( . 5 ) 1 , , 1 , )( ( ) 1 ( ) ( ) ( . 4 ); ( ) ( ) ( ) ( ) ( . 3 ) ( ? . 2 ; 0 ) 0 ( ) 0 ( . 1 ) 3 ( ) 2 ( ＋ ＋ ＋ ，计算 ＋ 和 ＋ 采样得 参与控制和计算； 控制器的输出 式计算 根据 ； 、 、 控制器的三个可调参数 输出层的输出即为 输出， 的各层神经元的输入和 式前向计算 根据 的输入； 一化处理，作为 进行归 、 、 、 对 ，计算 和 采样得 ； 出参数向量 用线性系统辨识法估计 ， 和动量系数 选定学习速率 ， 、 初值 ，并给出各层权系数的 节点数 和隐含层 入层节点数 网络的结构，即选定输 选定 控制算法可归纳如下： 经网络 采用线性预测模型的神 k y k r k e k y k r k u PID K K K PID NN NN NN M k k i i e i u i y i r k y k r k e k y k r k k Q M BP PID D I P li ij ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1 4.3.4 神经网络 PID 控制 图一 神经网络 PID 控制系统结构图 一、方案一 2 ) ( ) ( 1 k e k x ? ) 1 ( ) ( ) ( ) ( 2 ? ? ? ? ? k e k e k e k x ) 2 ( ) 1 ( 2 ) ( ) ( ) ( 2 3 ? ? ? ? ? ? ? k e k e k e k e k x ) ( ) ( ) ( k y k r k e ? ? ? ? 控制的结构。 具有增量 加权和。由此可见， 为输入信号的 为权系数， 式中 的输出为： PID NNC k u i k k x k k x k k x k k u NNC i ) ( 3 , 2 , 1 , ) ( ) ( ) ( ) ( 3 3 2 2 1 1 ? ? ? ? ? ? 3 ? ? ? ? ? ? 3 , 2 , 1 , 1 0 1 ) ( ) ( ) 1 ( ) 1 ( ) 1 ( ) ( ) ( 3 , 2 , 1 , ) 1 ( ) 1 ( 2 1 2 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? i k x k u k y k y k r k k J k k i k k y k r J i i c i i c ? ? ? ? 为学习速率， ） （ 。则 的最小化来训练权系数 采用性能指标 4 ? ? ? ? ? ? ? ? ? ? ) 3 ( ) 1 ( , ), 1 ( ), ( ), 1 ( , ), 1 ( ), ( ) 1 ( ) ( ) ( 2 ) ( , ), 2 ( ), 1 ( ), ( , ), 2 ( ), 1 ( ) ( ) ( ) 1 ( ? ) ( ) 1 ( ) ( ) 1 ( ＋ ＋ 改写为 为非线性函数。上式可 的阶次； 和 为 、 为系统输出和输入； ， 式中， ） （ 模型为 数学 输出的非线性系统，其 设被控对象为