BP神经网络与PID控制的结合

BP神经网络与PID控制的结合神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。生物神经网络主要是指人脑的神经网络。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约1011个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。神经网络人工神经网络（ArtificialNeuralNetwork，即ANN），是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。所以它的技术原型就是自然神经网络。在工程与学术界也常直接简称为神经网络或类神经网络。人工神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。最近主要应用于模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域，解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。人工神经网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。输入层隐含层输出层典型神经网络结构人工神经网络具有四个基本特征：（1）非线性：非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。（2）非局限性：一个神经网络通常由多个神经元广泛连接而成。通过单元之间的大量连接模拟大脑的非局限性。（3）非常定性：人工神经网络具有自适应、自组织、自学习能力。在处理信息的同时，本身也在不断变化。（4）非凸性：一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。这将导致系统演化的多样性。BP神经网络BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。信息正向传播3层BP神经网络结构图权值是这条路径的实现概率。在每层神经元和相邻层的连接路径。阀值是临界值，当外界刺激达到一定的阀值时，神经元才会受刺激，影响下一个神经元。在每个神经元上。（输入层神经元没有）BP神经网络权值与阈值的初值一般是随机产生的。误差反向传播BP神经网络要用到BP算法。BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。BP算法的思想：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。PID控制PID控制器（比例-积分-微分控制器）是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。PID控制器作为最早实用化的控制器已有近百年历史，现在仍然是应用最广泛的工业控制器。它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制主要技术之一。PID控制算法分位置式和增量式两种，工程上常用的为增量式PID控制算法。其输入e（t）与输出u（t）的关系为：式中：Kp为比例系数；Ki为积分时间系数；Kd为微分时间系数。用途：当被控对象结构和参数不能完全掌握，或不到精确数学模型时，控制理论其它技术难以采用时，系统控制器结构和参数必须依靠经验和现场调试来确定。即当我们不完全了解一个系统和被控对象﹐或不能有效测量手段来获系统参数时，最适合用PID控制技术。todiPdttdeKteKteKtu)()()()(BP神经网络与PID控制的结合BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明了。通过神经网络自学习的能力，可以找到某一最优控制规律下的P、I、D参数。BP神经网络与PID控制结合后的控制器有两部分组成：(1)经典的PID控制器，直接对被控对象过程闭环控制，并且三个参数Kp，Ki，Kd为在线整定式。(2)神经网络：根据系统的运行状态，调节PID控制的参数，以期望达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个参数Kp，Ki，Kd，通过神经网络的自身学习、调整权值，从而使其稳定状态对应于某种最优控制规律下的PID控制参数。BP神经网络与PID控制结合后的控制器结构其中，BPNN为BP神经网络。被控对象BPNN学习算法数字PID控制器KpKiKdreuy-设控制器中的BP神经网络是一个3层BP网络，有M个输入节点，Q个隐层节点、3个输出节点。输入节点对应系统运行的状态，如系统不同时刻的输入量和输出量等，必要时进行归一化处理。输出节点分别对应PID控制器的3个可调参数KP、Ki、Kd。BP神经网络与PID控制结合的算法可归纳为：（1）确定BP网络的结构，给出各层加权系数的初值，选定学习速率和惯性系数，此时神经元的比例系数为1；采样得到r(k)和y(k)，计算该时刻误差e(k)=r(k)-y(k)。（2）计算神经网络各层神经元的输入、输出，输出为PID控制器的三个可调参数Kp、Ki、Kd；根据增量式数字PID控制算法计算PID控制器的输出u(k)；进行神经网络学习，在线调整权值，实现PID控制参数的自适应调整。（3）置k=k+1，返回到（1）。总结将神经网络与PID控制相结合，利用神经网络的自学习能力和逼近任意函数的能力，可在线进行PID参数调整，有效地控制较复杂的被控对象，大大改善了常规PID控制器的性能，同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。所以BP神经网络PID控制比传统的PID控制具有更好的控制特性。