【摘要】：隨著工業(yè)控制的發(fā)展,出現(xiàn)了控制領(lǐng)域很重要的控制方式之一:PID控制.PID具有很強的適用性,魯棒性強等特點.人們對人工神經(jīng)網(wǎng)絡(luò)進行了改進與完善,學者希望將神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合,以此來改進傳統(tǒng)PID控制的缺陷.舒懷林教授提出了一種新的神經(jīng)網(wǎng)絡(luò)PIDNN,希望把兩者的優(yōu)點結(jié)合在一起,能夠較好的發(fā)揮各自的優(yōu)勢.但是也出現(xiàn)了一些問題:隱含層節(jié)點的選取,連接權(quán)值任意以及易陷入局部極小等,影響了控制的應(yīng)用推廣.因此,為了可以更好的實現(xiàn)PIDNN的應(yīng)用和推廣,對其進行研究和改進就有非常重要的意義.首先分析了課題研究的背景和意義,國內(nèi)外學者研究的一些現(xiàn)狀及分析,同時也敘述了國內(nèi)外研究現(xiàn)狀存在的一些問題,比如:收斂時間慢,學習時間長,權(quán)值連接任意等問題.然后闡述了BP神經(jīng)網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)的算法表示以及算法程序的實現(xiàn),接著描述了PID神經(jīng)網(wǎng)絡(luò)的原理與算法等相關(guān)問題,包括PIDNN前向算法和誤差反向傳播算法,對PID神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進行了分析.其次介紹了PID神經(jīng)網(wǎng)絡(luò)中的動量項,主要是誤差反向傳播法以及存在的問題,著重分析了附加動量項法,自適應(yīng)學習率法.對動量項迭代法進行了改進,在上述的基礎(chǔ)上進行了仿真,結(jié)果表明收斂速度加快,誤差更小.對激勵函數(shù)進行了分析,介紹了幾種常用的激勵函數(shù)以及很多學者對激勵函數(shù)的改進.在前面學者的啟發(fā)下,提出了一種激勵函數(shù),進行了改進,并用仿真實驗證明了其有效性,實現(xiàn)了激勵函數(shù)的動態(tài)性,擴大了系統(tǒng)的控制范圍,避免了麻痹現(xiàn)象的產(chǎn)生.最后對本文研究的內(nèi)容進行了總結(jié)和對未來進行了展望,指出以后要研究的前景與方向.
【圖文】：

第二章 PID 神經(jīng)網(wǎng)絡(luò)預(yù)備知識第二章 PID 神經(jīng)網(wǎng)絡(luò)預(yù)備知識神經(jīng)網(wǎng)絡(luò)是一種簡化和模擬大腦生物的計算模型結(jié)構(gòu)，能夠自學動力系統(tǒng). 現(xiàn)在很多專家已經(jīng)建立了很多種神經(jīng)網(wǎng)絡(luò)模型，影響他；神經(jīng)元，而他們之間的連接方式是一種拓撲結(jié)構(gòu).神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)元是神經(jīng)網(wǎng)絡(luò)處理信息的基本單位，其中神經(jīng)元包括下面幾個要素突出或者叫聯(lián)接，一般用ijw 表示，神經(jīng)元與神經(jīng)元之間的強度，反映生物神經(jīng)元的輸入信號累加器.

圖 2-2 BP 神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)圖Figure 2-2 BP Neural Network topological structure法的數(shù)學表示的思想是：學習過程的信號由正向傳播和誤差反向傳播組成，，通過輸入層和隱含層的處理，最后在輸出層得到每個單元的段是假如實際輸出層與期望的輸出層偏差很大，則反向計算實，，然后分給所有的單元，從而獲得各層之間的誤差信號，再修誤差達到我們的期望值，則網(wǎng)絡(luò)的學習就結(jié)束了.P 網(wǎng)絡(luò)的輸入層有M 個節(jié)點，隱含層Q 個節(jié)點，輸出層L個節(jié)個神經(jīng)元節(jié)點與隱含層第 j 個神經(jīng)元之間的權(quán)值，jkw 是隱含層k 個節(jié)點之間的權(quán)值，假設(shè)隱含層和輸出層的傳遞函數(shù)分別為
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP183;TP273

【參考文獻】

相關(guān)期刊論文 前10條

1 袁路路;張娓娓;;智能軌跡控制割草機器人設(shè)計——基于FPGA神經(jīng)網(wǎng)絡(luò)[J];農(nóng)機化研究;2017年04期

2 陸興華;詹世尉;余文權(quán);黃臣煒;;改進PID的無人機飛行姿態(tài)角控制消顫算法[J];傳感器與微系統(tǒng);2017年03期

3 朱麗娟;;基于灰色PID的DVD光學頭控制與優(yōu)化[J];激光雜志;2016年08期

4 張桐銘;劉延飛;趙鵬濤;田琦;;基于PID神經(jīng)網(wǎng)絡(luò)的智能車追逐控制系統(tǒng)研究[J];科技與創(chuàng)新;2016年15期

5 白國振;俞潔皓;;基于改進模糊神經(jīng)網(wǎng)絡(luò)的PID參數(shù)自整定[J];計算機應(yīng)用研究;2016年11期

6 付子義;孫杰;;基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PID控制器研究[J];軟件導(dǎo)刊;2015年12期

7 周修理;江麗麗;李艷軍;毛先峰;梁煜;馮江;;基于神經(jīng)網(wǎng)絡(luò)PID的牧草烘干機控制系統(tǒng)研究[J];農(nóng)機化研究;2016年03期

8 張敏;徐啟華;;基于改進BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J];軟件;2015年07期

9 秦剛;張翔洲;周振東;;基于灰色PID控制的智能車差速轉(zhuǎn)向系統(tǒng)研究[J];機電工程;2015年02期

10 劉威葳;;并聯(lián)有源電力濾波器專家PID控制及仿真分析[J];大功率變流技術(shù);2015年01期

相關(guān)碩士學位論文 前10條

1 梁玉婷;PID神經(jīng)網(wǎng)絡(luò)多變量控制算法的研究與改進[D];廣東工業(yè)大學;2016年

2 周楚;基于DSP的數(shù)字PID控制DC-DC變換器的設(shè)計[D];華中師范大學;2015年

3 涂川川;基于BP神經(jīng)網(wǎng)絡(luò)PID控制的溫室環(huán)境控制系統(tǒng)的仿真研究[D];吉林農(nóng)業(yè)大學;2012年

4 盧萍;基于神經(jīng)網(wǎng)絡(luò)PID控制器的研究[D];廣東工業(yè)大學;2012年

5 劉天舒;BP神經(jīng)網(wǎng)絡(luò)的改進研究及應(yīng)用[D];東北農(nóng)業(yè)大學;2011年

6 劉迪;基于神經(jīng)網(wǎng)絡(luò)的PID控制算法[D];黑龍江大學;2008年

7 劉益民;基于改進BP神經(jīng)網(wǎng)絡(luò)的PID控制方法的研究[D];中國科學院研究生院（西安光學精密機械研究所）;2007年

8 路桂明;基于模糊PID控制的電鍋爐溫度控制系統(tǒng)的研究[D];哈爾濱理工大學;2007年

9 汪璇炫;模糊PID控制在工業(yè)過程控制中的應(yīng)用研究[D];合肥工業(yè)大學;2005年

10 鄭高峰;帶動量項的BP神經(jīng)網(wǎng)絡(luò)收斂性分析[D];大連理工大學;2005年

本文編號：2529391