BP神經(jīng)網(wǎng)絡(luò)算法的改進及其在PID控制中的應(yīng)用研究.pdf

1、作為人工智能的重要組成部分，人工神經(jīng)網(wǎng)絡(luò)有較大的應(yīng)用潛力。本文在闡述了神經(jīng)網(wǎng)絡(luò)的發(fā)展、現(xiàn)狀、基本原理及其在自動控制中的應(yīng)用的基礎(chǔ)上，主要研究BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與算法及其在PID控制中的應(yīng)用。 BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用較多的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它能以任意精度逼近任意非線性函數(shù)，而且具有良好的逼近性能，并且結(jié)構(gòu)簡單，是一種性能優(yōu)良的神經(jīng)網(wǎng)絡(luò)。因此，BP神經(jīng)網(wǎng)絡(luò)在運用于PID控制時具有其獨特的優(yōu)勢。 本文研究了BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理

2、論，詳細分析了幾種流行的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的優(yōu)缺點。針對一般BP算法收斂速度慢，易陷入局部極小值的缺陷，本文受Fletcher-Reeves線性搜索方法的指引，提出了基于改進共軛梯度法的BP算法。本文從理論方面對算法進行了深入的分析，介紹了算法的詳細思路和具體過程。并將算法訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)運用到函數(shù)逼近中去。仿真結(jié)果表明，這種改進方案確實能夠改善算法在訓(xùn)練過程中的收斂特性，而且提高收斂速度，取得令人滿意的逼近效果。 將BP

3、神經(jīng)網(wǎng)絡(luò)運用于PID控制中，能夠有效克服經(jīng)典PID控制器在被控對象具有非線性、時變不確定性和難以建立精確的數(shù)學(xué)模型時出現(xiàn)的參數(shù)整定不良和性能欠佳等缺陷。本文在研究了基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器結(jié)構(gòu)和算法的基礎(chǔ)上，用改進共軛梯度算法對神經(jīng)網(wǎng)絡(luò)PID控制器參數(shù)進行在線整定，提出了一種基于改進BP神經(jīng)網(wǎng)絡(luò)的PID控制方法。仿真結(jié)果表明，這種改進方案不僅能夠提高算法在訓(xùn)練過程中的收斂速度，而且訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)具有較強的自適應(yīng)和自學(xué)習(xí)能力，