畢業(yè)論文基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器設(shè)計2008年6月基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器設(shè)計摘要：本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法，充分利用BP神經(jīng)網(wǎng)絡(luò)逼近任意連續(xù)有界非線性函數(shù)的能力，這種PID控制方法能學(xué)習(xí)和適應(yīng)嚴(yán)重不確定系統(tǒng)的動態(tài)特性。文中采用三層前向網(wǎng)絡(luò)動態(tài)BP算法，達(dá)到了在線實(shí)時控制的目的，顯示了BP神經(jīng)網(wǎng)絡(luò)的PID控制方法具有很強(qiáng)的魯棒性，同時也顯示了神經(jīng)網(wǎng)絡(luò)在解決高度非線性和不確定系統(tǒng)方面的潛能。計算機(jī)仿真結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制較常規(guī)的PID控制具有更好的魯棒性和自適應(yīng)性，能取得良好的控制效果。關(guān)鍵字：BP算法，神經(jīng)網(wǎng)絡(luò)，PID控制

ResearchonPIDControlBasedonBPNeuralNetworksAbstract:APIDcontrolbasedonBPneuralnetworks,isintroducedinthispaper,whichisusedtooptimizeandadjustthedynamicperformanceofseriouslyuncertainsystembyexploitingthenonlinearmappingcapabilityofneuralnetworks.ThedynamicBPalgorithmofthree-layernetworksrealizestheonlinereal-timecontrol,whichdisplaystherobustnessofthePIDcontrol,andthecapabilityofBPneuralnetworkstodealwithnonlinearanduncertainsystem.ThesimulationresultsshowthatthePIDcontrolbasedonBPneuralnetworksownsbetterrobustnessandself-adaptationthanthegeneralone,andthegreatperformanceofcontrolcanbeguaranteed.Keywords:BPalgorithm,neuralnetworks,PIDcontrol目錄1 緒論 11.1引言 11.2國內(nèi)外研究現(xiàn)狀 11.3論文研究內(nèi)容 22PID控制原理 42.1自動控制系統(tǒng) 4２.2PID控制的原理和特點(diǎn) 4２.3PID控制器的參數(shù)整定 5２.4數(shù)字PID控制 63BP神經(jīng)網(wǎng)絡(luò) 73.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 73.1.1神經(jīng)網(wǎng)絡(luò)產(chǎn)生的背景 73.1.2神經(jīng)網(wǎng)絡(luò)的發(fā)展 73.1.3神經(jīng)網(wǎng)絡(luò)的發(fā)展前景 103.1.4神經(jīng)網(wǎng)絡(luò)的意義 113.2BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其原理 133.2.1神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 133.2.2基于BP算法的三層前向網(wǎng)絡(luò)的PID控制方案。 133.2.3BP學(xué)習(xí)算法的改進(jìn) 194基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器設(shè)計 224.1總體設(shè)計 224.2MTALAB程序及仿真 234.2.1MATLAB簡介 234.2.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真程序 264.2.3仿真結(jié)果 274.2.4仿真結(jié)果分析 29結(jié)束語 30附錄仿真程序 31參考文獻(xiàn) 35致謝 37緒論1.1引言PID控制是最早發(fā)展起來的應(yīng)用經(jīng)典控制理論的控制策略之一，由于算法簡單，魯棒性好和可靠性高，被廣泛應(yīng)用于工業(yè)過程并取得了良好的控制效果，尤其適用于建立精確數(shù)學(xué)模型的確定性控制系統(tǒng)。然而實(shí)際工業(yè)生產(chǎn)過程往往具有非線性，時變不確定性，難以建立精確的數(shù)學(xué)模型，應(yīng)用常規(guī)PID控制器不能達(dá)到理想的控制效果，而且在實(shí)際生產(chǎn)現(xiàn)場中，由于受到參數(shù)整定方法繁雜的困擾，常規(guī)PID控制器參數(shù)往往整定不良，性能欠佳，對運(yùn)行工況的適應(yīng)性很差[1]。神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用提高了整個系統(tǒng)的信息系統(tǒng)處理能力和適應(yīng)能力，提高了系統(tǒng)的智能水平。此外，神經(jīng)網(wǎng)絡(luò)是由大量反映非線性本質(zhì)特征的神經(jīng)元互相連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它具有并行計算和分布式數(shù)據(jù)處理的功能,可實(shí)時處理大量數(shù)據(jù)，具有逼近任意連續(xù)有界非線性函數(shù)的能力，對于非線性系統(tǒng)和不確定性系統(tǒng)，無疑是一種解決問題的有效途徑。人工神經(jīng)網(wǎng)絡(luò)是由簡單的處理單元所組成的大量并行分布的處理器，這種處理機(jī)具有存儲和應(yīng)用經(jīng)驗知識的自然特性，它與人腦的相似之處概括為兩個方面：一是通過學(xué)習(xí)過程利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識；二是內(nèi)部神經(jīng)元（突觸權(quán)值）用來存儲獲取的知識信息[2]。BP（ErrorBackPropagationNetwork）神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一。其基本思想是，學(xué)習(xí)過程由信號的正向傳播與誤差的反響傳播兩個過程組成。正向傳播時輸入樣本從輸入曾傳入，經(jīng)隱藏層依次處理后傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)向誤差的反向傳播階段。誤差的反向傳播是將輸出單元的誤差以某種形式通過隱藏層向輸入層依次反傳，并將誤差信號攤分給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元的權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)過程。學(xué)習(xí)過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減小到可以接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。1.2國內(nèi)外研究現(xiàn)狀近來人工神經(jīng)網(wǎng)絡(luò)成為研究領(lǐng)域的熱點(diǎn)，涉及到電子科學(xué)與技術(shù)、信息與通行工程、計算機(jī)科學(xué)與技術(shù)、電氣工程控制科學(xué)與技術(shù)等諸多科學(xué)，其應(yīng)用領(lǐng)域包括：建模時間、序列分析、模式識別和控制等并不斷的拓展。

按照MritinT.Hagen等人的總結(jié)，神經(jīng)網(wǎng)絡(luò)在現(xiàn)實(shí)生活中的用用有：（1）宇宙飛船。高性能的飛行器自動駕駛、飛行軌道模擬飛行器元件錯誤檢測器。（2）汽車行業(yè)。汽車自動駕駛系統(tǒng)、保險行為分析。（3）銀行業(yè)。支票和其他文檔閱覽器貸款評估器。（4）國防領(lǐng)域。武器操縱控制、目標(biāo)跟蹤、物體識別、各種新的傳感器。（5）電子領(lǐng)域。編碼序列預(yù)測、集成電路芯片的設(shè)計、過程控制芯片、故障分析、機(jī)器視覺聲音合成、非線性建模。（6）娛樂領(lǐng)域。動畫、特效設(shè)計、市場預(yù)測。（7）金融領(lǐng)域。固定資產(chǎn)評估、貸款顧問、抵押審查公司、保證信譽(yù)度、賒賬分析、有價資產(chǎn)貿(mào)易規(guī)劃、合法資產(chǎn)分析、貨幣價格預(yù)測。（8）保險領(lǐng)域。政策方針評估、產(chǎn)品最優(yōu)化。（9）制造業(yè)。生產(chǎn)過程控制、產(chǎn)品設(shè)計與分析、適時粒子分析、可視化質(zhì)量檢測系統(tǒng)、啤酒檢測、焊接質(zhì)量分析、紙張質(zhì)量預(yù)測、計算機(jī)芯片質(zhì)量分析、研磨操作分析、化學(xué)產(chǎn)品質(zhì)量分析、機(jī)器保養(yǎng)分析、項目招標(biāo)計劃和管理化學(xué)過程系統(tǒng)的動態(tài)分析。（10）醫(yī)藥領(lǐng)域。乳癌細(xì)胞分析、腦電圖和心點(diǎn)圖分析、修復(fù)術(shù)設(shè)計、移植時間最優(yōu)化、醫(yī)院開支的削減、醫(yī)療質(zhì)量的提高、急救室建議。（11）石油和天然氣勘探。（12）機(jī)器人。運(yùn)動軌線控制鏟車機(jī)器人操縱控制器視覺系統(tǒng)。（14）有價證券。市場分析股票商業(yè)顧問自動債券估價。（15）電信領(lǐng)域。圖像和數(shù)據(jù)壓縮、自動信息服務(wù)、實(shí)習(xí)語音翻譯、顧客付款處理系統(tǒng)。(16)交通領(lǐng)域。卡車制動器檢測系統(tǒng)、汽車調(diào)度和路線系統(tǒng)。相信隨著神經(jīng)網(wǎng)絡(luò)研究的進(jìn)一步深入，特別是神經(jīng)網(wǎng)絡(luò)作為一種智能方式同其他科學(xué)領(lǐng)域更加緊密的結(jié)合，神經(jīng)網(wǎng)絡(luò)的應(yīng)用前景將更加廣闊[3]。1.3論文研究內(nèi)容PID控制是工業(yè)過程控制中應(yīng)用最廣的策略之一，如何有效優(yōu)化PID控制器的參數(shù)成為重點(diǎn)關(guān)注的問題，它直接影響控制性能，影響系統(tǒng)運(yùn)行的安全和生產(chǎn)的經(jīng)濟(jì)效益。因此，提出進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器設(shè)計，采用BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)PID控制器的參數(shù)最佳整定。通過查閱參考文獻(xiàn)與相關(guān)論文，學(xué)習(xí)傳統(tǒng)PID控制器的基本原理，了解BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，掌握其基本算法，完成一個基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的設(shè)計。通過舉例，使用MATLAB仿真，分別對傳統(tǒng)PID控制器與基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的控制效果進(jìn)行比較，得出結(jié)論。

2PID控制原理2.1自動控制系統(tǒng)目前工業(yè)自動化水平已成為衡量各行各業(yè)現(xiàn)代化水平的一個重要標(biāo)志。同時，控制理論的發(fā)展也經(jīng)歷了古典控制理論、現(xiàn)代控制理論和智能控制理論三個階段。自動控制系統(tǒng)可分為開環(huán)控制系統(tǒng)和閉環(huán)控制系統(tǒng)。開環(huán)控制系統(tǒng)(open-loopcontrolsystem)是指被控對象的輸出(被控制量)對控制器的輸出沒有影響。在這種控制系統(tǒng)中，不依賴將被控量返送回來以形成任何閉環(huán)回路。閉環(huán)控制系統(tǒng)(closed-loopcontrolsystem)的特點(diǎn)是系統(tǒng)被控對象的輸出(被控制量)會返送回來影響控制器的輸出，形成一個或多個閉環(huán)。閉環(huán)控制系統(tǒng)有正反饋和負(fù)反饋，若反饋信號與系統(tǒng)給定值信號相反，則稱為負(fù)反饋，若極性相同，則稱為正反饋，一般閉環(huán)控制系統(tǒng)均采用負(fù)反饋，又稱負(fù)反饋控制系統(tǒng)。閉環(huán)控制系統(tǒng)的例子很多。比如人就是一個具有負(fù)反饋的閉環(huán)控制系統(tǒng)，眼睛便是傳感器，充當(dāng)反饋，人體系統(tǒng)能通過不斷的修正最后做出各種正確的動作。如果沒有眼睛，就沒有了反饋回路，也就成了一個開環(huán)控制系統(tǒng)。另例，當(dāng)一臺真正的全自動洗衣機(jī)具有能連續(xù)檢查衣物是否洗凈，并在洗凈之后能自動切斷電源，它就是一個閉環(huán)控制系統(tǒng)。階躍響應(yīng)是指將一個階躍輸入加到系統(tǒng)上時，系統(tǒng)的輸出。穩(wěn)態(tài)誤差是指系統(tǒng)的響應(yīng)進(jìn)入穩(wěn)態(tài)后，系統(tǒng)的期望輸出與實(shí)際輸出之差?？刂葡到y(tǒng)的性能可以用穩(wěn)、準(zhǔn)、快三個字來描述。穩(wěn)是指系統(tǒng)的穩(wěn)定性，一個系統(tǒng)要能正常工作，首先必須是穩(wěn)定的，從階躍響應(yīng)上看應(yīng)該是收斂的；準(zhǔn)是指控制系統(tǒng)的準(zhǔn)確性、控制精度，通常用穩(wěn)態(tài)誤差來描述，它表示系統(tǒng)輸出穩(wěn)態(tài)值與期望值之差；快是指控制系統(tǒng)響應(yīng)的快速性，通常用上升時間來定量描述。２.2PID控制的原理和特點(diǎn)在工程實(shí)際中，應(yīng)用最為廣泛的調(diào)節(jié)器控制規(guī)律為比例、積分、微分控制，簡稱PID控制，又稱PID調(diào)節(jié)。PID控制器問世至今已有近70年歷史，它以其結(jié)構(gòu)簡單、穩(wěn)定性好、工作可靠、調(diào)整方便而成為工業(yè)控制的主要技術(shù)之一。當(dāng)被控對象的結(jié)構(gòu)和參數(shù)不能完全掌握，或得不到精確的數(shù)學(xué)模型時，控制理論的其它技術(shù)難以采用時，系統(tǒng)控制器的結(jié)構(gòu)和參數(shù)必須依靠經(jīng)驗和現(xiàn)場調(diào)試來確定，這時應(yīng)用PID控制技術(shù)最為方便。即當(dāng)我們不完全了解一個系統(tǒng)和被控對象或不能通過有效的測量手段來獲得系統(tǒng)參數(shù)時，最適合用PID控制技術(shù)。PID控制，實(shí)際中也有PI和PD控制。PID控制器就是根據(jù)系統(tǒng)的誤差，利用比例、積分、微分計算出控制量進(jìn)行控制的。在模擬控制系統(tǒng)中，控制器最常用的控制規(guī)律是PID控制。PID的控制規(guī)律為：（2.1）式中，—比例系數(shù)；—積分時間常數(shù)；—微分時間常數(shù)[4]。比例控制是一種最簡單的控制方式。其控制器的輸出與輸入誤差信號成比例關(guān)系。當(dāng)僅有比例控制時系統(tǒng)輸出存在穩(wěn)態(tài)誤差。在積分控制中，控制器的輸出與輸入誤差信號的積分成正比關(guān)系。對一個自動控制系統(tǒng)，如果在進(jìn)入穩(wěn)態(tài)后存在穩(wěn)態(tài)誤差，則稱這個控制系統(tǒng)是有穩(wěn)態(tài)誤差的或簡稱有差系統(tǒng)（SystemwithSteady-stateError）。為了消除穩(wěn)態(tài)誤差，在控制器中必須引入“積分項”。積分項對誤差取決于時間的積分，隨著時間的增加，積分項會增大。這樣，即便誤差很小，積分項也會隨著時間的增加而加大，它推動控制器的輸出增大使穩(wěn)態(tài)誤差進(jìn)一步減小，直到等于零。因此，比例+積分(PI)控制器，可以使系統(tǒng)在進(jìn)入穩(wěn)態(tài)后無穩(wěn)態(tài)誤差。在微分控制中，控制器的輸出與輸入誤差信號的微分（即誤差的變化率）成正比關(guān)系。自動控制系統(tǒng)在克服誤差的調(diào)節(jié)過程中可能會出現(xiàn)振蕩甚至失穩(wěn)。其原因是由于存在有較大慣性組件（環(huán)節(jié)）或有滯后(delay)組件，具有抑制誤差的作用，其變化總是落后于誤差的變化。解決的辦法是使抑制誤差的作用的變化“超前”，即在誤差接近零時，抑制誤差的作用就應(yīng)該是零。這就是說，在控制器中僅引入“比例”項往往是不夠的，比例項的作用僅是放大誤差的幅值，而目前需要增加的是“微分項”，它能預(yù)測誤差變化的趨勢，這樣，具有比例+微分的控制器，就能夠提前使抑制誤差的控制作用等于零，甚至為負(fù)值，從而避免了被控量的嚴(yán)重超調(diào)。所以對有較大慣性或滯后的被控對象，比例+微分(PD)控制器能改善系統(tǒng)在調(diào)節(jié)過程中的動態(tài)特性[5]。２.3PID控制器的參數(shù)整定PID控制器的參數(shù)整定是控制系統(tǒng)設(shè)計的核心內(nèi)容。它是根據(jù)被控過程的特性確定PID控制器的比例系數(shù)、積分時間和微分時間的大小。PID控制器參數(shù)整定的方法很多，概括起來有兩大類：一是理論計算整定法。它主要是依據(jù)系統(tǒng)的數(shù)學(xué)模型，經(jīng)過理論計算確定控制器參數(shù)。這種方法所得到的計算數(shù)據(jù)未必可以直接用，還必須通過工程實(shí)際進(jìn)行調(diào)整和修改。二是工程整定方法，它主要依賴工程經(jīng)驗，直接在控制系統(tǒng)的試驗中進(jìn)行，且方法簡單、易于掌握，在工程實(shí)際中被廣泛采用。PID控制器參數(shù)的工程整定方法，主要有臨界比例法、反應(yīng)曲線法和衰減法。三種方法各有其特點(diǎn)，其共同點(diǎn)都是通過試驗，然后按照工程經(jīng)驗公式對控制器參數(shù)進(jìn)行整定。但無論采用哪一種方法所得到的控制器參數(shù)，都需要在實(shí)際運(yùn)行中進(jìn)行最后調(diào)整與完善?，F(xiàn)在一般采用的是臨界比例法。利用該方法進(jìn)行PID控制器參數(shù)的整定步驟如下：(1)首先預(yù)選擇一個足夠短的采樣周期讓系統(tǒng)工作；(2)僅加入比例控制環(huán)節(jié)，直到系統(tǒng)對輸入的階躍響應(yīng)出現(xiàn)臨界振蕩，記下這時的比例放大系數(shù)和臨界振蕩周期；（3）的控制度下通過公式計算得到PID控制器的參數(shù)[6]。２.4數(shù)字PID控制計算機(jī)控制是一種采樣控制，它只能根據(jù)采樣時刻的偏差值計算控制量。因此，連續(xù)PID控制算法不能直接使用，需要采用離散化方法。當(dāng)采樣周期T較小時，可得到離散PID表達(dá)式：(2.2)式中，u(k)為控制器在k時刻的輸出，,，T為采樣周期，K為采樣序號，k=1,2,…,e(k-1)和e(k)分別為第（k-1）和第k時刻所得的偏差信號。當(dāng)執(zhí)行機(jī)構(gòu)需要的是控制量的增量時，采用增量式PID控制。利用式(2.2)用u(k)-u(k-1),并進(jìn)行一些變換，可得到增量式PID控制算法：（2.3）式中，，，。3BP神經(jīng)網(wǎng)絡(luò)3.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史3.1.1神經(jīng)網(wǎng)絡(luò)產(chǎn)生的背景自古以來，關(guān)于人類智能本源的奧秘，一直吸引著無數(shù)哲學(xué)家和自然科學(xué)家的研究熱情。生物學(xué)家、神經(jīng)學(xué)家經(jīng)過長期不懈的努力，通過對人腦的觀察和認(rèn)識，認(rèn)為人腦的智能活動離不開腦的物質(zhì)基礎(chǔ)，包括它的實(shí)體結(jié)構(gòu)和其中所發(fā)生的各種生物、化學(xué)、電學(xué)作用，并因此建立了神經(jīng)元網(wǎng)絡(luò)理論和神經(jīng)系統(tǒng)結(jié)構(gòu)理論，而神經(jīng)元理論又是此后神經(jīng)傳導(dǎo)理論和大腦功能學(xué)說的基礎(chǔ)。在這些理論基礎(chǔ)之上，科學(xué)家們認(rèn)為，可以從仿制人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能出發(fā)，研究人類智能活動和認(rèn)識現(xiàn)象。另一方面，19世紀(jì)之前，無論是以歐氏幾何和微積分為代表的經(jīng)典數(shù)學(xué)，還是以牛頓力學(xué)為代表的經(jīng)典物理學(xué)，從總體上說，這些經(jīng)典科學(xué)都是線性科學(xué)。然而，客觀世界是如此的紛繁復(fù)雜，非線性情況隨處可見，人腦神經(jīng)系統(tǒng)更是如此。復(fù)雜性和非線性是連接在一起的，因此，對非線性科學(xué)的研究也是我們認(rèn)識復(fù)雜系統(tǒng)的關(guān)鍵。為了更好地認(rèn)識客觀世界，我們必須對非線性科學(xué)進(jìn)行研究。人工神經(jīng)網(wǎng)絡(luò)作為一種非線性的、與大腦智能相似的網(wǎng)絡(luò)模型，就這樣應(yīng)運(yùn)而生了。所以，人工神經(jīng)網(wǎng)絡(luò)的創(chuàng)立不是偶然的，而是20世紀(jì)初科學(xué)技術(shù)充分發(fā)展的產(chǎn)物[7]。3.1.2神經(jīng)網(wǎng)絡(luò)的發(fā)展人工神經(jīng)網(wǎng)絡(luò)的研究始于40年代初。半個世紀(jì)以來，經(jīng)歷了興起、高潮與蕭條、高潮及穩(wěn)步發(fā)展的遠(yuǎn)為曲折的道路。1943年，心理學(xué)家W.S.Mcculloch和數(shù)理邏輯學(xué)家W.Pitts提出了M-P模型，這是第一個用數(shù)理語言描述腦的信息處理過程的模型，雖然神經(jīng)元的功能比較弱，但它為以后的研究工作提供了依據(jù)。1949年，心理學(xué)家D.O.Hebb提出突觸聯(lián)系可變的假設(shè)，根據(jù)這一假設(shè)提出的學(xué)習(xí)規(guī)律為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。1957年，計算機(jī)科學(xué)家Rosenblatt提出了著名的感知機(jī)模型，它的模型包含了現(xiàn)代計算機(jī)的一些原理，是第一個完整的人工神經(jīng)網(wǎng)絡(luò)，第一次把神經(jīng)網(wǎng)絡(luò)研究付諸工程實(shí)現(xiàn)。由于可應(yīng)用于模式識別，聯(lián)想記憶等方面，當(dāng)時有上百家實(shí)驗室投入此項研究，美國軍方甚至認(rèn)為神經(jīng)網(wǎng)絡(luò)工程應(yīng)當(dāng)比“原子彈工程”更重要而給予巨額資助，并在聲納信號識別等領(lǐng)域取得一定成績。1960年，B.Windrow和E.Hoff提出了自適應(yīng)線性單元，它可用于自適應(yīng)濾波、預(yù)測和模式識別。至此，人工神經(jīng)網(wǎng)絡(luò)的研究工作進(jìn)入了第一個高潮。1969年，美國著名人工智能學(xué)者M(jìn).Minsky和S.Papert編寫了影響很大的Perceptron一書，從理論上證明單層感知機(jī)的能力有限，諸如不能解決異或問題，而且他們推測多層網(wǎng)絡(luò)的感知機(jī)能力也不過如此，他們的分析恰似一瓢冷水，很多學(xué)者感到前途渺茫而紛紛改行，原先參與研究的實(shí)驗室紛紛退出，在這之后近10年，神經(jīng)網(wǎng)絡(luò)研究進(jìn)入了一個緩慢發(fā)展的蕭條期。這期間，芬蘭學(xué)者T.Kohonen提出了自組織映射理論，反映了大腦神經(jīng)細(xì)胞的自組織特性、記憶方式以及神經(jīng)細(xì)胞興奮刺激的規(guī)律；美國學(xué)者S.A.Grossberg的自適應(yīng)共振理論（ART）；日本學(xué)者K.Fukushima提出了認(rèn)知機(jī)模型；ShunIchimari則致力于神經(jīng)網(wǎng)絡(luò)有關(guān)數(shù)學(xué)理論的研究等，這些研究成果對以后的神經(jīng)網(wǎng)絡(luò)的發(fā)展產(chǎn)生了重要影響。美國生物物理學(xué)家J.J.Hopfield于1982年、1984年在美國科學(xué)院院刊發(fā)表的兩篇文章，有力地推動了神經(jīng)網(wǎng)絡(luò)的研究，引起了研究神經(jīng)網(wǎng)絡(luò)的又一次熱潮。1982年，他提出了一個新的神經(jīng)網(wǎng)絡(luò)模型-hopfield網(wǎng)絡(luò)模型。他在這種網(wǎng)絡(luò)模型的研究中，首次引入了網(wǎng)絡(luò)能量函數(shù)的概念，并給出了網(wǎng)絡(luò)穩(wěn)定性的判定依據(jù)。1984年，他又提出了網(wǎng)絡(luò)模型實(shí)現(xiàn)的電子電路，為神經(jīng)網(wǎng)絡(luò)的工程實(shí)現(xiàn)指明了方向，他的研究成果開拓了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶的優(yōu)化計算的新途徑，并為神經(jīng)計算機(jī)研究奠定了基礎(chǔ)。1984年Hinton等人將模擬退火算法引入到神經(jīng)網(wǎng)絡(luò)中，提出了Boltzmann機(jī)網(wǎng)絡(luò)模型，BM網(wǎng)絡(luò)算法為神經(jīng)網(wǎng)絡(luò)優(yōu)化計算提供了一個有效的方法。1986年，D.E.Rumelhart和J.LMcclelland提出了誤差反向傳播算法，成為至今為止影響很大的一種網(wǎng)絡(luò)學(xué)習(xí)方法。1987年美國神經(jīng)計算機(jī)專家R.Hecht—Nielsen提出了對向傳播神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有分類靈活，算法簡練的優(yōu)點(diǎn)，可用于模式分類、函數(shù)逼近、統(tǒng)計分析和數(shù)據(jù)壓縮等領(lǐng)域。1988年L.Ochua等人提出了細(xì)胞神經(jīng)網(wǎng)絡(luò)模型，它在視覺初級加工上得到了廣泛應(yīng)用。為適應(yīng)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，1987年成立了國際神經(jīng)網(wǎng)絡(luò)學(xué)會，并決定定期召開國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議。1988年1月NeuralNetwork創(chuàng)刊。1990年3月IEEETransactiononNeuralNetwork問世。我國于1990年12月在北京召開了首屆神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會，并決定以后每年召開一次。1991年在南京成立了中國神經(jīng)網(wǎng)絡(luò)學(xué)會。IEEE與INNS聯(lián)合召開的IJCNN92已在北京召開。這些為神經(jīng)網(wǎng)絡(luò)的研究和發(fā)展起了推波助瀾的作用，人工神經(jīng)網(wǎng)絡(luò)步入了穩(wěn)步發(fā)展的時期。90年代初，諾貝爾獎獲得者Edelman提出了Darwinism模型，建立了神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論。同年，Aihara等在前人推導(dǎo)和實(shí)驗的基礎(chǔ)上，給出了一個混沌神經(jīng)元模型，該模型已成為一種經(jīng)典的混沌神經(jīng)網(wǎng)絡(luò)模型，該模型可用于聯(lián)想記憶。Wunsch在90OSA年會上提出了一種AnnualMeeting，用光電執(zhí)行ART，學(xué)習(xí)過程有自適應(yīng)濾波和推理功能，具有快速和穩(wěn)定的學(xué)習(xí)特點(diǎn)。1991年，Hertz探討了神經(jīng)計算理論，對神經(jīng)網(wǎng)絡(luò)的計算復(fù)雜性分析具有重要意義；Inoue等提出用耦合的混沌振蕩子作為某個神經(jīng)元，構(gòu)造混沌神經(jīng)網(wǎng)絡(luò)模型，為它的廣泛應(yīng)用前景指明了道路。1992年，Holland用模擬生物進(jìn)化的方式提出了遺傳算法，用來求解復(fù)雜優(yōu)化問題。1993年方建安等采用遺傳算法學(xué)習(xí)，研究神經(jīng)網(wǎng)絡(luò)控制器獲得了一些結(jié)果。1994年Angeline等在前人進(jìn)化策略理論的基礎(chǔ)上，提出一種進(jìn)化算法來建立反饋神經(jīng)網(wǎng)絡(luò)，成功地應(yīng)用到模式識別，自動控制等方面；廖曉昕對細(xì)胞神經(jīng)網(wǎng)絡(luò)建立了新的數(shù)學(xué)理論和方法，得到了一系列結(jié)果。HayashlY根據(jù)動物大腦中出現(xiàn)的振蕩現(xiàn)象，提出了振蕩神經(jīng)網(wǎng)絡(luò)。1995年Mitra把人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論、生物細(xì)胞學(xué)說以及概率論相結(jié)合提出了模糊神經(jīng)網(wǎng)絡(luò)，使得神經(jīng)網(wǎng)絡(luò)的研究取得了突破性進(jìn)展。Jenkins等人研究光學(xué)神經(jīng)網(wǎng)絡(luò)，建立了光學(xué)二維并行互連與電子學(xué)混合的光學(xué)神經(jīng)網(wǎng)絡(luò)，它能避免網(wǎng)絡(luò)陷入局部最小值，并最后可達(dá)到或接近最理想的解；SoleRV等提出流體神經(jīng)網(wǎng)絡(luò)，用來研究昆蟲社會，機(jī)器人集體免疫系統(tǒng)，啟發(fā)人們用混沌理論分析社會大系統(tǒng)。1996年，ShuaiJW等模擬人腦的自發(fā)展行為，在討論混沌神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了自發(fā)展神經(jīng)網(wǎng)絡(luò)。1997、1998年董聰?shù)葎?chuàng)立和完善了廣義遺傳算法，解決了多層前向網(wǎng)絡(luò)的最簡拓樸構(gòu)造問題和全局最優(yōu)逼近問題。隨著理論工作的發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究也取得了突破性進(jìn)展，涉及面非常廣泛，就應(yīng)用的技術(shù)領(lǐng)域而言有計算機(jī)視覺，語言的識別、理解與合成，優(yōu)化計算，智能控制及復(fù)雜系統(tǒng)分析，模式識別，神經(jīng)計算機(jī)研制，知識推理專家系統(tǒng)與人工智能。涉及的學(xué)科有神經(jīng)生理學(xué)、認(rèn)識科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計算機(jī)科學(xué)、微電子學(xué)、光學(xué)、動力學(xué)、生物電子學(xué)等。美國、日本等國在神經(jīng)網(wǎng)絡(luò)計算機(jī)軟硬件實(shí)現(xiàn)的開發(fā)方面也取得了顯著的成績，并逐步形成產(chǎn)品。在美國，神經(jīng)計算機(jī)產(chǎn)業(yè)已獲得軍方的強(qiáng)有力支持，國防部高級研究計劃局認(rèn)為“神經(jīng)網(wǎng)絡(luò)是解決機(jī)器智能的唯一希望”，僅一項8年神經(jīng)計算機(jī)計劃就投資4億美元。在歐洲共同體的ESPRIT計劃中，就有一項特別項目：“神經(jīng)網(wǎng)絡(luò)在歐洲工業(yè)中的應(yīng)用”，單是生產(chǎn)神經(jīng)網(wǎng)絡(luò)專用芯片這一項就投資2200萬美元。據(jù)美國資料聲稱，日本在神經(jīng)網(wǎng)絡(luò)研究上的投資大約是美國的4倍。我國也不甘落后，自從1990年批準(zhǔn)了南開大學(xué)的光學(xué)神經(jīng)計算機(jī)等3項課題以來，國家自然科學(xué)基金與國防預(yù)研基金也都為神經(jīng)網(wǎng)絡(luò)的研究提供資助。另外，許多國際著名公司也紛紛卷入對神經(jīng)網(wǎng)絡(luò)的研究，如Intel、IBM、Siemens、HNC。神經(jīng)計算機(jī)產(chǎn)品開始走向商用階段，被國防、企業(yè)和科研部門選用。在舉世矚目的海灣戰(zhàn)爭中，美國空軍采用了神經(jīng)網(wǎng)絡(luò)來進(jìn)行決策與控制。在這種刺激和需求下，人工神經(jīng)網(wǎng)絡(luò)定會取得新的突破，迎來又一個高潮。自1958年第一個神經(jīng)網(wǎng)絡(luò)誕生以來，其理論與應(yīng)用成果不勝枚舉。人工神經(jīng)網(wǎng)絡(luò)是一個快速發(fā)展著的一門新興學(xué)科，新的模型、新的理論、新的應(yīng)用成果正在層出不窮地涌現(xiàn)出來。3.1.3神經(jīng)網(wǎng)絡(luò)的發(fā)展前景針對神經(jīng)網(wǎng)絡(luò)存在的問題和社會需求，今后發(fā)展的主要方向可分為理論研究和應(yīng)用研究兩個方面。利用神經(jīng)生理與認(rèn)識科學(xué)研究大腦思維及智能的機(jī)理、計算理論，帶著問題研究理論。（1）人工神經(jīng)網(wǎng)絡(luò)提供了一種揭示智能和了解人腦工作方式的合理途徑，但是由于人類起初對神經(jīng)系統(tǒng)了解非常有限，對于自身腦結(jié)構(gòu)及其活動機(jī)理的認(rèn)識還十分膚淺，并且?guī)в心撤N“先驗”。例如，Boltzmann機(jī)引入隨機(jī)擾動來避免局部極小，有其卓越之處，然而缺乏必要的腦生理學(xué)基礎(chǔ)，毫無疑問，人工神經(jīng)網(wǎng)絡(luò)的完善與發(fā)展要結(jié)合神經(jīng)科學(xué)的研究。而且，神經(jīng)科學(xué)，心理學(xué)和認(rèn)識科學(xué)等方面提出的一些重大問題，是向神經(jīng)網(wǎng)絡(luò)理論研究提出的新挑戰(zhàn)，這些問題的解決有助于完善和發(fā)展神經(jīng)網(wǎng)絡(luò)理論。因此利用神經(jīng)生理和認(rèn)識科學(xué)研究大腦思維及智能的機(jī)理，如有新的突破，將會改變智能和機(jī)器關(guān)系的認(rèn)識。（2）利用神經(jīng)科學(xué)基礎(chǔ)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，如神經(jīng)計算、進(jìn)化計算、穩(wěn)定性、收斂性、計算復(fù)雜性、容錯性、魯棒性等，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論。由于神經(jīng)網(wǎng)絡(luò)的非線性，因此非線性問題的研究是神經(jīng)網(wǎng)絡(luò)理論發(fā)展的一個最大動力。特別是人們發(fā)現(xiàn)，腦中存在著混沌現(xiàn)象以來，用混沌動力學(xué)啟發(fā)神經(jīng)網(wǎng)絡(luò)的研究或用神經(jīng)網(wǎng)絡(luò)產(chǎn)生混沌成為擺在人們面前的一個新課題，因為從生理本質(zhì)角度出發(fā)是研究神經(jīng)網(wǎng)絡(luò)的根本手段。神經(jīng)網(wǎng)絡(luò)軟件模擬，硬件實(shí)現(xiàn)的研究以及神經(jīng)網(wǎng)絡(luò)在各個科學(xué)技術(shù)領(lǐng)域應(yīng)用的研究。由于人工神經(jīng)網(wǎng)絡(luò)可以用傳統(tǒng)計算機(jī)模擬，也可以用集成電路芯片組成神經(jīng)計算機(jī)，甚至還可以用光學(xué)的、生物芯片的方式實(shí)現(xiàn)，因此研制純軟件模擬，虛擬模擬和全硬件實(shí)現(xiàn)的電子神經(jīng)網(wǎng)絡(luò)計算機(jī)潛力巨大。如何使神經(jīng)網(wǎng)絡(luò)計算機(jī)與傳統(tǒng)的計算機(jī)和人工智能技術(shù)相結(jié)合也是前沿課題；如何使神經(jīng)網(wǎng)絡(luò)計算機(jī)的功能向智能化發(fā)展，研制與人腦功能相似的智能計算機(jī)，如光學(xué)神經(jīng)計算機(jī)，分子神經(jīng)計算機(jī)，將具有十分誘人的前景。3.1.4神經(jīng)網(wǎng)絡(luò)的意義（1）神經(jīng)網(wǎng)絡(luò)打開了認(rèn)識論的新領(lǐng)域。認(rèn)識與腦的問題，長期以來一直受到人們的關(guān)注，因為它不僅是有關(guān)人的心理、意識的心理學(xué)問題，也是有關(guān)人的思維活動機(jī)制的腦科學(xué)與思維科學(xué)問題，而且直接關(guān)系到對物質(zhì)與意識的哲學(xué)基本問題的回答。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展使我們能夠更進(jìn)一步地既唯物又辯證地理解認(rèn)識與腦的關(guān)系，打開認(rèn)識論的新領(lǐng)域。人腦是一個復(fù)雜的并行系統(tǒng)，它具有“認(rèn)知、意識、情感”等高級腦功能，用人工進(jìn)行模擬，有利于加深對思維及智能的認(rèn)識，已對認(rèn)知和智力的本質(zhì)的研究產(chǎn)生了極大的推動作用。在研究大腦的整體功能和復(fù)雜性方面，人工神經(jīng)網(wǎng)絡(luò)給人們帶來了新的啟迪。由于人腦中存在混沌現(xiàn)象，混沌可用來理解腦中某些不規(guī)則的活動，從而混沌動力學(xué)模型能用作人對外部世界建模的工具，可用來描述人腦的信息處理過程?；煦绾椭悄苁怯嘘P(guān)的，神經(jīng)網(wǎng)絡(luò)中引入混沌學(xué)思想有助于提示人類形象思維等方面的奧秘。人工神經(jīng)網(wǎng)絡(luò)之所以再度興起，關(guān)鍵在于它反映了事物的非線性，抓住了客觀世界的本質(zhì)，而且它在一定程度上正面回答了智能系統(tǒng)如何從環(huán)境中自主學(xué)習(xí)這一最關(guān)鍵的問題，從認(rèn)知的角度講，所謂學(xué)習(xí)，就是對未知現(xiàn)象或規(guī)律的發(fā)現(xiàn)和歸納。由于神經(jīng)網(wǎng)絡(luò)具有高度的并行性，高度的非線性全局作用，良好的容錯性與聯(lián)想記憶功能以及十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)功能，而使得它成為揭示智能和了解人腦工作方式的合理途徑。但是，由于認(rèn)知問題的復(fù)雜性，目前，我們對于腦神經(jīng)網(wǎng)的運(yùn)行和神經(jīng)細(xì)胞的內(nèi)部處理機(jī)制，如信息在人腦是如何傳輸、存貯、加工的？記憶、聯(lián)想、判斷是如何形成的？大腦是否存在一個操作系統(tǒng)？還沒有太多的認(rèn)識，因此要制造人工神經(jīng)網(wǎng)絡(luò)來模仿人腦各方面的功能，還有待于人們對大腦信息處理機(jī)理認(rèn)識的深化。（2）神經(jīng)網(wǎng)絡(luò)發(fā)展的推動力來源于實(shí)踐、理論和問題的相互作用。隨著人們社會實(shí)踐范圍的不斷擴(kuò)大，社會實(shí)踐層次的不斷深入，人們所接觸到的自然現(xiàn)象也越來越豐富多彩、紛繁復(fù)雜，這就促使人們用不同的原因加以解釋不同種類的自然現(xiàn)象，當(dāng)不同種類的自然現(xiàn)象可以用同樣的原因加以解釋，這樣就出現(xiàn)了不同學(xué)科的相互交叉、綜合，人工神經(jīng)網(wǎng)絡(luò)就這樣產(chǎn)生了。在開始階段，由于這些理論化的網(wǎng)絡(luò)模型比較簡單，還存在許多問題，而且這些模型幾乎沒有得到實(shí)踐的檢驗，因而神經(jīng)網(wǎng)絡(luò)的發(fā)展比較緩慢。隨著理論研究的深入，問題逐漸地解決特別是工程上得到實(shí)現(xiàn)以后，如聲納識別成功，才迎來了神經(jīng)網(wǎng)絡(luò)的第一個發(fā)展高潮?？蒑inisky認(rèn)為感知器不能解決異或問題，多層感知器也不過如此，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低谷，這主要是因為非線性問題沒得到解決。隨著理論的不斷豐富，實(shí)踐的不斷深入，現(xiàn)在已證明Minisky的悲觀論調(diào)是錯誤的。今天，高度發(fā)達(dá)的科學(xué)技術(shù)逐漸揭示了非線性問題是客觀世界的本質(zhì)。問題、理論、實(shí)踐的相互作用又迎來了人工神經(jīng)網(wǎng)絡(luò)的第二次高潮。目前人工神經(jīng)網(wǎng)絡(luò)的問題是智能水平不高，還有其它理論和實(shí)現(xiàn)方面的問題，這就迫使人們不斷地進(jìn)行理論研究，不斷實(shí)踐，促使神經(jīng)網(wǎng)絡(luò)不斷向前發(fā)展?？傊?，先前的原因遇到了解釋不同的新現(xiàn)象，促使人們提出更加普遍和精確的原因來解釋。理論是基礎(chǔ)，實(shí)踐是動力，但單純的理論和實(shí)踐的作用還不能推動人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，還必須有問題提出，才能吸引科學(xué)家進(jìn)入研究的特定范圍，引導(dǎo)科學(xué)家從事相關(guān)研究，從而逼近科學(xué)發(fā)現(xiàn)，而后實(shí)踐又提出新問題，新問題又引發(fā)新的思考，促使科學(xué)家不斷思考，不斷完善理論。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展無不體現(xiàn)著問題、理論和實(shí)踐的辯證統(tǒng)一關(guān)系。（3）神經(jīng)網(wǎng)絡(luò)發(fā)展的另一推動力來源于相關(guān)學(xué)科的貢獻(xiàn)及不同學(xué)科專家的競爭與協(xié)同。神經(jīng)網(wǎng)絡(luò)本身就是一門邊緣學(xué)科，它的發(fā)展有更廣闊的科學(xué)背景，亦即是眾多科研成果的綜合產(chǎn)物，控制論創(chuàng)始人Wiener在其巨著《控制論》中就進(jìn)行了人腦神經(jīng)元的研究；計算機(jī)科學(xué)家Turing就提出過B網(wǎng)絡(luò)的設(shè)想；Prigogine提出非平衡系統(tǒng)的自組織理論，獲得諾貝爾獎；Haken研究大量元件聯(lián)合行動而產(chǎn)生宏觀效果，非線性系統(tǒng)“混沌”態(tài)的提出及其研究等，都是研究如何通過元件間的相互作用建立復(fù)雜系統(tǒng)，類似于生物系統(tǒng)的自組織行為。腦科學(xué)與神經(jīng)科學(xué)的進(jìn)展迅速反映到人工神經(jīng)網(wǎng)絡(luò)的研究中，例如生物神經(jīng)網(wǎng)絡(luò)理論，視覺中發(fā)現(xiàn)的側(cè)抑制原理，感受野概念等，為神經(jīng)網(wǎng)絡(luò)的發(fā)展起了重要的推動作用。從已提出的上百種人工神經(jīng)網(wǎng)絡(luò)模型中，涉及學(xué)科之多，令人目不暇接，其應(yīng)用領(lǐng)域之廣，令人嘆為觀止。不同學(xué)科專家為了在這一領(lǐng)域取得領(lǐng)先水平，存在著不同程度的競爭，所有這些有力地推動了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。人腦是一個功能十分強(qiáng)大、結(jié)構(gòu)異常復(fù)雜的信息系統(tǒng)，隨著信息論、控制論、生命科學(xué)，計算機(jī)科學(xué)的發(fā)展，人們越來越驚異于大腦的奇妙，至少到目前為止，人類大腦信號處理機(jī)制對人類自身來說，仍是一個黑盒子，要揭示人腦的奧秘需要神經(jīng)學(xué)家、心理學(xué)家、計算機(jī)科學(xué)家、微電子學(xué)家、數(shù)學(xué)家等專家的共同努力，對人類智能行為不斷深入研究，為人工神經(jīng)網(wǎng)絡(luò)發(fā)展提供豐富的理論源泉。另外，還要有哲學(xué)家的參與，通過哲學(xué)思想和自然科學(xué)多種學(xué)科的深層結(jié)合，逐步孕育出探索人類思維本質(zhì)和規(guī)律的新方法，使思維科學(xué)從朦朧走向理性。而且，不同領(lǐng)域?qū)＜业母偁幣c協(xié)調(diào)同有利于問題清晰化和尋求最好的解決途徑?？v觀神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史，沒有相關(guān)學(xué)科的貢獻(xiàn)，不同學(xué)科專家的競爭與協(xié)同，神經(jīng)網(wǎng)絡(luò)就不會有今天。當(dāng)然，人工神經(jīng)網(wǎng)絡(luò)在各個學(xué)科領(lǐng)域應(yīng)用的研究反過來又推動其它學(xué)科的發(fā)展，推動自身的完善和發(fā)展[8]。3.2BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其原理PID控制要取得較好的控制效果，必須通過調(diào)整好比例、積分和微分三種控制作用，形成控制量中既要相互配合又相互制約的關(guān)系。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力，可以通過對系統(tǒng)性能的學(xué)習(xí)來實(shí)現(xiàn)具有最佳組合的PID控制。采用BP網(wǎng)絡(luò)，可以建立參數(shù),,自學(xué)習(xí)的PID控制器。基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)由常規(guī)的PID控制器和神經(jīng)網(wǎng)絡(luò)兩部分構(gòu)成。3.2.1神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出層的三個可調(diào)參數(shù),,。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于某種最優(yōu)控制規(guī)律下的PID控制器的參數(shù)。誤差反向傳播神經(jīng)網(wǎng)絡(luò)是一種有隱含層的多層前饋網(wǎng)絡(luò)，具有M個輸入節(jié)點(diǎn)和L個輸出節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)可以看成是從M維歐氏空間到L維歐氏空間的非線性映射，這種映射是高度非線性的，可以逼近任意非線性的映射，從而為非線性系統(tǒng)的辯識提供了一種簡單有效的一般性方法。以下我們以三層前向網(wǎng)絡(luò)為例[9]。3.2.2基于BP算法的三層前向網(wǎng)絡(luò)的PID控制方案。多層感知器使單層感知器的推廣，但是它能夠解決單層感知所不能解決的非線性問題。多層感知器由輸入層、隱含層、輸出層組成，其隱含層可以為一層或多層。輸入層神經(jīng)元的個數(shù)為輸入信號的維數(shù)，隱含層個數(shù)以及隱節(jié)點(diǎn)的個數(shù)視具體情況而定，輸出層神經(jīng)元的個數(shù)為輸出信號的維數(shù)。多層感知器同單層感知器相比較具有四個明顯的特點(diǎn)：（1）除了輸入輸出層，多層感知器含有一層或者多層隱單元。隱單元從輸入模式中提取更多有用的信息，使網(wǎng)絡(luò)可以完成更復(fù)雜的東西。（2）多層感知器中每個神經(jīng)元的激勵函數(shù)是可微的Sigmoid函數(shù)，如（3.1）式中是第i個神經(jīng)元的輸入信號，是該神經(jīng)元的輸出信號。（3）多層感知器的多個突觸使得網(wǎng)絡(luò)更具連通性，連接域的變化或連接權(quán)值的變化都要引起連續(xù)性的變化。（4）多層感知器具有獨(dú)特的學(xué)習(xí)算法，該學(xué)習(xí)算法就是著名的BP算法，所以多層感知器也常常被稱之為BP網(wǎng)絡(luò)。多層感知器所具有的這些特點(diǎn)，使得它具有強(qiáng)大的計算能力。多層感知器是目前應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)[10]。BP學(xué)習(xí)過程可以描述如下：工作信號正向傳播：輸入信號從輸入層經(jīng)隱單元，傳向輸出層，在輸出端產(chǎn)生輸出信號，這是工作信號的正向傳播。在信號的前向傳輸中網(wǎng)絡(luò)的權(quán)值是固定不變的，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差信號反向傳播。誤差信號反向傳播：網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，這是誤差信號的反向傳播。在誤差信號反向傳播的過程中，網(wǎng)絡(luò)的權(quán)值由誤差反饋進(jìn)行調(diào)節(jié)。通過權(quán)值的不斷修正使網(wǎng)絡(luò)的實(shí)際輸出更接近期望輸出。本文用來控制對象的神經(jīng)網(wǎng)絡(luò)模型采用3層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3.1所示[11]。圖3.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)輸入層的輸入為：j=(1,2…,M)(3.2)式中，輸入變量的個數(shù)M取決于被控系統(tǒng)的復(fù)雜程度。網(wǎng)絡(luò)隱含層的輸入、輸出為：(i=1,2…,Q)(3.3)式中，為隱含層加權(quán)系數(shù)；上角標(biāo)⑴、⑵、⑶分別代表輸入層、隱含層和輸出層。隱層神經(jīng)元活化函數(shù)取正負(fù)對稱的Sigmoid函數(shù)：（3.4）網(wǎng)絡(luò)輸出層的輸入輸出為：(=1,2,3)（3.5）輸出層輸出節(jié)點(diǎn)分別對應(yīng)三個可調(diào)參數(shù),,。此時，輸出層神經(jīng)元的活化函數(shù)取非負(fù)的Sigmoid函數(shù)：（3.6）取性能指標(biāo)函數(shù)為：（3.7）按照梯度下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按E(k)對加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一個使搜索快速收斂全局極小的慣性項：（3.8）式中，η為學(xué)習(xí)速率；α為慣性系數(shù)。由（2.3）和（3.5），可得到：(3.9)(3.10)(3.11)從而可得到網(wǎng)絡(luò)輸出層權(quán)的學(xué)習(xí)算法為：(3.12) (l=1,2,3)(3.13)同理可得到隱含層加權(quán)系數(shù)的學(xué)習(xí)算法：(3.14)(i=1,2,Λ,Q)（3.15）式中，，。因此，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法可歸納為：第一步設(shè)置變量和參數(shù)：（k=1，2,,N）為輸入向量，或稱訓(xùn)練樣本，N為訓(xùn)練樣本的個數(shù)。為第N次迭代時輸入層與隱層I之間的權(quán)值向量。為第N次迭代時隱層I與隱層J之間的權(quán)值向量。為第N次迭代時隱層J與輸出層之間的權(quán)值向量。，（k=1,2,…,N）為第,,N次迭代時網(wǎng)絡(luò)的實(shí)際輸出。為期望輸出。n為迭代次數(shù)；為學(xué)習(xí)速率。第二步初始化，賦給,,各一個較小的隨機(jī)非零值。第三步隨機(jī)輸入樣本,n=0。第四步對輸入樣本，前向計算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號u和輸出信號v，其中，p=1，2，，p）第五步由期望輸出和上一步求得的實(shí)際輸出計算誤差，判斷其是否滿足要求，若滿足轉(zhuǎn)至第八步；不滿足轉(zhuǎn)至第六步。第六步判斷n+1是否大于最打迭代次數(shù)，若大于轉(zhuǎn)至第八步，若小于，對輸入樣本，反向計算每層神經(jīng)元的局部梯度，其中，p=1，2…,P，j=1，2，…，J，i=1，2，…I第七步按下式計算權(quán)值修正量△w，并修正權(quán)值;n=n+1,轉(zhuǎn)至第四步。j=1,2,…J；p=1,2,…,Pi=1,2,…,I；j=1,2?！?Jm=1,2,…,M；i=1,2,…I第八步判斷是否學(xué)完所有的訓(xùn)練要本，是則結(jié)束，否則轉(zhuǎn)至第三步。上述BP學(xué)習(xí)過程中，需要注意的幾點(diǎn)：（1）BP學(xué)習(xí)時權(quán)值的初始值是很重要的。初始值過大或過小都會影響學(xué)習(xí)速度，因此權(quán)值的初始值應(yīng)該選為均勻分布的小數(shù)經(jīng)驗值，大概為（-2。4/F，2。4/F）之間（也有人建議在（，）之間），其中F為所連單元的輸入端個數(shù)。另外，為避免每一部權(quán)值的調(diào)整方向同向的（即權(quán)值同時增加或者同時減少），應(yīng)將初始權(quán)值設(shè)置為隨機(jī)數(shù)。（2）神經(jīng)元的激勵函數(shù)Sigmoid函數(shù)，如果Sigmoid函數(shù)的漸進(jìn)值為+a和-a，則期望輸出只能趨于+a，-a，而不能達(dá)到+a，-a。為避免學(xué)習(xí)算法不收斂，提高學(xué)習(xí)速度，應(yīng)設(shè)期望輸出為相應(yīng)的小數(shù)。（3）用BP算法訓(xùn)練網(wǎng)絡(luò)時有兩種方式。一種是順序方式，即每輸入一個訓(xùn)練樣本修改一次權(quán)值：以上給出的BP算法步驟是按順序方式訓(xùn)練網(wǎng)絡(luò)的；另一種是批處理方式，即待組成一個訓(xùn)練中期的全部樣本都一次輸入網(wǎng)絡(luò)后，以總的平均誤差能量為學(xué)習(xí)目標(biāo)函數(shù)修正權(quán)值的訓(xùn)練方式。（3.16）為網(wǎng)絡(luò)輸入第k個訓(xùn)練樣本時輸出神經(jīng)元p的誤差，N為訓(xùn)練樣本的個數(shù)。（4）順序方式所需的臨時存儲空間較批處理方式小，而且隨機(jī)輸入樣本有利于權(quán)值空間的搜索具有隨機(jī)性，在一定程度上可以避免學(xué)習(xí)陷入局部最小，但是順序方式的誤差收斂條件難以建立，而批處理方式能夠精確的計算出剃度向量，誤差收斂條件非常簡單，易于并行處理。BP學(xué)習(xí)中，學(xué)習(xí)步長值大權(quán)值的變化就大，則BP學(xué)習(xí)的收斂速度就快，但是值過大會引起震蕩即網(wǎng)絡(luò)不穩(wěn)定；值小可以避免網(wǎng)絡(luò)的不穩(wěn)定，但是收斂速度就慢了。要解決這一矛盾最簡單的方法就是加入動量項。要計算多層感知其德局部梯度，需要知道神經(jīng)元的激勵函數(shù)的導(dǎo)數(shù)。常用的激勵函數(shù)是非線性的sigmoid函數(shù)，它有兩種形式：邏輯函數(shù)，a＞0；＜＜∞（3.17）是網(wǎng)絡(luò)L層上神經(jīng)元的輸人，這個函數(shù)的幅度0≦≦1，在BP算法過程中我們用的激勵函數(shù)是邏輯函數(shù)。雙曲正切函數(shù)，a，b＞0(3.18)a和b是常量。它對的導(dǎo)數(shù)為在BP算法第五步需要判斷誤差是否滿足要求，這里的要求是：對順序方式，誤差小于我們設(shè)定的值，即︱︱＜；批處理方式，每個訓(xùn)練周期的平均誤差其變化量在0。1%到1%之間，我們就認(rèn)為誤差滿足要求了[12]。在分類問題中，我們會碰到屬于同一類的訓(xùn)練樣本有幾組，在第一步設(shè)置變量時，一般使同一類的訓(xùn)練樣本其期望輸出相同。例如設(shè)輸入的訓(xùn)練樣本有L類，L=[，…L]，輸入樣本表示類的第k組訓(xùn)練樣本，對應(yīng)的實(shí)際輸出為。3.2.3BP學(xué)習(xí)算法的改進(jìn)多層前向BP網(wǎng)絡(luò)是目前應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)形式,但它也不是非常完美的。多層前向BP網(wǎng)絡(luò)的優(yōu)點(diǎn)：（1）網(wǎng)絡(luò)實(shí)質(zhì)上實(shí)現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題；（2）網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實(shí)例集自動提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力；（3）網(wǎng)絡(luò)具有一定的推廣、概括能力。在實(shí)際應(yīng)用中BP算法存在兩個重要問題：收斂速度慢，目標(biāo)函數(shù)存在局部極小點(diǎn)。因此人們提出了一些改善BP算法的方法，下面介紹些主要的改善措施：(1)加入動量項。令(3.19)為動量項，通常是正數(shù)。將式(3.19)寫成以t為變量的時間序列，t由0到n。則式（3-1）可以看成是的一階差分方程：（3.20）在BP算法中加入動量項不僅可以微調(diào)權(quán)值的修正量，也可以使學(xué)習(xí)避免陷入局部最小。推導(dǎo)BP算法的時候，我們都是假定學(xué)習(xí)參數(shù)不變，實(shí)際上，對于不同的，應(yīng)該是不一樣的，應(yīng)該記作。值得一提的是，在應(yīng)用BP算法時，我們可以讓所有的權(quán)值可調(diào)，也可限制某些權(quán)值固定不變，此時可以設(shè)權(quán)值的學(xué)習(xí)步長為零。(2)盡可能使用順序方式訓(xùn)練網(wǎng)絡(luò)。順序方式訓(xùn)練網(wǎng)絡(luò)要比批處理方式更快，特別是在訓(xùn)練樣本很大，而卻具有重復(fù)樣時，順序方式的這一優(yōu)點(diǎn)更為突出。值得一提的是，使用順序方式訓(xùn)練網(wǎng)絡(luò)來解決模式分類問題時，要求每一周期的訓(xùn)練樣本其輸入順序是隨機(jī)的，這樣做是為了盡可能的使連續(xù)輸入的樣本不屬于同一類。(3)選用奇函數(shù)作激勵函數(shù)。當(dāng)激勵函數(shù)為奇函數(shù)（即時，BP算法的學(xué)習(xí)速度要快些。最常用的奇函數(shù)時雙曲正切函數(shù)：(3.21)雙曲正切函數(shù)有如下性質(zhì)：1)，。2)斜率接近單位1。在u=1時，的二階導(dǎo)最大。(4)歸一化輸入信號。當(dāng)所有訓(xùn)練樣本的輸入信號都為正值時，與第一隱層神經(jīng)元相連的權(quán)值只能同時增加或同時減小，從而導(dǎo)致學(xué)習(xí)速度很慢。為避免出現(xiàn)這種情況，加快網(wǎng)絡(luò)的學(xué)習(xí)速度，可以對輸入信號進(jìn)行歸依化，使得所有樣本的輸入信號其均值接近零或與標(biāo)準(zhǔn)方差相比非常小。歸依一化輸入信號時需注意：1)用主分量分析法使訓(xùn)練樣本的輸入信號互不相關(guān)。2)歸一化互不相關(guān)的輸入信號，使得他們的方差基本相同，從而使不同權(quán)值的學(xué)習(xí)速度基本相同。使得所有樣本的輸入信號其均值接近零或與其標(biāo)準(zhǔn)方差相比非常小。歸一化輸入信號時需注意：首先，充分利用先驗信息。在實(shí)際應(yīng)用中很多問題可以歸納為函數(shù)逼近問題，因此樣本訓(xùn)練網(wǎng)絡(luò)的目的時為了獲取未知的輸入輸出函數(shù)，學(xué)習(xí)就是找出樣本中含有的有關(guān)的信息，從而推斷出逼近的函數(shù)。在學(xué)習(xí)過程中可以利用的先驗知識例如方差、對稱性等有關(guān)的信息，從而加快學(xué)習(xí)速度、改善逼近效果。其次，調(diào)整學(xué)習(xí)步長使網(wǎng)絡(luò)中各神經(jīng)元的學(xué)習(xí)速度差不多。一般說來是輸出單元的局部梯度比輸入端的大，可使前者的步長小些。此外，有較多輸入端的神經(jīng)元其步長比有較少輸入端的神經(jīng)元步長小些。此外，人們還提出了許多其他措施以加快BP算法的收斂速度。其一，學(xué)習(xí)過程實(shí)際是一個最優(yōu)化問題，用瞬時梯度修正權(quán)值相當(dāng)與爬山法，如果用共軛梯度法或牛頓法，雖然計算復(fù)雜些，但可以改善收斂過程。另一方面可以監(jiān)督學(xué)習(xí)過程看作是一個線性自適應(yīng)濾波器，如果放棄簡單的LMS法，而采用最小二乘（RLS）法或擴(kuò)展的卡爾曼濾波算法（EKA）也可改進(jìn)收斂過程[13]。

4基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器設(shè)計PID控制要取得好的控制效果，就必須通過調(diào)整好比例、積分和微分三種控制作用在形成控制量中相互又相互配合制約的關(guān)系，這種關(guān)系不一定是簡單“線形組合”，從變化無窮的非線性組合中可以找出最佳的關(guān)系。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表示能力，可以對系統(tǒng)性能的學(xué)習(xí)來實(shí)現(xiàn)具有最佳組合的PID控制。4.1總體設(shè)計BP神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)的能力，而且結(jié)構(gòu)和學(xué)習(xí)算法簡單明確。通過神經(jīng)網(wǎng)絡(luò)自身的學(xué)習(xí)，可以找到某一最優(yōu)控制律下的P、I、D參數(shù)?；贐P神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖4.1所示。控制器由兩個部分組成：（1）經(jīng)典的PID控制器：直接對被控對象過程閉環(huán)控制，并且三個參數(shù)、、為在線整定式；（2）神經(jīng)網(wǎng)絡(luò)NN：根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化。即使輸出層神經(jīng)元的輸出狀態(tài)對應(yīng)于PID控制器的三個可調(diào)參數(shù)K、、，通過神經(jīng)網(wǎng)絡(luò)的自身學(xué)習(xí)，加權(quán)系數(shù)調(diào)整，從而使其穩(wěn)定狀態(tài)對應(yīng)于最優(yōu)控制律下的PID控制器參數(shù)[14]。圖4.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器（1）確定BP網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出各層加權(quán)系數(shù)的初值，選定學(xué)習(xí)速率和慣性系數(shù)，此時k=1；（2）采樣得到和,計算該時刻；（3）計算神經(jīng)網(wǎng)絡(luò)NN各層神經(jīng)元的輸入、輸出，NN輸出層的輸出即為PID控制器的三個可調(diào)參數(shù)、、；（4）根據(jù)相關(guān)公式計算PID控制器的輸出；（5）進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)，實(shí)現(xiàn)PID控制系數(shù)自適應(yīng)調(diào)整；置k=1，返回（1）。4.2MTALAB程序及仿真4.2.1MATLAB簡介MATLAB語言是由美國Mathworks公司推薦的計算機(jī)軟件，經(jīng)過多年的逐步發(fā)展與不斷完善，現(xiàn)在已經(jīng)成為國際公認(rèn)的最優(yōu)秀的科學(xué)技術(shù)與數(shù)學(xué)應(yīng)用軟件之一，其內(nèi)容涉及矩陣代數(shù)、微積分、應(yīng)用數(shù)學(xué)、有限元法、科學(xué)計算信號與系統(tǒng)神經(jīng)網(wǎng)絡(luò)、小波分析及其應(yīng)用、數(shù)字圖像處理、計算機(jī)圖形學(xué)、電子線路電機(jī)學(xué)、自動控制與通信技術(shù)、物理力學(xué)和機(jī)械振動等方面。MATLAB除具備卓越的數(shù)值計算能力外，它還提供了專業(yè)水平的符號計算，文字處理，可視化建模仿真和實(shí)時控制等功能。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué),工程中常用的形式十分相似,故用MATLAB來解算問題要比用C、FORTRAN等語言完相同的事情簡捷得多。在當(dāng)今30多個數(shù)學(xué)類科技應(yīng)用軟件中，就軟件數(shù)學(xué)處理的原始內(nèi)核而言，可分為兩大類。一類是數(shù)值計算型軟件，如MATLAB,Xmath,Gauss等，這類軟件長于數(shù)值計算,對處理大批數(shù)據(jù)效率高；另一類是數(shù)學(xué)分析型件，Mathematica，Maple等。這類軟件以符號計算見長，能給出解析解和任意精確解，其缺點(diǎn)是處理大量數(shù)據(jù)時效率較低。MathWorks公司順應(yīng)多功能需求之潮流，在其卓越數(shù)值計算和圖示能力的基礎(chǔ)上，又率先在專業(yè)水平上開拓了其符號計算，文字處理，可視化建模和實(shí)時控制能力，開發(fā)了適合多學(xué)科,多部門要求的新一代科技應(yīng)用軟件MATLAB。經(jīng)過多年的國際競爭，MATLAB以經(jīng)占據(jù)了數(shù)值軟件市場的主導(dǎo)地位。在MATLAB進(jìn)入市場前，國際上的許多軟件包都是直接以FORTRANC語言等編程語言開發(fā)的。這種軟件的缺點(diǎn)是使用面窄，接口簡陋，程序結(jié)構(gòu)不開放以及沒有標(biāo)準(zhǔn)的基庫，很難適應(yīng)各學(xué)科的最新發(fā)展，因而很難推廣。MATLAB的出現(xiàn)，為各國科學(xué)家開發(fā)學(xué)科軟件提供了新的基礎(chǔ)。在MATLAB問世不久的80年代中期，原先控制領(lǐng)域里的一些軟件包紛紛被淘汰或在MATLAB上重建。時至今日，經(jīng)過MathWorks公司的不斷完善，MATLAB已經(jīng)發(fā)展成為適合多學(xué)科，多種工作平臺的功能強(qiáng)大的大型軟件。在國外，MATLAB已經(jīng)經(jīng)受了多年考驗。在歐美等高校，MATLAB已經(jīng)成為線性代數(shù)，自動控制理論，數(shù)理統(tǒng)計，數(shù)字信號處理，時間序列分析，動態(tài)系統(tǒng)仿真等高級課程的基本教學(xué)工具；成為攻讀學(xué)位的大學(xué)生，碩士生，博士生必須掌握的基本技能。在設(shè)計研究單位和工業(yè)部門，MATLAB被廣泛用于科學(xué)研究和解決各種具體問題。在國內(nèi)，特別是工程界，MATLAB一定會盛行起來?？梢哉f，無論你從事工程方面的哪個學(xué)科，都能在MATLAB里找到合適的功能[15]。MATLAB具有以下優(yōu)點(diǎn)：（1）友好的工作平臺和編程環(huán)境MATLAB由一系列工具組成。這些工具方便用戶使用MATLAB的函數(shù)和文件，其中許多工具采用的是圖形用戶界面。包括MATLAB桌面和命令窗口、歷史命令窗口、編輯器和調(diào)試器、路徑搜索和用于用戶瀏覽幫助、工作空間、文件的瀏覽器。隨著MATLAB的商業(yè)化以及軟件本身的不斷升級，MATLAB的用戶界面也越來越精致，更加接近Windows的標(biāo)準(zhǔn)界面，人機(jī)交互性更強(qiáng)，操作更簡單。而且新版本的MATLAB提供了完整的聯(lián)機(jī)查詢、幫助系統(tǒng)，極大的方便了用戶的使用。簡單的編程環(huán)境提供了比較完備的調(diào)試系統(tǒng)，程序不必經(jīng)過編譯就可以直接運(yùn)行，而且能夠及時地報告出現(xiàn)的錯誤及進(jìn)行出錯原因分析。（2）簡單易用的程序語言MATLAB一個高級的矩陣/陣列語言，它包含控制語句、函數(shù)、數(shù)據(jù)結(jié)構(gòu)、輸入和輸出和面向?qū)ο缶幊烫攸c(diǎn)。用戶可以在命令窗口中將輸入語句與執(zhí)行命令同步，也可以先編寫好一個較大的復(fù)雜的應(yīng)用程序(M文件)后再一起運(yùn)行。新版本的MATLAB語言是基于最為流行的C＋＋語言基礎(chǔ)上的，因此語法特征與C＋＋語言極為相似，而且更加簡單，更加符合科技人員對數(shù)學(xué)表達(dá)式的書寫格式。使之更利于非計算機(jī)專業(yè)的科技人員使用。而且這種語言可移植性好、可拓展性極強(qiáng)，這也是MATLAB能夠深入到科學(xué)研究及工程計算各個領(lǐng)域的重要原因。（3）強(qiáng)大的科學(xué)計算機(jī)數(shù)據(jù)處理能力MATLAB是一個包含大量計算算法的集合。其擁有600多個工程中要用到的數(shù)學(xué)運(yùn)算函數(shù)，可以方便的實(shí)現(xiàn)用戶所需的各種計算功能。函數(shù)中所使用的算法都是科研和工程計算中的最新研究成果，而前經(jīng)過了各種優(yōu)化和容錯處理。在通常情況下，可以用它來代替底層編程語言，如C和C++。在計算要求相同的情況下，使用MATLAB的編程工作量會大大減少。MATLAB的這些函數(shù)集包括從最簡單最基本的函數(shù)到諸如矩陣，特征向量、快速傅立葉變換的復(fù)雜函數(shù)。函數(shù)所能解決的問題其大致包括矩陣運(yùn)算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號運(yùn)算、傅立葉變換和數(shù)據(jù)的統(tǒng)計分析、工程中的優(yōu)化問題、稀疏矩陣運(yùn)算、復(fù)數(shù)的各種運(yùn)算、三角函數(shù)和其他初等數(shù)學(xué)運(yùn)算、多維數(shù)組操作以及建模動態(tài)仿真等。（4）出色的圖形處理功能MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和矩陣用圖形表現(xiàn)出來，并且可以對圖形進(jìn)行標(biāo)注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達(dá)式作圖?？捎糜诳茖W(xué)計算和工程繪圖。新版本的MATLAB對整個圖形處理功能作了很大的改進(jìn)和完善，使他不僅在一般數(shù)據(jù)可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數(shù)據(jù)的表現(xiàn)等），MATLAB同樣表現(xiàn)了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應(yīng)的功能函數(shù)，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。（5）應(yīng)用廣泛的模塊集合工具箱MATLAB對許多專門的領(lǐng)域都開發(fā)了功能強(qiáng)大的模塊集和工具箱。一般來說，他們都是由特定領(lǐng)域的專家開發(fā)的，用戶可以直接使用工具箱學(xué)習(xí)、應(yīng)用和評估不同的方法而不需要自己編寫代碼。目前，MATLAB已經(jīng)把工具箱延伸到了科學(xué)研究和工程應(yīng)用的諸多領(lǐng)域，諸如數(shù)據(jù)采集、數(shù)據(jù)庫接口、概率統(tǒng)計、樣條擬合、優(yōu)化算法、偏微分方程求解、神經(jīng)網(wǎng)絡(luò)、小波分析、信號處理、圖像處理、系統(tǒng)辨識、控制系統(tǒng)設(shè)計、LMI控制、魯棒控制、模型預(yù)測、模糊邏輯、金融分析、地圖工具、非線性控制設(shè)計、實(shí)時快速原型及半物理仿真、嵌入式系統(tǒng)開發(fā)、定點(diǎn)仿真、DSP與通訊、電力系統(tǒng)仿真等，都在工具箱家族中有了自己的一席之地。（6）實(shí)用的程序接口和發(fā)布平臺新版本的MATLAB可以利用MATLAB編譯器和C/C++數(shù)學(xué)庫和圖形庫，將自己的MATLAB程序自動轉(zhuǎn)換為獨(dú)立于MATLAB運(yùn)行的C和C++代碼。允許用戶編寫可以和MATLAB進(jìn)行交互的C或C＋＋語言程序。另外，MATLAB網(wǎng)頁服務(wù)程序還容許在Web應(yīng)用中使用自己的MATLAB數(shù)學(xué)和圖形程序。MATLAB的一個重要特色就是他有一套程序擴(kuò)展系統(tǒng)和一組稱之為工具箱的特殊應(yīng)用子程序。工具箱是MATLAB函數(shù)的子程序庫，每一個工具箱都是為某一類學(xué)科專業(yè)和應(yīng)用而定制的，主要包括信號處理、控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、小波分析和系統(tǒng)仿真等方面的應(yīng)用。（7）應(yīng)用軟件開發(fā)（包括用戶界面）在開發(fā)環(huán)境中，使用戶更方便地控制多個文件和圖形窗口；在編程方面支持了函數(shù)嵌套，有條件中斷等；在圖形化方面，有了更強(qiáng)大的圖形標(biāo)注和處理功能，包括對性對起連接注釋等；在輸入輸出方面，可以直接向Excel和HDF5[16]。4.2.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真程序基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真程序流程如圖4.2所示。圖4.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的仿真程序流程圖設(shè)被控對象的近似數(shù)學(xué)模型為式中，系數(shù)是慢時變的，神經(jīng)網(wǎng)路的結(jié)構(gòu)選4-5-3，學(xué)習(xí)速率和慣性系數(shù)，加權(quán)系數(shù)初始值取區(qū)間上的隨機(jī)數(shù)。輸入指令信號分為兩種：（1）。（2）。取S=1時為階越跟蹤，S=2時為正弦跟蹤，初始權(quán)值取隨機(jī)值，運(yùn)行穩(wěn)定后用穩(wěn)定權(quán)值代替隨機(jī)值。相關(guān)程序見附錄。4.2.3仿真結(jié)果當(dāng)輸入信號為正弦信號時，跟蹤曲線如圖4.3所示，跟蹤誤差曲線如圖4.4所示，參數(shù)自適應(yīng)整定曲線如圖4.5所示。圖4.3正弦跟蹤曲線(S=2)圖4.4跟蹤誤差曲線圖4.5參數(shù)自適應(yīng)整定曲線4.2.4仿真結(jié)果分析由上訴例子可以看出神經(jīng)網(wǎng)絡(luò)控制能夠充分逼近任何復(fù)雜的非線性系統(tǒng)，能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定系統(tǒng)的動態(tài)特性，顯示了很強(qiáng)的魯棒性和容錯性，同時也顯示了神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定系統(tǒng)方面的潛能。采用三層前向網(wǎng)絡(luò)，動態(tài)BP算法，達(dá)到了在線實(shí)時控制的目的。仿真結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的PID控制較常規(guī)的PI控制具有較高的控制品質(zhì)。

結(jié)束語經(jīng)過幾個月的努力，在導(dǎo)師的指導(dǎo)下，查閱了大量的文獻(xiàn)和期刊，論文終于完成了。在這期間，新的知識被掌握，舊的知識得到了鞏固。本論文從傳統(tǒng)PID的介紹開始，到BP神經(jīng)網(wǎng)絡(luò)，對它們的基本結(jié)構(gòu)和控制算法作了介紹。重點(diǎn)介紹了BP網(wǎng)絡(luò)的算法。MATLAB仿真實(shí)例可以看出BP神經(jīng)網(wǎng)絡(luò)的作用。附錄仿真程序%BPbasedPIDControlclearall;closeall;xite=0.25;alfa=0.05;S=2;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];wo_1=wo;wo_2=wo;wo_3=wo;endifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494];wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1);%OutputfromNNmiddlelayerI=Oh;%InputtoNNmiddlelayererror_2=0;error_1=0;ts=0.001;fork=1:1:6000time(k)=k*ts;ifS==1rin(k)=1.0;elseifS==2rin(k)=sin(1*2*pi*k*ts);end%Unlinearmodela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';forj=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%MiddleLayerendK=wo*Oh;%OutputLayerforl=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));%Gettingkp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);ifu(k)>=10%Restrictingtheoutputofcontrolleru(k)=10;endifu(k)<=-10u(k)=-10;enddyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));%Outputlayerforj=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endforl=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endforl=1:1:Outfori=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);

%Hiddenlayerfori=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;fori=1:1:Hdelta2(i)=dO(i)*segma(i);endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%ParametersUpdateu_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,'r',time,yout,'b');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');figure(4);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');

參考文獻(xiàn)[1]黃金燕，葛化敏，唐明軍.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法的研究[J].微計算機(jī)信息，26：278-280，2006.[2]劉海軍，何為，賈睿.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分析方法[J].工業(yè)儀表與自動化裝置，8：52-55，2002.[3]趙浪濤.BP神經(jīng)網(wǎng)絡(luò)PID控制器研究[J].蘭州工業(yè)高等?？茖W(xué)校學(xué)報，14（2）：13-17，2007.[4]魏克新，王云亮，陳志敏等.MATLAB語言與自動控制系統(tǒng)設(shè)計[M].北京：機(jī)械工業(yè)出版社，2004.[5]劉金琨.先進(jìn)PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.[6]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003.[7]張建國.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器的研究與實(shí)現(xiàn)[J].機(jī)電技術(shù)，2：26-33，2004.[8]舒懷林.PID神經(jīng)元網(wǎng)絡(luò)及其控制系統(tǒng)[M].北京：國防工業(yè)出版社，2006.[9]朱海峰，楊志剛.基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制[J].國內(nèi)外機(jī)電一體會技術(shù)，1：5-8，2006.[10]陳宇峰，蔡琴.基于BP神經(jīng)網(wǎng)絡(luò)的PID