一种基于PID调节的BP神经网络算法制造技术

本发明专利技术公开了一种基于PID调节的BP神经网络算法，它通过增量式神经网络PID控制器不断调整比例（P）、积分（I）和微分（D）三个参数来得到参数自适应的效果，经过Momentum梯度更新算法，使得本发明专利技术在温度控制数据收敛，不会出现发散现象，使之更加快速、稳定。稳定。稳定。

【技术实现步骤摘要】
一种基于PID调节的BP神经网络算法


[0001]本专利技术具体涉及一种基于PID调节的BP神经网络算法。

技术介绍

[0002]PID控制是一种被广泛应用在生产过程中控制方法，通过偏差的比例(P)、积分(I)、微分(D)三个参数进行过程控制，PID三个参数设置对系统有很深的影响，这需要经验丰富的专业人员不断的调节系统尽可能找到使得系统接近最优工作状态的三个参数；由此产生了一种最优控制自适应PID控制系统的方法；在这种控制中要求系统能够根据被测参数，环境及原材料的成本的变化而自动调节系统，使其随时处于最佳状态。
[0003]常见的最小方差自适应PID控制、极点配置自适应PID控制和零极点对消的自适应PID控制。神经网络PID自适应算法是结合神经网络算法的自适应PID控制方法。
[0004]基于BP神经网络的PID自适应算法能够在线学习，在程序运行过程中不断优化PID三个参数，根据外界变化实时调整的神经网络控制算法，是PID控制的前沿研究方向。但是现有的神经网络算法PID自整定收敛偶然，随机收敛，收敛非常依赖初始化，需要特定的参数进行初始化。

技术实现思路

[0005]为解决上述问题，本专利技术具体涉及基于PID调节的BP神经网络算法，包括以下步骤：步骤一、初始化BP神经网络：设定BP神经网络输入层点数X和隐藏层点数H，并给出隐藏层的初始权值W
HI
和输出层初始权值W
HO；
步骤二、采样得到实际温度值y(k)和设定输出rin(k)，计算误差e(k)= rin(k)
‑ꢀ
y(k)；步骤三、计算BP神经网路各层神经元的输入值和输出值，1/(1+e
‑
x)激活函数原始输出值范围为（0，1），乘以确定系数使其范围扩增，，根据增量式PID，得到
△
U(K) =K
P
[e(k)
‑
e(k
‑
1)]+K
I
e(k)+K
D
[e(k)
‑
2e(k
‑
1)+e(k
‑
2)]；步骤四、更新全局最优值：选取误差函数E(k)=(rin(k)
‑
y(k))2，，根据Momentum梯度更新算法修正BP神经网络的加权系数，更新学习率、指数加权平均数，进而计算温度的最佳适应值，其中Momentum梯度更新算法更新权值，W
HO
，W
IH的
公式如下：误差函数E(k)对输出层参数W
HO
的导数dW
HO
：dW
HO
=dE(k)/dW
HO
=(dE(k)/dy(k))*(dy(k)/dU(k))*(dU(k)/d OUT
O
)*( d OUT
O
/dW
HO
)；神经网络PID控制器输出的功率为U(k)=U(k
‑
1)+
ꢀ△
U(K), U(k)控制加热腔升温还是降温误差函数E(k)对隐藏层W
IH
导数dW
IH
：dW
IH
=dE(k)/ dW
IH
=(dE(k)/dy(k))*(dy(k)/dU(k))*(dU(k)/d OUT
O
)*（d OUT
O
/ d OUT
H
）*( d OUT
H
/dW
IH
) ；
隐藏层梯度W
HI
：dV
H
(k)=βdV
H
(k)+(1
‑
β)dW
IH
ꢀꢀꢀꢀꢀꢀ
W
IH
=W
IH
‑
αdV
H
(k) ；输出层W
HO
：dV
o
(k)= βdV
o
(k)+(1
‑
β) dW
HO
ꢀꢀꢀꢀꢀꢀꢀ
W
HO
= W
HO
‑
αdV
O
(k)；步骤五、根据步骤四不断更新、学习，得到E(k) E(k)=(rin(k)
‑
y(k))2最优解；步骤六、重复上述步骤在线学习更新更新隐藏层和输出层权值参数，自适应输出PID参数，, 使E(k)接近最优解。
[0006]所述激活函数原始的扩增后得输出范围：K
P
=OUT1*30,K
I
=OUT2,K
D
=OUT3。
[0007]神经网络PID控制器输出的功率为U(k)=U(k
‑
1)+
ꢀ△
U(K)。
[0008]相比于以往的算法，本专利技术具有以下有益效果： 1/(1+e
‑
x)作为输出层的激活函数，并且使输出的P参数倍增30，使得参数范围扩大到（0，30），更加符合实际应用；使用Momentum梯度更新算法，比之常用SGD梯度下降算法梯度更新更加快速、稳定且在控制温度数据不会出现发散现象；初始化使用归一化0均值处理，有效降低了梯度更新的随机性，加速了权重的收敛。
附图说明
[0009]按照下列附图可以更好理解本专利技术原理，附图如下:附图1为本专利技术的神经网络PID控制器原理示意图。
[0010]附图2为本专利技术的BP神经网络的结构示意图。
[0011]附图3为本专利技术Momentum梯度下降寻找E(k)最优解示意图。
具体实施方式
[0012]下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0013]如图1、图2、图3所示，本专利技术具体涉及基于PID调节的BP神经网络算法，包括以下步骤：步骤一、初始化BP神经网络：设定BP神经网络输入层点数X和隐藏层点数H，并给出隐藏层的初始权值W
HI
和输出层初始权值W
HO；
步骤二、采样得到实际温度值y(k)和设定输出rin(k)，计算误差e(k)= rin(k)
‑ꢀ
y(k)；步骤三、计算BP神经网路各层神经元的输入值和输出值，1/(1+e
‑
x)激活函数原始输出值范围为（0，1），乘以确定系数使其范围扩增，，根据增量式PID，得到
△
U(K) =K
P
[e(k)
‑
e(k
‑
1)]+K
I
e(k)+K
D
[e(k)
‑
2e(k
‑
1)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PID调节的BP神经网络算法， 其特征在于，包括以下步骤：步骤一、初始化BP神经网络：设定BP神经网络输入层点数X和隐藏层点数H，并给出隐藏层的权值W
HI
和输出层权值W
HO；
；步骤二、采样得到实际温度值y(k)和设定输出rin(k)，计算误差e(k)= rin(k)
‑ꢀ
y(k)；步骤三、计算BP神经网路各层神经元的输入值和输出值，1/(1+e
‑
x)激活函数原始输出值范围为（0，1），根据增量式PID，得到
△
U(K) =K
P
[e(k)
‑
e(k
‑
1)]+K
I
e(k)+K
D
[e(k)
‑
2e(k
‑
1)+e(k
‑
2)]；步骤四、更新全局最优值：选取误差函数E(k)=(rin(k)
‑
y(k))2，根据Momentum梯度更新算法修正BP神经网络的加权系数，更新学习率、指数加权平均数，进而计算温度的最佳适应值，其中Momentum梯度更新算法更新权值，W
HO
，W
IH的
公式如下：误差函数E(k)对输出层参数W
HO
的导数dW
HO
：dW
HO
=dE(k)/dW
HO
=(dE(k)/dy(k))*(dy(k)/dU(k))*(dU(k)/d OUT
O
)*( d OUT
O
/dW
HO
)；误差函数E(k)对隐藏层W
IH
导数dW
IH
：dW
IH...

【专利技术属性】
技术研发人员：刘艳斌，王轻，何龙祥，葛继成，
申请(专利权)人：河南驼人医疗器械研究院有限公司，
类型：发明
国别省市：