本发明专利技术涉及一种神经网络模型与二次型单神经元ＰＩＤ并行控制方法，ＣＭＡＣ神经网络模型输入为设定值ｒｉｎ，输出为ｕｎ；二次型单神经元ＰＩＤ的输入为误差ｅ，即控制输入ｒｉｎ与输出测量值ｙｏｕｔ的差，二次型单神经元ＰＩＤ的输出为ｕｐ；控制器总输出为ｕ＝ｕｐ＋ｕｎ，利用ＣＭＡＣ神经网络具有学习算法简单、收敛速度快、局域泛化等优点，同时把二次型性能指标的思想，神经元非线性映像和权值的自适应修正功能引入到ＰＩＤ控制器，由ＣＭＡＣ控制器实现前馈控制，二次型单神经元ＰＩＤ控制实现反馈控制，针对系统中的非线性、不确定性和复杂性，提高系统控制的稳定性，也提高了系统的抗干扰能力。
【技术实现步骤摘要】
本专利技术涉及一种智能控制方法，特别涉及一种神经网络模型与二次型单神经元PID并行控制方法。
技术介绍
PID (Proportion Integration Differentiation)控制器作为最早实用化的控制器已有50多年历史，现在仍然是应用最广泛的工业控制器。PID控制器简单易懂，使用中不需精确的系统模型等先决条件，因而成为应用最为广泛的控制器。但是PID在控制非线性、时变、耦合及参数和结构不确定的复杂过程时，工作效果不理想。最重要的是，如果PID控制器不能控制复杂过程，通过调参数将没有任何效果。 随着专家系统、模糊控制、神经网络等智能控制理论的发展，形成了多种智能控制与PID控制相结合的智能PID控制策略。由于神经网络具有自组织、自学习、自适应的能力，基于神经网络的控制已成为智能控制中最重要的一种方式。CMAC (Cerebellum ModelArticulation Controller,以下简称CMAC)神经网络是一种模拟小脑功能的神经网络模型，是一类联想网络，具有局部泛化能力，相似的输入将产生相似的输出，而远离的输入将产生几乎独立的输出。CMAC从总体看是一种非线性的映像，但其自适应学习是线性映像部分，所以其学习算法是一种简单的线性优化，收敛速度比BP(BackPropagation，误差反向传播)算法快得多，且不存在局部极小值问题。由于CMAC神经网络具有上述优越性能，比一般神经网络具有更好的非线性逼近能力，因此更适合复杂环境下的非线性实时控制。
技术实现思路
本专利技术是针对PID控制器对复杂过程控制效果不佳的问题，提出了一种神经网络模型与二次型单神经元PID并行控制方法，提出利用CMAC神经网络具有学习算法简单、收敛速度快、局域泛化等优点，同时把二次型性能指标的思想，神经元非线性映像和权值的自适应修正功能引入到PID控制器，此方法具有更好的稳定性和抗干扰能力。 本专利技术的技术方案为一种神经网络模型与二次型单神经元PID并行控制方法，包括CMAC神经网络模型，方法包括如下步骤 1)设定控制的输入与输出CMAC神经网络模型输入为设定值rin，输出为Un ;二次型单神经元PID的输入为误差e，即控制输入rin与输出测量值yout的差，二次型单神经元PID的输出为up ;u为控制器总输出； 2)确定CMAC神经网络以及单神经元网络参数CMAC神经网络参数维数N，泛化参数C，网络学习速率n，惯性量a ;单神经元网络参数比例系数K;输出误差的加权系数P;控制增量的加权系数Q;比例、积分、微分三部分加权系数学习速率分别取为nP， npnD ;PID三个参数的初始化值wP， Wl， wD ; 3)确定CMAC神经网络以及单神经元网络性能指标 CMAC的调整指标为4 = —C-W"(A:))2 .」，2 c Aw(yt)"^^^~^a<=7;_^a,.，c c w (k) = w (k-1) + A w (k) + a (w (k) i (k_l)); 二次型单神经元性能指标￡(A:) = icP07'"("-:^w^:))2 +gA2 (A:)) ，rin(k)和yout(k)为k时刻的参考输入和输出； 4)分别计算CMAC神经网络输出^(" = ^w,^以及二次型单神经元PID控制输出^ ("= ("1) + 4 w; ("x, (A)，； 5)控制系统总输出为u = up+un。 所述单神经元控制输出"P(A:) = "P(A:-l) +〖l>"A:)x,(A:)，其中，^(k) (i = 1，2，3)为加权系数，w;(A:卜w,/t卜,.(A:)1 (/ = 1,2,3)，,=13 wi (" = w, (" 1) + W《(尸(" - 2《Z ("、 ("); w2(A) = w2(A -1) + ;7尸K(尸V(^2(" — ^尤(W Wx,.(A:))x2(A:));3w3 (A:) = w3 (A: -1) + ;/DJfi:(/^。z(A:)x3 (A;) - 2夂Z O, ("x, (A:))x3 (");,:=l 式中， Xl(k) = e (k);x2(k) = e(k)-e(k-l);x3(k) = e(k)-2e(k-l)+e(k-2); z (k) = e (k); b。 = yout(l)。 所述每一控制周期结束时，CMAC神经网络模型输出Un与总控制输出u相比较，修正权重，进入学习过程，数据存入，CMAC神经网络模型记忆库。 CMAC是一种表达复杂非线性函数的表格查询型自适应神经网络，该网络可通过学习算法改变表格的内容，具有信息分类存储的能力。 CMAC把系统的输入状态作为一个指针，把相关信息分布式地存入一组存储单元。其本质上是一种用于映像复杂非线性函数的查表技术。具体作法是将输入空间分成许多分块，每个分块指定一个实际存贮器位置每个分块学习到的信息分布式地存储到相邻分块的位置上；存储单元数通常比所考虑问题的最大可能输入空间的分块数少得多，故实现的是多对一的映射，即多个分块映像到同样一个内存地址上。 CMAC已被公认为是一类联想记忆神经网络的重要组成部分，能够学习任意多维非线性映像。CMAC算法可有效地用于非线性函数逼近、动态建模、控制系统设计等，CMAC的基本思想在于在输入空间中给出一个状态，从存储单元中找到对应于该状态的地址，将这些存储单元中的内容求和得到CMAC的输出；将此响应值与期望输出值进行比较，并根据学习算法修改这些已启动的存储单元的内容。 本专利技术的有益效果在于本专利技术神经网络模型与二次型单神经元PID并行控制方法，将神经网络模型与二次型单神经元PID方法结合，针对系统中的非线性、不确定性和复杂性，提高系统控制的稳定性，也提高了系统的抗干扰能力。附图说明 图1为CMAC神经网络结构示意图； 图2为本专利技术基于CMAC与二次型单神经元PID的并行控制原理框图； 图3为本专利技术过热汽温串级控制原理框图； 图4为本专利技术基于CMAC与二次型单神经元PID并行控制在过热汽温中的原理框图； 图5为本专利技术方法下系统单位阶跃响应曲线图； 图6为本专利技术方法下系统扰动响应曲线图。具体实施例方式CMAC的设计方法分为以下三步 (1)量化(概念映射) 在输入层对N维输入空间进行划分，每一个输入都降落到N维网络基的一个超立方体单元内。中间层由若干个判断区间构成，对任意一个输入只有少数几个区间的输出为非零值，非零值区间的个数为泛化参数c，规定了网络内部影响网络输出的区域大小。 (2)地址映像(实际映像) 采用除余数法，将输入样本映像至概念内存的地址，除以一个数，得到的余数作为实际内存的地址值。即将概念内存中的c个单元映像至实际内存的c个地址。 (3) CMAC的函数计算(CMAC输出) 将输入映像至实际内存的c个单元，每个单元中存放着相应权值，CMAC的输出c个实际内存单元加权之和。 CMAC的结构如图1所示，其中U输出空间为与CMAC并行控制器的输出。CMAC的控制算法为出。式中，ai为二进制选择向:(1):，c为CMAC网络的泛化参数，Un为CMAC产生相应的输CMAC的调整指标为柳4(孝)-w"(")2 = 7丑a,.(2)(3)6w (k) = w本文档来自技高网...
【技术保护点】
一种神经网络模型与二次型单神经元ＰＩＤ并行控制方法，包括ＣＭＡＣ神经网络模型，其特征在于，方法包括如下步骤：１）设定控制的输入与输出：ＣＭＡＣ神经网络模型输入为设定值ｒｉｎ，输出为ｕ↓［ｎ］；二次型单神经元ＰＩＤ的输入为误差ｅ，即控制输入ｒｉｎ与输出测量值ｙｏｕｔ的差，二次型单神经元ＰＩＤ的输出为ｕ↓［ｐ］；ｕ为控制器总输出；２）确定ＣＭＡＣ神经网络以及单神经元网络参数：ＣＭＡＣ神经网络参数：维数Ｎ，泛化参数ｃ，网络学习速率η，惯性量α；单神经元网络参数：比例系数Ｋ；输出误差的加权系数Ｐ；控制增量的加权系数Ｑ；比例、积分、微分三部分加权系数学习速率分别取为η↓［Ｐ］，η↓［Ｉ］，η↓［Ｄ］；ＰＩＤ三个参数的初始化值ｗ↓［Ｐ］，Ｗ↓［Ｉ］，ｗ↓［Ｄ］；３）确定ＣＭＡＣ神经网络以及单神经元网络性能指标：ＣＭＡＣ的调整指标为：Ｅ（ｋ）＝１／２（ｕ（ｋ）－ｕ↓［ｎ］（ｋ））↑［２］.α↓［ｉ］／ｃ，Δｗ（ｋ）＝η（ｕ（ｋ）－ｕ↓［ｎ］（ｋ））／ｃα↓［ｉ］＝ηｕ↓［ｐ］（ｋ）／ｃα↓［ｉ］，ｗ（ｋ）＝ｗ（ｋ－１）＋Δｗ（ｋ）＋α（ｗ（ｋ）－ｗ（ｋ－１））；二次型单神经元性能指标：Ｅ（ｋ）＝１／２（Ｐ（ｒｉｎ（ｋ）－ｙｏｕｔ（ｋ））↑［２］＋ＱΔ↑［２］ｕ↓［ｐ］（ｋ）），ｒｉｎ（ｋ）和ｙｏｕｔ（ｋ）为ｋ时刻的参考输入和输出；４）分别计算ＣＭＡＣ神经网络输出ｕ↓［ｎ］（ｋ）＝＊ｗ↓［ｉ］α↓［ｉ］以及二次型单神经元ＰＩＤ控制输出ｕ↓［ｐ］（ｋ）＝ｕ↓［ｐ］（ｋ－１）＋Ｋ＊ｗ↓［ｉ］′（ｋ）ｘ↓［ｉ］（ｋ），；５）控制系统总输出为ｕ＝ｕ↓［ｐ］＋ｕ↓［ｎ］。...
【技术特征摘要】
【专利技术属性】
技术研发人员：薛阳，严振杰，易金明，叶建华，钱虹，杨旭红，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：31[中国|上海]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。