PID神经元网络及控制算法精选.pptx

PID神经网络及控制算法;PID参数调整;; 假设水箱假设咱们这个水箱不仅仅是装水的容器了，还需要持续稳定的给用户供水。; 积分的意义在于相当于你增加了一个水龙头，这个水龙头的规则是，水位比预定水位低就一直往大拧，比预定高度高就往小拧.如果漏水速度不变，那么总有一天这个水龙头的出水速度恰好和漏水速度相同. 我们把之前的控制器变成:比例环节+积分环节，积分环节可以消除系统静差.; 在传统的控制中，往往只考虑控制系统和受控系统所组成的独立体系，忽略了环境所施与的影响，而现在的大规模复杂的控制和决策问题，必须把外界环境和对象，以及控制系统作为一个整体来进行分析和设计。 工程用语到数学描述的映射过程中，一方面使问题作了很多简化，但另一方面却使原问题丢失了很多信息。 (1)不适应不确定系统的控制 (2)不适应非线性系统的控制 (3)不适应时变系统的控制 (4)不适应多变量系统的控制 神经元网络是以大脑生理研究成果为基础模拟大脑的某些机理或者机制，由人工建立的以有向图为拓扑结构的网络，它通过对连续或断续的的输入做响应处理。神经元网络具有很强的信息综合能力，它能处理大量不同类型的输入信息。 ; 基于神经元的智能控制系统也称基于连接机制的智能控制系统，随着人工智能网络越来越多地应用于控制领域的各个方面。从过程控制，机器人控制，生产制造，模式识别，直到决策支持都有许多应用神经元网络的例子。它在系统的辨识、建模、自适应控制中特别收到重视，尤其是他比较好地解决了具有不确定性、严重非线性、时变和滞后的复杂系统的建模和控制问题。但是，一般神经元网络的弱点，制约了其在控制系统中的应用. 1.神经元网络的收敛速度很慢，训练和学习时间很长 2.神经元网络隐含单元个数的选取尚无定则 3.神经元网络连接权重初值多被取为随机数，存在陷入局部最小值的可能，使控制性能难以达到预期效果 4.神经元的结构、参数和机能，难以与控制系统所要求的响应快、超调小、无静差和动态性能指标相联系 5.为了满足系统需求时，大量增加隐含层神经元个数，网络计算量很大，使在当前的技术水平下很难控制的实时性;比例、积分、微分(PID)神经元 人工神经元网络是由大量的、同时又是简单的处理单元广泛地相互连接而形成的复杂网络系统，从拓扑结构上看是以处理单元为节点，用加权有向弧相连接而成的有向图。人工神经元网络反映了生理神经元网络的许多基本特性，是对生理神经元网络系统的许多基本特性。 神经元假说: (1)某种生物神经元接受来自其他神经元的输入信息后，该神经元的状态将与所接受的信息一定比例的规律发生变化，并按此规律进行发放。 (2)某种生物神经元接受来自其他神经元的输入信息后，该神经元的状态将与输入信息的累积量有关，并按此规律进行发放。 (3)某种生物神经元接受来自其他神经元的输入信息后，该神经元的状态将与输入量的变化(微分)有关，并按此规律进行发放。; 神经元网络的处理单元，称之为神经元，是神经元网络最基本的组成部分.尽管有不同类型的神经元，但他们具有共同的特征和共同的性质. 神经元基本结构模型形式：; 神经元模型结构框图：; PIDNN的基本形式——SPIDNN，将PID神经元放入多层向前网络，就构成PIDNN，PIDNN是动态多层向前网络，它的动态性不是通过网络连接方式或者反馈方式实现的，而是通过内部的神经元实现的.; SPIDNN向前算法： 输入层：SPIDNN输入层有两个神经元，在构成控制系统可分别输入系统被调量的给定值， 其输入： ; 隐含层：隐含层是神经元网络最重要的层次，SPIDNN的隐含层有三个神经元，分别为比例元、积分元、微分元，它们各自的输入总值为：;输出层：SPIDNN的输出结构比较简单，它包含一个神经元，完成网络的总和输出功能，其总输入为：;SPIDNN反传算法：;其对应的表达公式：; 相当于与直线 y = ax + b 的求参数：k，b.和直线拟合一样，深度学习的训练也有一组目标函数，一般采用成本函数cost function 来衡量拟合出的参数算不算的上一组好的参数。; 我们经常采用梯度下降法，就能有效的解决最小化cost函数的问题，梯度下降法需要给定一个初始点，并求该点的梯度向量，然后以负梯度方向为搜索方向，以一定的步长进行搜索，从而确定下一个迭代点，再计算新的梯度方向，如此重复直至cost收敛。; 想象一下你正站在上顶这一点，站