神经网络控制模型设计与仿真研究(2)
5.1 S函数的介绍 15
5.2 S函数的调用 15
5.3 S函数的设计 15
6 建模与仿真 17
6.1 传统PID控制与神经网络PID控制 17
6.2 基于BP神经网络的PID自适应控制 21
致谢 27
参考文献 28
1 引言
在经典控制理论和现代控制理论,数学模型是基础,然后通过建立数学模型来实现控制系统的设计。面对如今工程实践和工程应用中所需要满足的控制要求,唯一的基于数学模型的传统控制方法已经不能满足需求,在控制系统设计中,主要的和最困难的问题是如何对复杂,变化和不确定性的被控对象和环境做出有效控制决策。因此我们需要寻找一种新的控制理论和方法去解决诸如此类的问题。
通过研究发现，可以通过无模型控制来提高控制系统的适应性和鲁棒性，所以，我们可以通过无模型控制来作为我们的突破口和发展方向。神经网络的理论研究从二十世纪八十年代来获得了迅猛发展。神经网络控制适用与在被控对象具有不确定性或者非线性的情况下，是一种几乎不依赖于模型的控制方法，并且有着很强的适应性和学习能力，它是智能控制的一个重要分支。神经网络作为一个如今很火热的交叉学科，无论是在生产还是生活中都得到了广泛的应用。
神经网络之所以在当今得到我们的研究，是因为它具有以下比较好的特性：（1）具有自适应功能。它能够根据所提供的数据，通过学习和训练，找到和输出之间的内在联系，然后解答问题，而不是依赖它对问题的先验知识和规则来解答问题，所以它拥有很好的适应性。（2）具有泛化功能。它能够处理那些有噪声而不完全的数据，从而显示了很好的容错能力。对于很多实际问题来说，泛化能力是极其有用的，因为在实际中我们所获得的数据常常受到噪声而变的残缺不全。（3）非线性映射功能。在处理实际问题中，各个因数彼此之间会相互影响，表现出复杂的非线性关系，在处理这类问题上神经网络提供了很好的工具。（4）高度并行处理。神经网络的处理是高度并行的，所以用硬件实现的神经网络的处理速度比通常计算机处理的速度要快。（5）既可在线计算，又可离线计算，灵活性大。（6）采用并行分布式信息处理方法，适用于多信息融合，可同时综合定量和定性信息，对多输入多输出系统较为方便，具有很强的鲁棒性和容错性。[1]
人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。网络取决于系统的复杂性，通过调整内部大量节点之间相互连接的关系，然后来达到处理信息的目的。人工神经网络具有自主学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用一个新的输入数据来计算输出，这种学习分析的过程被称为“训练”。
早在一九四三年，人工神经网络研究的先锋Mindlike和Pize提出了一种叫做“似脑机器”的思想，这种机器是由基于生物神经元特性的互连模型来制造的，这就是神经学网络的概念。他们构造了一个表示大脑基本组成部分的神经元模型，对逻辑操纵系统表现出通用性。随着大脑和计算机研究的发展，研究目标已经从“似脑机器”变为“学习机器”，为此一直关心神经系统适应率的Hebb提出了学习模型。Rosenblatt命名感知器，并设计了一个令人瞩目的结构。到二十世纪吹冰十年代初期，关于学习系统的专用设计方法有Widrow等人提出的Adaline以及Steinbuch等人提出的学习矩阵。由于感知器的概念简单，所以人们在刚开始的时候对它抱有很大的期望。然而，不久之后，Minsky和Papert从数学上证明了感知器不能实现复杂的逻辑功能。