基于改進PID神經(jīng)元網(wǎng)絡(luò)的多變量系統(tǒng)控制算法

宋水泉

(惠州工程技術(shù)學校 實訓中心，廣東 惠州 516001)

基于改進PID神經(jīng)元網(wǎng)絡(luò)的多變量系統(tǒng)控制算法

宋水泉

(惠州工程技術(shù)學校 實訓中心，廣東 惠州 516001)

摘要PID神經(jīng)元網(wǎng)絡(luò)具有動態(tài)特性，在系統(tǒng)控制應(yīng)用中相比于傳統(tǒng)的PID控制方法可取得更優(yōu)的效果，但其學習算法為梯度學習算法，初始權(quán)值隨機取得，為了提高其控制量逼近控制目標的速度和系統(tǒng)響應(yīng)時間，引入粒子群算法對初始權(quán)值進行優(yōu)化，最后應(yīng)用Matlab軟件對改進后的PID神經(jīng)元網(wǎng)絡(luò)算法進行仿真。仿真結(jié)果表明，該方法具有較好的控制性能。

關(guān)鍵詞PID；神經(jīng)元網(wǎng)絡(luò)；多變量控制系統(tǒng)；粒子群算法

PID神經(jīng)元網(wǎng)絡(luò)是神經(jīng)元網(wǎng)絡(luò)與PID控制方法相結(jié)合的產(chǎn)物。不同于其他多層前向神經(jīng)元網(wǎng)絡(luò)中神經(jīng)元系統(tǒng)的輸入輸出特性為靜態(tài)和相同的特性，PID神經(jīng)元網(wǎng)絡(luò)的神經(jīng)元系統(tǒng)具有動態(tài)特性，因此在系統(tǒng)控制應(yīng)用中相比于傳統(tǒng)的PID控制方法可取得更優(yōu)的效果[1]。但PID神經(jīng)元網(wǎng)絡(luò)系統(tǒng)使用的是梯度學習算法，它隨機產(chǎn)生初始權(quán)值，故在整個學習過程中，存在易陷入局部最優(yōu)值的問題[2]，這就需要研究優(yōu)化初始權(quán)值的算法以提高PID神經(jīng)網(wǎng)絡(luò)算法性能。

1PID神經(jīng)元網(wǎng)絡(luò)

從結(jié)構(gòu)角度對PID神經(jīng)元網(wǎng)絡(luò) (Neural Network)進行分析，輸入層、隱含層和輸出層構(gòu)成了PID神經(jīng)元網(wǎng)絡(luò)的3大部分，其中 個控制量的PID神經(jīng)元網(wǎng)絡(luò)由 個相互并列的相同子網(wǎng)絡(luò)構(gòu)成，這幾個子網(wǎng)絡(luò)之間是相互獨立的，但是也通過網(wǎng)絡(luò)連接權(quán)值進行各自之間的聯(lián)系。每個子網(wǎng)絡(luò)的輸入層由兩個神經(jīng)元構(gòu)成，其中一個用來接收控制量的目標量，另一個用來接收控制量的當前值。……