第5章 结论与展望
人工神经网络理论(Artificial Neural Network—ANN)是近十几年迅速发展起来的一门新兴学科。由于其独特的特性，已应用于控制、信号分析、音处理等多个领域中。在控制领域中，神经网络由于其具有较强的非线性映射自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错性能，不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。这些特性使得神经网络非常适合于复杂系统的建模与控制。特别是当系统存在不确定性因素时，更能体现SIMULINK神经网络方法的优越性。这些都很适合于控制系统中的非线性系统的控制。本文针对在控制领域中应用最广泛的一类控制，PID控制在现代控制越来越高的情况下，由于常规PID控制自身的缺陷，在许多场合已经不能再好的满足控制性能要求的情况下，研究了一系列的改进型PID控制器，其中主要如下成果:
1．提出了基于BP算法的神经网络PID控制器。BP神经网络其具有逼近任意非线性函数的能力，而且结构和学习算法简单明确，通过BP神经网络自身的学习可以找到某一最优控制律下的P，I，D参数。
2．利用MATLAB/SIMULINK建立了基于BP神经网络的PID控制系统，并对系统进行仿真得出仿真图。在仿真的基础上对两者进行了比较得出应用神经网络PID控制，系统的超调量要低，并且在控制品质参数的比较中，神经网络PID控制也表现出比常规PID控制更好的品质。
尽管在应用MATLAB/SIMULINK软件对该系统进行仿真取得了成功，但是神经网络PID控制还是一个比较新的研究领域，基于PID的控制理论还涉及到多个学科的关键技术，同时由于时间仓促加上笔者刚刚涉及这一领域，许多重要的研究内容尚未涉及，有些虽进行了研究但深度不够。因此还存在局限性，需要进一步的研究和完善。主要是在应用神经网络的BP算法对系统进行仿真时由于算法的收敛速度慢，在进行系统训练时所花的时间过
展望今后的工作，在现有工作的基础上，还有很多的工作需要进一步深入，笔者认为至少在以下几方面有进一步研究的必要。主要有:
1.对BP算法的改进。例如为了使学习速率足够大，而且又不易产生振荡，可以在权值调整算法中加入阻尼项的方法或者使用变步长的学习算法，这将提高BP学习算法的收敛速度，从而可以实现系统的快速响应。对神经网络学习算法的研究这将是神经网络领域的一个具有可研究性的课题。
2.对神经网络结构进行改进，应用其他性能更加优良的网络结构来实现神经网络学习过程，例如应用RBF网络结构、小脑模型网络等来进行神经网络学习，或者利用其他如:连续型Hopfield网络、局部递归型神经网络等进行网络学习，从而改善利用BP网络进行网络学习时的缺点。这是在应用神经网络进行PID控制中具有挑战性的一个研究方向。
3.为了使被控系统的跟踪特性和抗干扰特性同时达到最优状态，二自由度、甚至多自
28
长(大概30秒左右)，这不利于系统的快速响应。
由度PID控制将是一个具有应用前景的课题。
29
参 考 文 献
[1] 刘金琨．先进PID控制及其MATLAB仿真.北京：电子工业出版社,2004 [2] 易继锴，侯媛彬.智能控制技术.北京：北京工业大学出版社，1999 [3] 张德丰等.MATLAB神经网络应用设计.北京：机械工业出版社，2009
[4] 张德丰等.MATLAB／SIMULINK建模与仿真实例精讲.北京：机械工业出版社，2010 [5] 姜长生等. 智能控制与应用.北京：科学出版社，2007
[6] 周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计.北京：清华大学出版社，2005 [7] 李国勇. 智能控制及其MATLAB实现.北京：电子工业出版社，2005
[8] 龚菲,王永骥. 基于神经网络的PID参数自整定与实时控制.华中科技大学学报(自然科学版)，
2002,30（10）：298-305
[9] 赵望达,鲁五一,徐志胜,刘子建. PID控制器及其智能化方法探讨.化工自动化及仪表
1999,26(6):45-48
[10] 谷传纲，阎防，王彤.采用改进的BP神经网络预测离心通风机性能的研究.西安交通大学学报，
1999,33(3):43-47
[11] 郭艳兵，齐古庆，王雪光.一种改进的BP网络学习算法.自动化技术与应用，2002,26(2):13-14 [12] 徐丽娜. 神经网络控制.北京：电子工业出版社， 2003 [13] 李少远，王景成. 智能控制.北京：机械工业出版社，2005 [14] 韩力.神经网络理论、设计及应用.北京：化学仁业出版社,2002
[15] 夏玮，李朝晖，常春藤.控制系统仿真与实例讲解.北京：人民邮电出版社，2008 [16] 李国勇.智能控制及其Matlab仿真.北京：电子工业出版社，2005
[17] 黄友锐，曲立国.PID控制器参数整定与实现.北京：科学出版社，2010 [18] 尔桂花，窦曰轩.运动控制系统.北京：清华大学出版社，2005 [19] 胡寿松.自动控制原理.北京：科学出版社，2001 [20] 金以慧.过程控制.北京：清华大学出版社，1993
[21] 光建武.神经网络技术及应用.北京：中国铁道出版社，2000
[22] Rumelhart D E,et al.Learning Representation by BP Errors.Nature(London),1986,(7):64-70 [23] GustafssonT K,skrifwars B O.modeling of pH for control.Ind.Eng.Chem.Res,1995,34(10):
820-933
[24] Patrick P,et al.Minimisation Met hod for Training Feed forward Neural Network.Neural
Network,1994,(7):145-163
[25] Astrom KJ.Toward intelligentcontrol.IEEE Contro l System Magazine,1989,47(2):60264
[26] Astrom KJ.Automatic tuning of simple regula to rswith specification on phase and am plitude
margins.Automatic,1984,20(5):61-72
30
附 录
C 源程序：
%BP based PID Control
%基于BP神经网络自整定PID单闭环直流调速系统 clear all; close all; xite=0.3; alfa=0.3;
S=1; %Signal type
IN=4;H=5;Out=3; %NN Structure if S==1 %Step Signal
wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi;
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo; end
x=[0,0,0];
u_1=0.0;u_2=0.0;u_3=0.0;u_4=0;u_5=0; y_1=0.0;y_2=0.0;y_3=0.0;y_4=0;y_5=0;
Oh=zeros(H,1); %Output from NN middle layer I=Oh; %Input to NN middle layer error_2=0; error_1=0; ts=0.005;
for k=1:1:1000 time(k)=k*ts; if S==1
rin(k)=1.0; elseif S==2
rin(k)=sin(1*2*pi*k*ts); end
%Unlinear model
sys=tf(228.57,[2.13e-06 1.4e-003 0.7667 1 ]); dsys=c2d(sys,ts,'z');
31
[num,den]=tfdata(dsys,'v');
yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(2)*u_1+num(3)*u_2+num(4)*u_3 error(k)=rin(k)-0.01178*yout(k); xi=[rin(k),yout(k),error(k),1]; x(1)=error(k)-error_1; x(2)=error(k);
x(3)=error(k)-2*error_1+error_2; epid=[x(1);x(2);x(3)]; I=xi*wi'; for j=1:1:H
Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer end
K=wo*Oh; %Output Layer for l=1:1:Out
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd end
kp(k)=K(1);ki(k)=K(2);kd(k)=K(3); Kpid=[kp(k),ki(k),kd(k)]; du(k)=Kpid*epid; u(k)=u_1+du(k);
if u(k)>=10 % Restricting the output of controller u(k)=10; end
if u(k)<=-10 u(k)=-10; end
dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001)); %Output layer for j=1:1:Out
dK(j)=2/(exp(K(j))+exp(-K(j)))^2; end
for l=1:1:Out
delta3(l)=error(k)*dyu(k)*epid(l)*dK(l); end
for l=1:1:Out for i=1:1:H
d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); end end
wo=wo_1+d_wo+alfa*(wo_1-wo_2); %Hidden layer for i=1:1:H
dO(i)=4/(exp(I(i))+exp(-I(i)))^2; end
segma=delta3*wo;
32