基于BP神经网络的应用.doc

PAGE-4-哈尔滨工程大学学报第28卷

增刊第一作者姓名，等：文章题目PAGE-3-

第31卷第4期哈尔滨工程大学学报Vol.31No.4
2010年4月JournalofHarbinEngineeringUniversityApr.2010

文章题目

创

新

点

自

述
创新点自述与摘要有一定的区别，作者应把文章具体新在哪里，好在哪里写出来，说明本文较前人工作有何创新，好的创新点自述能增加文章的可读性，也能给评审人留下好的印象。
基于BP神经网络的的应用
照片尺寸为20mm*30mm；最好不用红色背景
摘要：PID控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制的作用，形成控制量中既相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找到最佳的。神经网络所具有的的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳线性组合的PID控制。采用BP网络，可以建立参数，，自学习的PID控制器，并给出BP仿真实例。
关键词：PID；神经网络；BP网络模型
Doi：10.3969/j.issn.1006-7043.
中图分类号：（作者本人填写）文献标识码：A文章编号：1006-7043(2006)xx-xxxx-x
BasedontheapplicationofBPneuralnetwork
Abstract：PIDcontroltoachievegoodcontroleffect,itmustbyadjustingtheproportional,integralanddifferentialthreecontrolfunction,controlquantityinbothcooperatewitheachotherandmutualrestrictrelationship,thisrelationshipisnotnecessarilyasimplelinearcombination,fromtheendlessvarietyofnonlinearcombinationcanbefoundinthebest.Neuralnetworkwiththearbitrarynonlinearexpressiveness,canthroughthestudyoftheperformanceofthesystemtoachievethebestlinearcombinationofPIDcontrol.ByusingBPnetwork,，，Self-learningPIDcontrollerwithBPsimulationexamplesarepresented
Keywords：PID;ANN;BP
收稿日期：xxxx-xx-xx.
基金项目：基金项目名称（编号）.
作者简介：姓名(出生年-),性别,职称,学位，E-mail（通信作者）；
姓名(出生年-),性别,职称,学位.
通信作者：姓名(出生年-),性别,职称,学位，E-mail（如不是作者简介里的作者）.
自从计算机进入控制领域以来，用数字计算机代替模拟计算机调节器组成计算机控制系统，不仅可以用软件实现PID控制算法，而且还可以利用计算机的逻辑功能，使PID控制更加灵活。数字PID控制在生产过程中是一种最普遍采用的控制方法，在机电、冶金、机械、化工等行业中获得了广泛的应用。将偏差比例（P）、积分（I）、和微分（D）通过现行组合构成控制，对被控制对象进行控制，故称PID控制器。BP网络本质上是一种由输入到输出的映射，它不需要任何输入和输出之间的精确数学表达式，只要用已知的输入输出数据加以训练，网络就具有输入与输出之间的映射能力。BP算法的关键在于隐含层的学习规则，而隐含层就相当于对输入信息的一个特征抽取器。

1基于BP神经网络整定的PID控制
基于BP网络的PID控制器由两部分组成：
（1）经典的PID控制器，直接对被控制对象进行闭环控制，并且三个参数，，为在线调整方式。
（2）神经网络，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出状态对于PID控制器的三个可调整参数，，通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优空置率下的PID控制器参数。

1.1仿真实例
设被控制对象的近似数学模型为：

式中，系数是慢时变的，

学习速率和惯性系数加权系数初始值取区间上的随机数。输入指令信号分为两种:

取S=1时为阶跃跟踪，初始权值取随机值，运行稳定后用稳定权值代替随机值。其结果如下图
图1阶跃响应曲线
Fig.1Title

图二跟踪误差曲线

图三参数自适应整定曲线

2结论
经过训练的BP神经网络模型逼近效果好，跟