bp神经网络算法的改进及其在pid控制中的应用研究硕士论文

《bp神经网络算法的改进及其在pid控制中的应用研究硕士论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、畋IIIloJ：s5￡殂E1．1⑧天津大謦硕士学位。论文_^_嘲■啊R●爿

2、灌哪■nlC学科专业：{奉制理诊与摔制T耪作者姓名：中春期指导教师：张国山教授·’一’．-h-’’，r’fr{l—j-■^2006年1月摘要作为人工智能的重要组成部分，人工神经网络有较大的应用潜力。本文在阐述了神经网络的发展、现状、基本原理及其在自动控制中的应用的基础上，主要研究BP神经网络的结构与算法及其在PID控制中的应用。BP神经网络是目前应用较多的一种神经网络结构。它能以任意精度逼近任意非线性函数，而且具有良好的逼近性能，并且结构简单，是一种性能优良的神经网络。因此，BP神经网络在运用于PID控制时具

3、有其独特的优势。本文研究了BP神经网络的数学理论，详细分析了几种流行的BP神经网络学习算法的优缺点。针对一般BP算法收敛速度慢，易陷入局部极小值的缺陷，本文受Fletcher—Reeves线性搜索方法的指引，提出了基于改进共轭梯度法的BP算法。本文从理论方面对算法进行了深入的分析，介绍了算法的详细思路和具体过程。并将算法训练后的BP神经网络运用到函数逼近中去。仿真结果表明，这种改进方案确实能够改善算法在训练过程中的收敛特性，而且提高收敛速度，取得令人满意的逼近效果。将BP神经网络运用于PID控制中，能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型

4、时出现的参数整定不良和性能欠佳等缺陷。本文在研究了基于BP神经网络的PID控制器结构和算法的基础上，用改进共轭梯度算法对神经网络PID控制器参数进行在线整定，提出了一种基于改进BP神经网络的PID控制方法。仿真结果表明，这种改进方案不仅能够提高算法在训练过程中的收敛速度，而且训练后的BP神经网络具有较强的白适应和自学习能力，对PID控制器参数实现在线整定，从而进一步提高了控制器的性能。关键词：人工智能BP神经网络共轭梯度法PID控制自整定ABSTRACTArtificialneuralnetwork(ANN)．as趾importantpartofartificialintellige

5、nce,hasgreatpotentialinapplieatioiLAtterintroducingthedevelopment,statusquo，basletheory·ofneuralnetworkanditsapplicationtoautomaticcontrol，thisthesismainlystudiesthes11'ucturesandalgorithmsofBPneuralnetworkanditsapplicationtoPIDcontr01．BPneul"d,Inetworkisthemostusedneuralnetworkatpresent．Ithasu

6、niqueapproximationabilityandsimpleslrueture,anditisaneuralnetworkwithgoodperformance．SoithasparticularadvantageswhenappliedinP．IDcontr01．ThispaperstudiesthetheoryofBPneuralnetwork,analyzestheadvantagesanddisadvantagesofseveralpopularlrainingalgorithms．Todealwitllthedefectsofthesteepestdescentin

7、slowlyconvergingandeasilyimmerginginpartialminimumfrequently,atteranalyzingthelinearhuntingmethoddevelopedbyFletcherandReeves，theimprovedconjugategradientalgorithmisbroughtforwardtosolvetheproblem．Thispaperanalyzesthealgorithmdeeplyintheory,introducestheideaandprocess．ThentheBPneuralnetworktrai

8、nedbythisalgorithmisappliedintofunctionapproximation．Theresultsshowthatthisalgorithmimprovestheconvergenceoftrainingprocessandachievesexcellentidentificationeffect．ApplyingtheBPneuralnetworkinPIDcontrolc趾efficientlyovercomethelimi