论文部分内容阅读
基于RBF神经网络辨识的单神经元PID控制是神经网络PID控制的一种典型结构,它通过RBF神经网络辨识获得对象的Jacobian信息,用于指导单神经元权值系数的学习,实现了PID参数的在线整定。其中,RBF神经网络结构和参数的选取很大程度上决定了网络的逼近性能,在常规RBF神经网络中,由于网络结构固定,对时变、复杂非线性系统的适应性较差。因此,本文采用序贯学习算法在线构建RBF神经网络,使其结构和参数更加优化,进而组成了基于RBF神经网络序贯学习算法的单神经元PID控制结构。仿真结果表明,序贯学习算法在一定程度上提高了RBF神经网络的辨识精度和收敛速度,从而改善了控制器的自适应性能,提高了控制精度和响应速度,对非线性系统能够取得较为理想的控制效果。本文主要包括以下内容:(1)研究了神经网络PID控制方法,重点介绍了基于RBF神经网络辨识的单神经元PID控制的原理和结构。(2)研究了几种目前常用的RBF神经网络序贯学习算法,并针对最小资源分配网络算法在隐层神经元删除策略与阈值调整算法中存在的不足,提出了一种改进的最小资源分配网络算法。通过对非线性系统辨识的仿真,分析了改进算法的优势与不足。(3)研究了动态正交结构自适应算法,针对算法在隐层神经元删除策略和网络参数调整中存在的不足,提出了一种改进的动态正交结构自适应算法。通过对非线性系统辨识的仿真,与几种常用的序贯学习算法进行了性能比较,验证了改进算法的有效性和优越性。(4)分别将采用三种不同序贯学习算法的RBF神经网络作为辨识器,与单神经元PID控制相结合,组成了基于RBF神经网络序贯学习算法的单神经元PID控制结构。以典型非线性系统为对象进行控制仿真,结果表明,与基于常规RBF神经网络辨识的单神经元PID控制相比,基于RBF神经网络序贯学习算法的单神经元PID控制具有一定的优势,并且当该控制结构中的辨识网络采用本文提出的改进的动态正交结构自适应算法时,比采用最近邻聚类算法和最小资源分配网络算法时,得到的控制效果更好。