设计一个BP神经网络监督控制系统
基于BP神经网络的PID控制器的设计
基于BP神经网络的PID控制器的研究与实现课程名称：人工神经网络目录前言 (3)一、BP神经网络 (4)二、模拟PID控制系统 (5)三、基于BP神经网络的PID控制器 (6)四、仿真程序 (10)五、运行结果 (17)六、总结 (18)参考文献 (19)前言人工神经网络是以一种简单神经元为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统。
不仅如此，人工神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索的功能。
不同领域的科学家，对人工神经网络有着不同的理解、不同的研究内容，并且采用不同的研究方法。
对于控制领域的研究工作者来说，人工神经网络的魅力在于：①能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或控制器模型；②能够学习和适应不确定性系统的动态特性；③所有定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运算。
对于长期困扰控制界的非线性系统和不确定性系统来说，人工神经网络无疑是一种解决问题的有效途径。
正因为如此，把人工神经网络引入传统的PID 控制，将这两者结合，则可以在一定程度上解决传统PID 调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。
一、BP神经网络BP神经网络是一种有隐含层的多层前馈网络，其结构如图1-1所示。
如果把具有M个输入节点和L个输出节点的BP神经网络看成是从M维欧氏空间到L维欧氏空间的非线性映射，则对于具有一定非线性因数的工业过程被控对象，采用BP网络来描述，不失为一种好的选择。
在BP神经网络中的神经元多采用S型函数作为活化函数，利用其连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正加权系数，以期使误差均方值最小。
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID（Proportional-Integral-Derivative）控制器是一种常用的自动控制器，其通过测量系统的输出偏差，根据比例、积分和微分三个因素来控制系统的输出。
然而，传统的PID控制器难以适应复杂、非线性和时变的系统，对于这类系统的控制，神经网络已经被证明是一种有效的方法。
本文将介绍基于BP神经网络的PID控制系统设计。
二、BP神经网络简介BP神经网络（Backpropagation Neural Network）是一种常用的前向反馈型人工神经网络，其通过反向传播算法来训练网络参数，从而实现对输入数据的学习和预测。
BP神经网络拥有多层神经元，每个神经元都与下一层神经元相连，并通过权重和阈值来传递和处理输入信息。
三、PID控制器简介PID控制器由比例（Proportional）、积分（Integral）和微分（Derivative）三个部分组成，其控制输出的公式为：u(t) = Kp * e(t) + Ki * ∑e(t)dt + Kd * de(t)/dt其中，u(t)为控制器的输出，Kp、Ki、Kd为控制器的三个参数，e(t)为系统的输出偏差，∑e(t)dt为偏差的积分项，de(t)/dt为偏差的微分项。
1.数据采集和预处理：首先需要采集系统的输入和输出数据，并对其进行预处理，包括数据归一化和滤波处理等。
2.神经网络设计和训练：根据系统的输入和输出数据，设计BP神经网络的结构，并使用反向传播算法来训练网络参数。
在训练过程中，根据系统的输出偏差来调整比例、积分和微分三个参数。
3.PID控制器实现：根据训练得到的神经网络参数，实现PID控制器的功能。
在每个控制周期内，根据系统的输出偏差来计算PID控制器的输出，将其作为控制信号发送给被控制系统。
4.参数调优和性能评估：根据控制系统的实际情况，对PID控制器的参数进行调优，以提高系统的控制性能。
基于BP算法的模糊神经网络控制系统的仿真实现
基于BP算法的模糊神经网络控制系统的仿真实现随着计算机和控制技术的不断发展，控制系统的设计也越来越受到关注。
基于BP算法的模糊神经网络控制系统是一种新型的控制方法，可以有效解决传统控制方法难以解决的问题。
在本篇文章中，我们将介绍基于BP算法的模糊神经网络控制系统的仿真实现。
1. BP算法简介BP算法是一种常见的人工神经网络训练算法，它是一种迭代算法，通过不断调整权值来实现网络的训练。
BP算法的基本思想是利用梯度下降求出网络误差函数的最小值。
在模糊神经网络中，BP算法可以用于训练输入输出关系的映射。
通过训练可以得到网络的权值和阈值，使得网络能够更好地拟合输入输出映射。
2. 模糊神经网络控制系统模糊神经网络控制系统是一种强大的控制方法，它将模糊控制和神经网络控制相结合，能够有效地处理模糊性问题和非线性问题。
模糊神经网络控制系统将模糊控制器和神经网络控制器相结合，用模糊控制器处理模糊性问题，用神经网络控制器处理非线性问题。
3. 仿真实现在仿真实现中，我们以飞行控制系统为例，设计了一个基于BP算法的模糊神经网络控制系统，该系统包含一个模糊控制器和一个BP神经网络控制器。
模糊控制器将输入的误差和误差变化率转化为模糊量，然后根据模糊规则得到输出控制量。
BP神经网络控制器通过训练得到输入输出映射，进而对输出控制量进行优化。
我们通过MATLAB软件进行仿真，将仿真结果与经典控制方法进行对比，发现基于BP算法的模糊神经网络控制系统具有更好的控制性能和更强的鲁棒性。
在控制飞行器的姿态过程中，基于BP算法的模糊神经网络控制系统具有更快的响应速度和更小的稳态误差。
4. 总结基于BP算法的模糊神经网络控制系统是一种强大的控制方法，能够有效地解决传统控制方法难以解决的问题。
在仿真实现中，我们设计了一个基于BP算法的模糊神经网络控制系统，得到了良好的控制效果，这也表明了该方法的可行性和优越性。
在实际应用中，我们需要对系统进行优化和调试，以达到更好的控制效果。
基于BP神经网络的PID控制器设计
基于BP神经网络的PID控制器设计PID控制器是一种常用的控制器，可以通过根据系统的误差、历史误差和误差的变化率来计算控制信号，从而实现对系统的控制。
传统的PID控制器可以通过调节PID参数来实现对系统动态特性的控制，但是参数调节过程往往需要经验和反复试验，而且很难实现对非线性系统的精确控制。
近年来，基于BP神经网络的PID控制器设计方法得到了广泛的关注。
BP神经网络是一种常用的人工神经网络模型，可以通过训练得到输入与输出之间的映射关系。
在PID控制器设计中，可以将误差、历史误差和误差的变化率作为BP神经网络的输入，将控制信号作为输出，通过训练神经网络来实现对控制信号的合理生成。
1.数据预处理：首先需要采集系统的输入输出数据，包括系统的误差、历史误差和误差的变化率以及相应的控制信号。
对这些数据进行归一化处理，以便神经网络能够更好地学习和训练。
2.网络结构设计：根据系统的特性和要求，设计BP神经网络的输入层、隐藏层和输出层的神经元数量。
通常情况下，隐藏层的神经元数量可以根据经验设置为输入层和输出层神经元数量的平均值。
3.训练网络：采用反向传播算法对神经网络进行训练，以获得输入和输出之间的映射关系。
在训练过程中，需要设置学习率和动量系数，并且根据训练误差的变化情况来确定训练的终止条件。
4.参数调整：将训练得到的神经网络与PID控制器相结合，根据神经网络的输出和系统的误差、历史误差和误差的变化率来计算控制信号，并通过对PID参数的调整来实现对系统的控制。
1.适应能力强：BP神经网络能够通过训练来学习系统的动态特性，从而实现对非线性系统的精确控制。
2.自适应性高：BP神经网络能够根据实时的系统状态来实时调整控制信号，从而实现对系统动态特性的自适应控制。
3.参数调节方便：通过BP神经网络的训练过程，可以直接得到系统的输入和输出之间的映射关系，从而减少了传统PID控制器中参数调节的工作量。
4.系统稳定性好：基于BP神经网络的PID控制器能够根据系统状态及时调整控制信号，从而提高了系统的稳定性和鲁棒性。
基于BP神经网络的自适应PID控制器设计
基于BP 神经网络的自适应PID 控制器设计一．基于BP 神经网络的自适应PID 控制器的原理PID 控制是最早发展起来的、 应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。
其优点是算法简单、 鲁棒性好和可靠性高。
但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID 控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、 性能欠佳。
神经网络所具有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组合的PID 控制。
基于BP 网络的自适应PID 控制器，通过BP 神经网络调整自身权系数，对PID 控制参数进行调节，以达到某种性能指标的最优。
二．基于BP 神经网络的自适应PID 控制器的控制器结构基于BP 神经网络的PID 控制系统结构图如图1所示：此控制器由两部分组成：（1）经典的PID 控制器，直接对被控对象进行闭环控制，并且三个参数p K ，i K ，d K 为在线调整方式；图1 BP 网络结构p ki kd ki（2）神经网路，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，是输出层神经元的输出状态对应于PID 控制器的一个可调参数p K ，i K ，d K 。
通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID 控制器参数。
基于BP 神经网络的自适应PID 控制器的控制器如图2所示：该控制器的算法如下：（1）确定BP 神经网络的结构，即确定输入节点数M 和隐含层节点数Q ，并给各层加权系数的初值)0(1ij w 和)0(2ij w ，选定学习速率η和惯性系数α，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)；（3）计算神经网络NN 各层神经元的输入、输出，NN 输出层的输出即为PID 控制器的三个可调参数p K ，i K ，d K ；（4）根据经典增量数字PID 的控制算法(见下式)计算PID 控制器的输出u(k)； ))2()1(2)(()())1()(()1()(-+--++--+-=k error k error k error K k error K k error k error K k u k u d i p （5）进行神经网络学习，在线调整加权系数)(1k w ij 和)(2k w ij 实现PID 控制参数的自适应调整；（6）置k=k+1，返回到（1）。
基于BP神经网络的车库实时监控系统设计
发现有 以下关系 。 当学习率和隐藏层单元数 目一定时，
（ １ ）算 法 的 训 练 时 间 随 着 样 本 数 量 的 增
加而增加：
络能够体现复杂 的非动态 关系 。神经 元之间的 连接体现 了很多关系 中的非线性 映射 。神经 网
参考文献
［ １ ］杜杰 ．两种基 于灰度 的快速 图像 匹配算法
［ Ｄ ］ ． 大连海事大学 ， ２ ０ ０ ７ ．
［ ２ 】 刘锦峰 ． 图像模板 匹配快速算法研 究 ［ Ｄ ］ ．
中南大学 ， ２ ０ ０ ７ ． ［ ３ ］张强 ．图像 匹配 算法研 究 ［ Ｄ ］ ．西 安 电子 科技大学 ， ２ ０ ０ ６ ． ［ ４ ］蒋 先 刚 ．数 字 图 像 模 式 识 别 工 程 软
网 络 的 输 入 。 针 对 神 经 网络 的 特
己知网络 的输入 向量 ｕ是 ｎ维 ，输 出向量 Ｙ是 ｍ 维 ，输入 ／ 输出样本对 （ 即导师信号 ）长度 为 Ｌ。其 中 ＢＰ神 经网络 的输入单 元根据其 输
入 的 内容 来 定 ，在 系 统 中输 入 部 分 由直 方 图 来
点，综合 考 虑监 控 过程 中可 能 出 现 的一 些噪 音，建 立有 效 的训 练 样 本和 测 试样 本，Ｂ Ｐ神 经 网络 在 设 计合 适 的情 况 下可 以在 车辆监 控 中发 挥 极 大作 用 。
Ｎ ｅ ｔ ｗｏ ｒ ｋ Ｗｏ ｒ ｌ ｄ・ 网络天地
基于 Ｂ Ｐ神经 网络的车库 实时监控 系统设计
文／ 吴 淑 婷
Ｂ Ｐ学 习算 法 由 正 向传 播 和 反 向传 播 组 成
魄藏 屡
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID控制系统是目前工业控制中广泛应用的一种基本控制方法，它通过测量控制系统的偏差来调节系统的输出，以实现对控制对象的稳定控制。
然而，传统的PID控制器需要事先对系统建模，并进行参数调整，工作效果受到控制对象模型的准确性和外部干扰的影响。
而BP神经网络具有非线性映射、自适应性强、鲁棒性好等优点，可以有效地克服传统PID控制器的缺点。
因此，基于BP神经网络的PID控制系统设计成为当前研究的热点之一二、基于BP神经网络的PID控制系统设计理论1.PID控制器设计原理PID控制器是由比例环节（Proportional）、积分环节（Integral）和微分环节（Derivative）组成的控制器，其输出信号可以表示为：u(t) = Kp*e(t) + Ki*∫e(t)dt + Kd*(de(t)/dt)，其中e(t)为控制系统的输入偏差，t为时间，Kp、Ki和Kd分别为比例系数、积分系数和微分系数。
2.BP神经网络理论BP神经网络是一种前馈型神经网络，通过反向传播算法对输入信号进行学习和训练，从而得到最优的网络结构和参数。
BP神经网络由输入层、隐层和输出层组成，其中每个神经元与上、下相邻层之间的神经元互相连接，并具有非线性的激活函数。
3.基于BP神经网络的PID控制系统设计理论基于BP神经网络的PID控制系统设计的核心思想是将BP神经网络作为PID控制器的自适应调节器，根据控制对象的输入信号和输出信号之间的误差进行训练和学习，通过调整BP神经网络的权重和阈值来实现PID 控制器的参数调节，从而提高控制系统的稳定性和鲁棒性。
三、基于BP神经网络的PID控制系统设计步骤1.系统建模首先，需要对待控制对象进行建模，获取其数学模型。
对于一些复杂的非线性系统，可以采用黑箱建模的方法，利用系统的输入和输出数据进行数据拟合，获取系统的数学模型。
2.BP神经网络训练将系统的数学模型作为BP神经网络的训练集，通过反向传播算法对BP神经网络进行训练，得到最优的网络结构和参数。
一个基于BP神经网络的PID温度控制系统的研究与实现
一个基于BP神经网络的PID温度控制系统的研究与实现文章以注塑机温度控制系统为应用背景，研究了一个基于BP神经网络的PID温度控制系统。
标签：温度控制系统；研究；实现国内市场中的注塑机温度控制系统大多采用比例积分微分（PID）控制和模糊控制。
在塑料机械中，料桶的温度控制非常关键，低于或者高于塑料的适宜熔融标准都会影响产品的最终成型质量。
由于产品成型过程复杂而且可影响因素多，如果可以做好料桶的温控就可以对整个生产起到事半功倍的效果。
但是这几种控制方式都需要建立精确的数学模型，而注塑机温度控制系统是一个大滞后、强耦合、非线性的时变系统，建立精确的数学模型是非常困难的，因此PID温控系统的效果并不是很理想，鉴于这种情况，本文引入一个基于BP神经网络的温度PID控制系统来改善注塑机温度控制。
神经网络具有表达任意非线性映射的能力，能够对非线性系统进行建模。
利用神经网络的这一特点建立动态模型，作为预测控制器的预测模型，可用于热力过程的预测和控制，应用BP神经网络，通过学习和训练逼近对象的真实模型。
对温度控制的各相关指标的相对权重确定。
影响温度变化各相关因素在输入预测和评估模型时，需要一组决定其相对重要性的初始权重，权重的确定需要基本的原则作支持。
例如确定温度的上限及下限，纯加热控制段的比例，不同位置的温度控制段的默认PID参数等。
目前本文使用的是基于经验的三层架构的BP神经网络架构，通过输入层对采样数据的输入，隐含层的各种计算，并把计算结果通过输出传递出去，这样经过在线指导后，可以满足BPN-PIDS系统的算法的实现。
其中各层的连接权值首先通过随机赋值的方式进行，然后根据各指导案例的学习，得到健壮的权重值。
本文的主要工作是设计并实现了一个基于BP神经网络的温度PID控制系统（BP neural network PID system简称为BPN-PIDS），其核心是PID神经网络，如图1-2 BPN-PIDS控制算法所示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
题目：设计一个BP 神经网络监督控制系统，被控对象为：
1000
G ( s)
s387.35s210470 s
采样时间 1ms，输入信号为方波信号，幅值 0.5，频率 2hz。
设计一个 BP神经网络用于该控制系统，并采用遗传算法进行 BP 神经网络参数及权值的优化设计，并试进行 matlab 仿真。
1、设计结构方案
控制器选取 PD 控制器， k p50,k d0.5
2、神经网络参数
神经网络为2-4-1 结构，权值W1,W2的初始值取1, 1 之间的随机值，取学习参数0.3,0.05 。
(1)前向传播：计算网络输出
隐层神经元的输入为所有输入的加权之和，即
x j w ij x i
i
隐层神经元的输出x'j采用S 函数激发x j，得
x 'j f ( x j )
1
1
e x j
输出层神经元的输出为
u (k )
w jo
x '
n
j
j
控制律为
u(k ) u p (k) u n (k)
神经网络调整的性能指标为
E(k )
1
(u n (k ) u( k)) 2
2
u p ( k) u (k)
近似取
n
，由此产生的不精确通过权值调节来补偿。
w j (k)
w i ( k)
(2) 反向传播：采用 学习算法，调整各层间的权值输出层及隐层的连接权值 w j 2 学习算法为
w
j 0
E u p (k ) u n
u p (k) x 'j
w
j 0
w
j 0
隐层及输入层连接权值 w ij 学习算法为
w ij
E u p ( k)
u n
w ij
w ij
式中，
u n w j 0 x 'j (1 x 'j ) x i
w ij
k 1 时刻网络的权值为
w j 0 (k 1) w j 0 ( k)
w j 0
(w j 0 (k) w j 0 (k 1))
w ij (k
1) w ij (k ) w
ij
(w ij (k ) w ij (k 1))
3、离散化对象
y(k )
den(2) y(k 1) den(3) y(k 2) den(4) y(k 3)
num (2)u(k
1) num(3)u(k
2) num(4) u(k 3)
4、Matlab 仿真
BP 神经网络监督控制程序见附录程序BP.m，参数M 1 时采用随机权值，仿真结果如下图
优化前的BP 神经网络监督系统
5、遗传算法进行BP神经网络参数及权值的优化设计
遗传算法程序见附录GA1.m，取优化代数G 100，每一步的误差及目标函数由GA2.m 求得。
采用二进制编码方式，用长度为10 位的二进制编码串来分别表示向量权值中每个值。
遗传算法优化中，取样本个数为Size 30 ，交叉概率为P c0.60 ，采用自适应变异概率，即适应度越小，变异概率越大，取变异概率
P m0.0011S:i 1z :e0 .。
S0取i0z用1e于/优化的网络结构
16 1 ，网络权值
为
w j 0 , w ij取值范围为1, 1，共12 个参数需要优化。
BP 神经网络遗传算法优化程序包括 3 部分，即遗传算法优化程序GA1.m，BP网络监督控制子程序GA2.m，BP网络监督控制测试程序BP.m（当参数M2时采用优化后的参数）。
代价函数 J 的优化过程
优化后的BP 神经网络监督系统。