導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的魯棒性，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；PID控制；直流電機調(diào)速系統(tǒng)

1.引言

PID控制以其算法簡單，魯棒性好和可靠性高等優(yōu)點，廣泛地應(yīng)用于工業(yè)生產(chǎn)當中，成為衡量各行各業(yè)現(xiàn)代化水平的一個重要標志。隨著科學(xué)技術(shù)的發(fā)展，生產(chǎn)工藝的日益復(fù)雜化，生產(chǎn)系統(tǒng)具有非線性，時變不確定性，在實際生產(chǎn)中，常規(guī)PID控制器參數(shù)往往整定不良、性能欠佳，對運行工況的適應(yīng)性很差[1]。

BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，可以用來處理高維、非線性、強耦合和不確定性的復(fù)雜控制系統(tǒng)。本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點和傳統(tǒng)PID控制的優(yōu)勢，對PID控制器進行優(yōu)化，使其具有很強的自適應(yīng)性和魯棒性。通過對直流電機調(diào)速系統(tǒng)仿真，結(jié)果表明，這種方法是有效的。

2.PID控制原理

PID是工業(yè)生產(chǎn)中最常用的一種控制方式，PID調(diào)節(jié)器是一種線性調(diào)節(jié)器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（P）、積分（I）、微（D）通過線性組合構(gòu)成控制量，對控制對象進行控制。傳統(tǒng)的PID控制系統(tǒng)原理框圖如圖2.1所示，系統(tǒng)主要由PID控制器和被控對象組成。它根據(jù)給定值rin（t）與實際輸出值yout（t）構(gòu)成控制偏差額e（t）：

圖2.1為PID控制系統(tǒng)原理框圖。

3.基于BP神經(jīng)網(wǎng)絡(luò)的PID整定原理

PID控制要取得好的控制效果，就必須通過調(diào)整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關(guān)系，這種關(guān)系不一定是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的關(guān)系[2]。BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，將PID和BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來，建立參數(shù)自學(xué)習(xí)的PID控制器。其結(jié)構(gòu)如圖3.1所示。

經(jīng)典增量式數(shù)字PID的控制算式為：

式中，是與、、、u（k-1）、y（k）等有關(guān)的非線性函數(shù)，可以用BP神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練和學(xué)習(xí)找到這樣一個最佳控制規(guī)律。

假設(shè)BP神經(jīng)網(wǎng)絡(luò)NN是一個三層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3.4所示，有M個輸入節(jié)點、Q個隱層節(jié)點、三個輸出節(jié)點。輸出節(jié)點分別對應(yīng)控制器的三個可調(diào)參數(shù)，，。其激發(fā)函數(shù)為非負的Sigmoid函數(shù)。而隱含層的激發(fā)函數(shù)可取正負對稱的Sigmoid函數(shù)。

神經(jīng)網(wǎng)絡(luò)的前向算法如下：設(shè)PID神經(jīng)網(wǎng)絡(luò)有M個輸入，3個輸出（，，），上標（1）（2）（3）分別代表輸入層、隱含層和輸出層，該PID神經(jīng)網(wǎng)絡(luò)在任意采樣時刻k的前向計算公式（3-3）如下所述：

基于BP神經(jīng)網(wǎng)絡(luò)PID控制算法可以歸納為：①選定BPNN的結(jié)構(gòu)，即選定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q，并給出各層加權(quán)系數(shù)的初值，選定學(xué)習(xí)速率和慣性系數(shù)；②采樣得到和，計算；③對進行歸一化處理，作為BPNN的輸入；④計算BPNN的各層神經(jīng)元的輸入和輸出，輸出層的輸出即為PID控制器的3個參數(shù)，，；⑤計算PID控制器的輸出，參與控制和計算；⑥計算修正輸出層的加權(quán)系數(shù)；⑦計算修正隱含層的加權(quán)系數(shù)：⑧置，返回②[3]。

4.仿真實例

仿真試驗中所用的直流電機參數(shù)Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，電樞電阻Ra=0.5Ω，V-M系統(tǒng)主電路總電阻R=1Ω，額定磁通下的電機電動勢轉(zhuǎn)速比=0.1925V.min/r，電樞回路電磁時間常數(shù)Ta=0.017s，系統(tǒng)運動部分飛輪距相應(yīng)的機電時間常數(shù)Tm=0.075，整流觸發(fā)裝置的放大系數(shù)=44，三相橋平均失控時間Ts=0.00167s，拖動系統(tǒng)測速反饋系數(shù)=0.001178V.min/r，比例積分調(diào)節(jié)器的兩個系數(shù)T1=0.049s，T2=0.088s。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)采用4-5-3，學(xué)習(xí)速率和慣性系數(shù)，加權(quán)系數(shù)初始值取區(qū)間[-0.5，0.5]上的隨機數(shù)。利用simulink模塊建立模型如圖4.1所示。

從上面的仿真結(jié)果中，進行比較分析后，可以得出常規(guī)PID控制系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)兩者對于在零時刻加幅度為1的階躍信號，它們有著不同響應(yīng)曲線。為了便于比較，可以將兩者的響應(yīng)結(jié)果列表，見表4.1。

5.結(jié)論

由仿真結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的最大超調(diào)量和調(diào)整時間均比常規(guī)PID控制系統(tǒng)的最大超調(diào)量要小。這說明利用BP神經(jīng)網(wǎng)絡(luò)對PID控制器進行優(yōu)化具有有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，在工業(yè)生產(chǎn)中，具有更高的價值。

參考文獻

[1]王敬志，任開春，胡斌.基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制[J].工業(yè)控制計算機，2011（3）：72-75.

篇2

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò)BP算法改進BP算法倒立擺小車

1.引言

倒立擺系統(tǒng)是時變的、非線性、多變量和自然不穩(wěn)定系統(tǒng),在控制過程中,它能有效地反映可鎮(zhèn)定性、魯棒性、隨動性和跟蹤等許多控制中的關(guān)鍵問題,是檢驗各種控制理論的理想模型。人工神經(jīng)網(wǎng)絡(luò)BP算法,在多變量輸入情況下具有精度高、實現(xiàn)快、算法簡單、魯棒性好等優(yōu)點,從而滿足了系統(tǒng)的要求[1]。

2.人工神經(jīng)網(wǎng)絡(luò)BP算法簡介

人工神經(jīng)網(wǎng)絡(luò)(ANN)由于具有信息的分布存儲、并行處理和自學(xué)習(xí)能力等優(yōu)點,在信息處理、模式識別、智能控制等領(lǐng)域得到了越來越廣泛的應(yīng)用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其改進形式,它是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了網(wǎng)絡(luò)最精華的部分[2]。標準的BP網(wǎng)絡(luò)是根據(jù)Widrow―Hoff規(guī)則,采用梯度下降算法,主要由信息信號的正向傳播和誤差信號的反向傳播兩部分組成。

但BP網(wǎng)絡(luò)存在需較長的訓(xùn)練時間、收斂于局部極小值等缺點,為此人們對BP算法進行了許多改進。改進主要有兩類:一類采用啟發(fā)式技術(shù),如附加動量法、自適應(yīng)學(xué)習(xí)率法;另一類是采用數(shù)字優(yōu)化技術(shù),如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經(jīng)過大量仿真實驗分析比較,LM效果最好,故我們采用LM法對網(wǎng)絡(luò)進行訓(xùn)練。

LM優(yōu)化方法權(quán)重和閾值更新公式[4]為:

其中J為誤差對權(quán)值微分的雅可比矩陣,e為誤差向量,μ為一個標量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當μ0)和著名的最陡下降法(當μ∞)。

3.神經(jīng)網(wǎng)絡(luò)控制器設(shè)計

3.1訓(xùn)練樣本的選取

BP神經(jīng)網(wǎng)絡(luò)在未經(jīng)任何訓(xùn)練的情況下,不能作為系統(tǒng)控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網(wǎng)絡(luò)的教師進行學(xué)習(xí),經(jīng)過試探訓(xùn)練,樣本數(shù)為2000時結(jié)果較為合理,此時樣本數(shù)據(jù)能夠反映系統(tǒng)的基本特征,可以得到預(yù)期的仿真結(jié)果。極點配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)設(shè)計時,增加層數(shù)主要可以進一步降低誤差,提高精度,但卻使網(wǎng)絡(luò)復(fù)雜化。而增加隱含層的神經(jīng)元數(shù)也可提高誤差精度,且訓(xùn)練效果更易觀察和調(diào)整。為了使誤差盡可能小,我們要合理選擇初始權(quán)重和偏置,如果太大就容易陷入飽和區(qū),導(dǎo)致停頓,一般應(yīng)選為均勻分布的小數(shù),介于(-1,1)。

根據(jù)需要,在網(wǎng)絡(luò)初始化時,BP采用0.5*Rands函數(shù)初始化權(quán)值,權(quán)值初始值選在(-0.5,0.5),選取訓(xùn)練目標誤差為0.0001,訓(xùn)練次數(shù)上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱含層、輸出層分別采用Tansig、Purelin函數(shù),仿真實驗表明變學(xué)習(xí)率訓(xùn)練算法訓(xùn)練時間長,5000次還不能達到所要求的精度,且系統(tǒng)容易發(fā)散,控制倒立擺效果不好,采用改進的LM訓(xùn)練算法對網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練可以得到較好的控制效果且訓(xùn)練時間短。在實際仿真過程中,BP網(wǎng)絡(luò)經(jīng)過53次訓(xùn)練即達到了訓(xùn)練目標。

4.BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點配置算法仿真曲線對比圖,仿真結(jié)果表明:相較極點配置,BP算法精度高、實現(xiàn)快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達到所設(shè)定精度的穩(wěn)定效果,且超調(diào)量很小,滿足了系統(tǒng)的要求。

5.結(jié)論

通過對人工神經(jīng)網(wǎng)絡(luò)BP算法的分析,筆者進行了倒立擺小車改進BP算法的控制系統(tǒng)仿真實驗。仿真表明該改進BP算法收斂性好、計算量小,尤其在非線性和魯棒控制等領(lǐng)域具有良好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)從理論上可以逼近任意非線性函數(shù),所以它特別適合控制像倒立擺這樣的嚴重非線性、多變量系統(tǒng)。

參考文獻:

[1]于秀芬,段海濱,龔華軍.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的倒立擺控制研究[J].測控技術(shù),2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應(yīng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J].地球科學(xué),1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語言的BP神經(jīng)網(wǎng)絡(luò)的改進算法[J].科技通報,2003,19(2):130-135.

篇3

人工神經(jīng)網(wǎng)絡(luò)是近年來迅猛發(fā)展的前沿課題，它對突破現(xiàn)有科學(xué)技術(shù)的瓶頸起到重大的作用。本文剖析了人工神經(jīng)網(wǎng)絡(luò)的特征、模型結(jié)構(gòu)以及未來的發(fā)展趨勢。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)元 矩陣

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種用計算機網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能神經(jīng)系統(tǒng)，它是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的，模擬人腦信息處理機制的一種網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計算能力，而且還具有處理知識的學(xué)習(xí)、聯(lián)想和記憶能力。

人工神經(jīng)網(wǎng)絡(luò)模擬了大腦神經(jīng)元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是以一種有規(guī)律的序列排列，這種結(jié)構(gòu)非常適合并行計算。同時如果將每一個神經(jīng)元看作是一個基本的處理單元，則整個系統(tǒng)可以是一個分布式處理系統(tǒng)，使得計算快速。

1.2 可學(xué)習(xí)性和自適應(yīng)性

一個相對很小的人工神經(jīng)網(wǎng)絡(luò)可存儲大量的專家知識，并能根據(jù)學(xué)習(xí)算法，或利用指導(dǎo)系統(tǒng)模擬現(xiàn)實環(huán)境（稱為有教師學(xué)習(xí)），或?qū)斎脒M行自適應(yīng)學(xué)習(xí)（稱為無教師學(xué)習(xí)），可以處理不確定或不知道的事情，不斷主動學(xué)習(xí)，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯性保證網(wǎng)絡(luò)將不完整的、畸變的輸入樣本恢復(fù)成完整的原型，魯棒性使得網(wǎng)絡(luò)中的神經(jīng)元或突觸遭到破壞時網(wǎng)絡(luò)仍然具有學(xué)習(xí)和記憶能力，不會對整體系統(tǒng)帶來嚴重的影響。

1.3 泛化能力

人工神經(jīng)網(wǎng)絡(luò)是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復(fù)雜的非線性關(guān)系。如果輸入發(fā)生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規(guī)則都可以通過對范例的學(xué)習(xí)存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，能同時處理定量和定性的信息，適用于處理復(fù)雜非線性和不確定對象。

2 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是在對人腦思維方式研究的基礎(chǔ)上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡(luò)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。

在神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，從不同角度對神經(jīng)網(wǎng)絡(luò)進行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具有代表性的神經(jīng)網(wǎng)絡(luò)模型有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等等。

3 神經(jīng)元矩陣

神經(jīng)元矩陣是神經(jīng)網(wǎng)絡(luò)模型的一種新構(gòu)想，是專門為神經(jīng)網(wǎng)絡(luò)打造的一個矩陣，它符合神經(jīng)元的一切特征。

神經(jīng)元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使粒可“游蕩”在矩陣中，建立各種聯(lián)系。如圖1即是神經(jīng)元矩陣模型

（1）容器可產(chǎn)生一種無形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來聯(lián)系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經(jīng)元之間自主交互，神經(jīng)元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級制和分塊制，每層每塊均獨立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使粒可以通過向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉(zhuǎn)向、伸長，進而形成相對穩(wěn)定的信息通路。

（3）當兩條或更多的信息通路匯集時，可能伴隨著通路的增強、合并，以及信使粒的聚集、交換，這是神經(jīng)元矩陣運算的一種主要形式。通路的形成過程，也就是是神經(jīng)元矩陣分塊、分層、形成聯(lián)接的過程，也為矩陣系統(tǒng)宏觀管理、層級控制的實現(xiàn)奠定了基礎(chǔ)。

神經(jīng)元矩陣亦是一種具有生物網(wǎng)絡(luò)特征的數(shù)學(xué)模型，綜合了數(shù)學(xué)上矩陣和向量等重要概念，是一種立體的矩陣結(jié)構(gòu)。尤其是將矩陣的分塊特性和向量的指向特征結(jié)合起來，更好的體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的整體性和單元獨立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點”的數(shù)學(xué)概念，增強了系統(tǒng)的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)是邊緣叉科學(xué)，它涉及計算機、人工智能、自動化、生理學(xué)等多個學(xué)科領(lǐng)域，研究它的發(fā)展具有非常重要意義。針對神經(jīng)網(wǎng)絡(luò)的社會需求以及存在的問題，今后神經(jīng)網(wǎng)絡(luò)的研究趨勢主要側(cè)重以下幾個方面。

4.1 增強對智能和機器關(guān)系問題的認識

人腦是一個結(jié)構(gòu)異常復(fù)雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計算機科學(xué)、生命科學(xué)的發(fā)展，人們越來越驚異于大腦的奇妙。對人腦智能化實現(xiàn)的研究，是神經(jīng)網(wǎng)絡(luò)研究今后的需要增強的地發(fā)展方向。

4.2 發(fā)展神經(jīng)計算和進化計算的理論及應(yīng)用

利用神經(jīng)科學(xué)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，使離散符號計算、神經(jīng)計算和進化計算相互促進，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論。

4.3 擴大神經(jīng)元芯片和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)了結(jié)構(gòu)和算法的統(tǒng)一，是硬件和軟件的混合體，神經(jīng)元矩陣即是如此。人工神經(jīng)網(wǎng)絡(luò)既可以用傳統(tǒng)計算機來模擬，也可以用集成電路芯片組成神經(jīng)計算機，甚至還可以生物芯片方式實現(xiàn)，因此研制電子神經(jīng)網(wǎng)絡(luò)計算機潛力巨大。如何讓傳統(tǒng)的計算機、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學(xué)和生命科學(xué)的相互融合

信息科學(xué)與生命科學(xué)的相互交叉、相互促進、相互滲透是現(xiàn)代科學(xué)的一個顯著特點。神經(jīng)網(wǎng)絡(luò)與各種智能處理方法有機結(jié)合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結(jié)合，取長補短，可以獲得更好的應(yīng)用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù).科學(xué)出版社.

篇4

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)模糊控制PID控制

0 引言

隨著我國市場經(jīng)濟的迅速發(fā)展，水對人民生活與工業(yè)生產(chǎn)的影響日益加強，與此同時用戶對供水系統(tǒng)可靠性和供水質(zhì)量的要求也越來越高；另外，資源的緊缺和人們環(huán)保意識的增加，如何把先進的自動化技術(shù)、控制技術(shù)、通訊及網(wǎng)絡(luò)技術(shù)等應(yīng)用到供水領(lǐng)域，成為對供水系統(tǒng)的新要求，因此無論是在性能方面考慮還是在節(jié)能方面考慮，供水系統(tǒng)都需要巨大的變革。

1 傳統(tǒng)控制策略

由于變頻調(diào)速恒壓供水系統(tǒng)具有典型的大延遲性、非線性，而且城市用水具有季節(jié)性、時間性、水壓擾動量大等特點。因此，雖然統(tǒng)治工業(yè)控制領(lǐng)域多年的傳統(tǒng)PID控制有很多優(yōu)點并且長期應(yīng)用于供水系統(tǒng)，但是其固定參數(shù)模式致使其不適宜應(yīng)用于恒壓供水系統(tǒng)。由于PID控制擁有很多較好的優(yōu)點，諸如：原理簡單，使用方便，適應(yīng)強，魯棒性強等優(yōu)點。因此在工業(yè)控制中人們往往還是會想到PID控制。根據(jù)被控對象的不同制定合適的KP、KI、KD參數(shù)，可以獲得滿意的控制效果。然而，PID控制并非盡如人意，因為PID控制適合系統(tǒng)模型非時變的情況。對于一個時變系統(tǒng)，由于PID的參數(shù)不會隨系統(tǒng)變化而動態(tài)的調(diào)整KP、KI、KD參數(shù)，這樣會使控制作用變差，甚至造成系統(tǒng)不穩(wěn)定。

與傳統(tǒng)PID控制相比，模糊控制具有很多優(yōu)點。模糊控制是建立在模糊數(shù)學(xué)基礎(chǔ)上的一種智能控制技術(shù)，可以達到傳統(tǒng)控制策略無法達到的效果。模糊控制能較好得跟隨系統(tǒng)狀態(tài)的變化動態(tài)調(diào)整自身控制參數(shù)，不需要建立精確的控制對象模型，因而在實際上的應(yīng)用越來越廣泛。

但是作為一門較為新型的控制科學(xué)，還沒有系統(tǒng)的方法來指導(dǎo)設(shè)計參數(shù)精良的模糊控制器。模糊控制器控制規(guī)則的確定以及其可調(diào)節(jié)性是對其控制效果影響最大的一方面。尤其是控制規(guī)則的合理制定是模糊控制中的重要部分。目前存在的主要問題是在建立模糊控制規(guī)則時要考慮若干參數(shù)的選擇是否合適，恰當?shù)倪x擇參數(shù)是非常重要的。如在供水系統(tǒng)的水壓控制中，系統(tǒng)誤差和誤差變化率的動態(tài)范圍需要反復(fù)多次整定以滿足控制需要。

盡管模糊推理系統(tǒng)的設(shè)計（隸屬度函數(shù)及模糊規(guī)則的建立）不主要依靠對象的模型，但是它卻相當依靠專家或操作人員的經(jīng)驗和知識。若缺乏這樣的經(jīng)驗和知識，則很難期望它能夠得到滿意的控制效果。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)很好的彌補了這一缺陷。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的一大特點就是其自學(xué)習(xí)功能，將這種自學(xué)習(xí)的方法應(yīng)用于對模糊特征的分析與建模上，產(chǎn)生了自適應(yīng)的神經(jīng)網(wǎng)絡(luò)技術(shù)。這種自適應(yīng)的神經(jīng)網(wǎng)絡(luò)技術(shù)對于模糊系統(tǒng)的模型建立是非常有效的工具。而自適應(yīng)神經(jīng)模糊系統(tǒng)就是基于數(shù)據(jù)的建模方法，該系統(tǒng)中的模糊隸屬度函數(shù)及模糊規(guī)則是通過對大量已知數(shù)據(jù)的學(xué)習(xí)得到的，而不是基于經(jīng)驗或直覺任意給定的，這對于那些特性還不被人們所完全了解或者特性非常復(fù)雜的系統(tǒng)尤為重要。

神經(jīng)網(wǎng)絡(luò)可以與模糊控制相結(jié)合組成神經(jīng)網(wǎng)絡(luò)模糊控制，兩者各有所長，神經(jīng)網(wǎng)絡(luò)能夠通過給定的經(jīng)驗集學(xué)習(xí)并生成映射規(guī)則，但其規(guī)則不可見；模糊控制制定的規(guī)則雖然可見，但是其自學(xué)習(xí)能力欠缺，導(dǎo)致其規(guī)則的動態(tài)調(diào)整不足。因此有必要將上述兩點結(jié)合。

2 新型控制策略

由于供水系統(tǒng)的非線性、大慣性及純滯后性等特點，很顯然單純依靠PID、模糊控制和神經(jīng)網(wǎng)絡(luò)控制都不能實現(xiàn)很好的控制效果。因此可以考慮應(yīng)用一種綜合的控制策略以實現(xiàn)對供水系統(tǒng)的良好控制。基于此本文提出了一種新型控制策略――神經(jīng)模糊PID控制算法，該算法可以綜合以上各算法的優(yōu)點，它不僅具有神經(jīng)網(wǎng)絡(luò)控制的自學(xué)習(xí)自組織能力，還具有模糊控制的魯棒性強、適應(yīng)性強的優(yōu)點，另外還擁有PID控制的實現(xiàn)簡單方便等優(yōu)點，優(yōu)于以往的算法。

如圖顯示了神經(jīng)網(wǎng)絡(luò)模糊PID控制器的結(jié)構(gòu)框圖，該控制器是由三部分組成：

①神經(jīng)網(wǎng)絡(luò)控制器：控制模糊規(guī)則的動態(tài)調(diào)整，通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，使模糊規(guī)則的生成轉(zhuǎn)變?yōu)榧訖?quán)系數(shù)的確定和調(diào)節(jié)。根據(jù)供水系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID控制器參數(shù)，使供水系統(tǒng)最終達到最優(yōu)控制。

②模糊控制器：對系統(tǒng)的輸入輸出變量進行模糊化和歸一化運算。這些運算的意義是鑒于模糊控制的強魯棒性和非線性控制作用，對輸入到神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則進行預(yù)處理，避免了神經(jīng)網(wǎng)絡(luò)采用sigmoid激活函數(shù)時，由于輸入過大而導(dǎo)致輸出飽和。

③傳統(tǒng)PID控制器：直接對供水系統(tǒng)的控制過程進行閉環(huán)控制，并且三個參數(shù)KP、KI、KD實行在線調(diào)節(jié)，使控制作用時刻跟蹤系統(tǒng)的變化。

以上過程簡要說來就是使輸出層神經(jīng)元的輸出狀態(tài)與PID控制器的KP、KI、KD參數(shù)相對應(yīng)，這樣可以通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力實現(xiàn)加權(quán)系數(shù)調(diào)整，進而使其穩(wěn)定狀態(tài)與PID的最優(yōu)控制相對應(yīng)，最終利用PID控制器的輸出u來實現(xiàn)對供水系統(tǒng)的水壓的控制。

參考文獻：

[1]劉萍麗.交流變頻恒壓供水控制器的設(shè)計.大連海事大學(xué)碩士學(xué)位論文.2005.

[2]謝靜，韋力.新型恒壓供水系統(tǒng)[J].應(yīng)用能源技術(shù)，11，2010：42-45.

作者簡介：

謝靜（1968-），女，陜西省咸陽市人，講師，碩士，研究方向：電工電子、控制工程理論及應(yīng)用

篇5

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；字符識別；角點；連通域

0 引言

印刷體字符識別技術(shù)具有極大的實用價值，被廣泛應(yīng)用于大量文報資料、財務(wù)票據(jù)、文案掃描等文件處理領(lǐng)域[1]。它采用模式識別方法，將通過光學(xué)掃描輸入得到的印刷品圖像，轉(zhuǎn)化為計算機能夠處理的電子文檔，其技術(shù)衡量指標包括識別率、識別速度、版面理解正確率及版面還原滿意度四個方面[2]。

近年來，以模糊邏輯、神經(jīng)網(wǎng)絡(luò)與遺傳算法為代表的人工智能這一新興學(xué)科以其強大的學(xué)習(xí)功能在字符識別領(lǐng)域得到了廣泛的應(yīng)用。其中，模糊控制常用于少量字符情況下，它具有不依賴被控對象的精確模型、魯棒性強、算法簡明易懂等特點，但是其規(guī)則庫難于設(shè)計，學(xué)習(xí)功能差；神經(jīng)網(wǎng)絡(luò)可以用于大規(guī)模字符識別，它具有能夠逼近任意非線性函數(shù)關(guān)系的能力和比較方便的學(xué)習(xí)手段等特點[3,4]，但其參數(shù)不易收斂，推理功能差。而模糊神經(jīng)網(wǎng)絡(luò)集兩者優(yōu)勢于一體，具有高魯棒性和高度非線性學(xué)習(xí)能力，能夠準確、快速的對已有數(shù)據(jù)進行學(xué)習(xí)，并在一定程度上提高了字符識別效率。本文利用模糊神經(jīng)網(wǎng)絡(luò)，采用角點定位和連通域提取等技術(shù)，設(shè)計了一套印刷體字符識別的新方法。

1 FNN結(jié)構(gòu)和學(xué)習(xí)算法

FNN結(jié)構(gòu)如圖1所示，第一層為輸入層，該層的各個結(jié)點直接于輸入圖像向量的各分量x1連接，它起著將輸入值x=[x1 x2 …xn]T傳送到下一層的作用，該層結(jié)點數(shù)N1=n；第二層每個結(jié)點代表一個模糊語言變量值，如PB，NS等。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度u，本文的隸屬度函數(shù)采用最常用的高斯函數(shù)，該層結(jié)點數(shù)N2=m1+m2+…mn；第三層的每個結(jié)點代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前件，計算出每條的適用度，即ai=min{ ui1，ui1，ui2…uin}，對于給定的輸入，只有在輸入點附近的那些語言變量值才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度很小或者是0，該層結(jié)點數(shù)為m；第四層用于歸一化計算，其結(jié)點數(shù)與第三層相同；第五層是輸出層，實現(xiàn)清晰化計算，其yi=wi1a1+ wi2a2+ … wirar，i=1,2,..r。

圖1

該網(wǎng)絡(luò)學(xué)習(xí)方法與BP反向傳播網(wǎng)絡(luò)訓(xùn)練方法類似，基本步驟為：①初始化網(wǎng)絡(luò)的隨機權(quán)值wi；②計算結(jié)果與期望輸出向量的誤差；③按a=0.7的比例學(xué)習(xí)因數(shù)調(diào)整第五層神經(jīng)元的權(quán)重，以減少與期望的誤差；④將誤差返回到上層的每個神經(jīng)元；⑤重復(fù)③④調(diào)整每個神經(jīng)元的權(quán)重，直到網(wǎng)絡(luò)滿足要求為止。

2 字符特征提取

圖2為系統(tǒng)流程圖，在圖像采集后，需要將圖像規(guī)則化，這通過濾波、二值化、平移、旋轉(zhuǎn)等操作來實現(xiàn)。圖像濾波方法很多，本文采用常用的平滑濾波；而旋轉(zhuǎn)變換則需要判斷出圖像的角度。一般印刷品具有規(guī)則的幾何形狀，故在標準平面坐標下，根據(jù)圖像四個角之間相對距離的不變性，經(jīng)過旋轉(zhuǎn)后的圖像必與水平坐標呈某一角度[5] ，故可以檢測出圖像的四個角作為角點，計算出角點間連線與水平坐標的夾角，進而將待檢測圖像及標準圖像恢復(fù)到水平位置，即可做進一步的單個字符提取，按照正確的角度去識別印刷品上的內(nèi)容。

角點是二維圖像亮度變化劇烈的點或圖像邊緣曲線上曲率極大值的點，通過對待檢測圖像求其二次梯度圖，可知其每個象素點的灰度變化劇烈程度，進而獲得圖像四個角的坐標值。然后，通過角點坐標，我們可以計算出圖像的傾斜角度，則角度旋轉(zhuǎn)后可將圖像轉(zhuǎn)化為與標準模板相同的角度。

下一步就是提取單個字符并識別，本文采用連通域分析法進行字符提取。

象素的連通域是一個基本概念，它能夠?qū)?shù)字圖像區(qū)域和邊界等概念進行簡化。當兩個象素相鄰并且象素值滿足一定的相似性準則，則這兩個象素連通，依據(jù)具體范圍需要，一般分為4鄰接連通域，8鄰接連通域和m連接連通域。本實驗是在已知字符大小的情況下，將規(guī)定的、大小合理的提取線框從左、上到右、下進行逐行移動，依據(jù)各種標點符號的類型，漢字的上下、左右等構(gòu)成方式，把規(guī)定合理范圍內(nèi)最相近連通域結(jié)合，視為一個字符。為了防止產(chǎn)品印刷過程中漏印、飛墨、針孔、刮擦等情況出現(xiàn)，我們又針對不同的連通域使用不同的圖像處理方法，比如：為防止漏印，將4連接連通域和8連接連通域結(jié)合使用，減少漏印象素的影響；為防止飛墨，將完全連通域取中值，以恢復(fù)其合理的結(jié)構(gòu)。

3 仿真研究

本文仿真軟件使用MatlabR2010b，圖像采集設(shè)備為工業(yè)攝像頭。模糊神經(jīng)網(wǎng)絡(luò)輸入為上述規(guī)定方框的象素值，輸出為人工設(shè)定的字符標號，比如：0表示阿拉伯數(shù)字‘0’，55表示漢字‘人’字，80表示英文字母‘B’。

該系統(tǒng)采用監(jiān)督學(xué)習(xí)方法，依據(jù)1、2所述原理，第一步為訓(xùn)練階段，采集標準印刷品圖像上面300個常見字符作為訓(xùn)練數(shù)據(jù)，對所建模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。第二步是學(xué)習(xí)測試階段，將作為訓(xùn)練的印刷品作為測試樣本，其學(xué)習(xí)準確率為98%，高于單獨使用神經(jīng)網(wǎng)絡(luò)（92%）；第三步是實際測試階段，將其他類似印刷品字符作為測試數(shù)據(jù)，得出的字符識別準確率是86.53%，高于單獨使用神經(jīng)網(wǎng)絡(luò)（74%）。

4 結(jié)論

本文利用模糊神經(jīng)網(wǎng)絡(luò)，使用角點定位和連通域分析等技術(shù)，建立了一個印刷品字符識別器。實驗結(jié)果表明，相對于單純學(xué)習(xí)算法，該模糊神經(jīng)網(wǎng)絡(luò)具有很好的學(xué)習(xí)能力和很強的魯棒性，能夠很好應(yīng)用于印刷品字符識別領(lǐng)域。未來工作可放在改進學(xué)習(xí)算法和在字符大小不同情況下的識別兩個方面。

圖2

參考文獻

[1] 李果. 自動印刷質(zhì)量檢測技術(shù)及系統(tǒng)綜述[J]. 印刷質(zhì)量與標準化，2011．

[2] 鐘輝. 彩色印刷品圖像缺陷自動檢測系統(tǒng)算法的研究[D]. 吉林大學(xué)，2007

[3] 趙曉霞. 一種粗糙模糊神經(jīng)網(wǎng)絡(luò)識別器及其應(yīng)用[J]. 中北大學(xué)學(xué)報(自然科學(xué)版），2009

[4] 周澤華, 胡學(xué)友等. 基于神經(jīng)網(wǎng)絡(luò)的印刷體數(shù)字字符的識別[J]. 自動化與儀器儀表，2009

[5] 王詩琴, 程耀瑜等. 等基于角點定位的印刷品缺陷監(jiān)測[J]. 信號與系統(tǒng)， 2011

作者簡介

篇6

關(guān)鍵詞 河流，人工神經(jīng)網(wǎng)絡(luò)，水質(zhì)，Gauss Newton算法

1.前言

河流水體作為淡水資源的重要組成部分，在灌溉、人類生活用水的供應(yīng)、生活污水和工業(yè)廢水的接納等密切相關(guān)。水質(zhì)的評價是一個復(fù)雜的問題，目前主要的評價方法主要有兩大類，一類是以水質(zhì)的物理化學(xué)參數(shù)的實測值為依據(jù)的評價方法；另一類是以水生物種群與水質(zhì)的關(guān)系為依據(jù)的生物學(xué)評價方法。較多采用的是物理化學(xué)參數(shù)評價方法，其中又分單因子法和多項參數(shù)綜合評價法。前者即用某一參數(shù)的實測濃度代表值與水質(zhì)標準對比，判斷水質(zhì)的優(yōu)劣或適用程度。多項參數(shù)綜合評價法即把選用的若干參數(shù)綜合成一個概括的指數(shù)來評價水質(zhì)。多因子指數(shù)評價法用兩種指數(shù)即參數(shù)權(quán)重評分疊加型指數(shù)和參數(shù)相對質(zhì)量疊加型指數(shù)兩種。參數(shù)權(quán)重評分疊加型指數(shù)的計算方法是，選定若干評價參數(shù)，按各項參數(shù)對水質(zhì)影響的程度定出權(quán)系數(shù)，然后將各參數(shù)分成若干等級，按質(zhì)量優(yōu)劣評分，最后將各參數(shù)的評分相加，求出綜合水質(zhì)指數(shù)。數(shù)值大表示水質(zhì)好，數(shù)值小表示水質(zhì)差。用這種指數(shù)表示水質(zhì)，方法簡明，計算方便。參數(shù)相對質(zhì)量疊加型指數(shù)的計算方法是，選定若干評價參數(shù)，把各參數(shù)的實際濃度與其相應(yīng)的評價標準濃度相比，求出各參數(shù)的相對質(zhì)量指數(shù)，然后求總和值。根據(jù)生物與環(huán)境條件相適應(yīng)的原理建立起來的生物學(xué)評價方法，通過觀測水生物的受害癥狀或種群組成，可以反映出水環(huán)境質(zhì)量的綜合狀況，因而既可對水環(huán)境質(zhì)量作回顧評價，又可對擬建工程的生態(tài)效應(yīng)作影響評價，是物理化學(xué)參數(shù)評價方法的補充。缺點是難確定水污染物的性質(zhì)和含量。隨著計算機計算的發(fā)展，神經(jīng)網(wǎng)絡(luò)也被越來越多用在水質(zhì)評價工程中。神經(jīng)網(wǎng)絡(luò)是一種非常適合解決復(fù)雜的非線性響應(yīng)關(guān)系的數(shù)學(xué)模型。它可以用在分類、聚類、預(yù)測等方面，通過歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的非線性映射關(guān)系。本文試圖應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，來評價河流的水質(zhì)，并對訓(xùn)練方法進行探討，采用MATLAB語言編寫相應(yīng)的評價程序進行實例評價，試圖找出此種算法和傳統(tǒng)BP算法在水質(zhì)綜合評價中的優(yōu)缺點。

2.網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)預(yù)處理

采用BP ANN網(wǎng)絡(luò)，網(wǎng)絡(luò)分一層輸入層、一層輸出層和幾層隱含層組成。同一層之間的神經(jīng)元之間沒有聯(lián)系，相鄰兩層的神經(jīng)元之間通過連接權(quán)值和激活函數(shù)進行連接。在訓(xùn)練的過程中，通過不斷調(diào)節(jié)連接權(quán)值來使網(wǎng)絡(luò)的仿真結(jié)果逐漸接近期望值。本文采用4層的網(wǎng)絡(luò)結(jié)構(gòu)，兩層隱含層都是4個神經(jīng)元節(jié)點，輸出層只有一個節(jié)點，代表評價結(jié)果，輸入層5個節(jié)點，代表5個評價參數(shù)。

評價標準選《國家地表水環(huán)境標準》（GB3838-2002），訓(xùn)練樣本直接由該標準生成。輸出層和輸入層進行線性歸一化處理。

3.Gauss Newton算法

針對傳統(tǒng)BP ANN算法的收斂速度慢，魯棒性弱，容易陷入局部極小值的缺點，采用了改進的算法Gauss- ANN算法。激活函數(shù)采用sigmoid函數(shù)，層與層之間的連接權(quán)值和閾值隨著每次的訓(xùn)練修正出新值。每次訓(xùn)練用Gauss- ANN方法計算出權(quán)值和閾值的修正值。

4.結(jié)果

為了驗證Gauss-Newton算法的性能，將它與傳統(tǒng)BP算法進行比較。使用生成的訓(xùn)練樣本進行訓(xùn)練，兩種算法各訓(xùn)練10次，每次訓(xùn)練最多迭代200000次，網(wǎng)絡(luò)誤差函數(shù)為所有訓(xùn)練樣本誤差的平方和。誤差為3.0的時候認為網(wǎng)絡(luò)收斂。表1為訓(xùn)練過程對比，表2為水質(zhì)的評價結(jié)果。從結(jié)果看，水質(zhì)都在地表水環(huán)境質(zhì)量標準里面的1類水水平。

表1 兩種算法訓(xùn)練和評價結(jié)果比較

傳統(tǒng)BP算法 RPROP算法

迭代次數(shù) 200000 22700

誤差 12.25 6.0

收斂次數(shù) 1 3

訓(xùn)練樣本準確率（%） 75.1 92.5

驗證樣本準確率（%） 74.2 91.2

表2 評價結(jié)果

NH3-N TP COD BOD 評價結(jié)果

斷面I 0.002 0.034 3 1.0 1.22

斷面II 0.002 0.020 4 1.0 1.17

斷面III 0.002 0.012 2 1.0 1.13

5.建議

（1）使用的訓(xùn)練算法，使神經(jīng)網(wǎng)絡(luò)的收斂速度加快，魯棒性加強，適合用在水質(zhì)評價工作。

篇7

關(guān)鍵詞 蟻群優(yōu)化算法 神經(jīng)網(wǎng)絡(luò) 信息素分布函數(shù)

中圖分類號：TH183 文獻標志碼：A

20世紀90年代初，意大利學(xué)者Dorigo、Maniezzo首先提出了一種新的模擬進化算法―蟻群算法，基本的蟻群優(yōu)化算法，主要用于離散的參數(shù)優(yōu)化問題，并已經(jīng)成功的解決了TSP，VRP，QAP，JSP等一些列困難的組合優(yōu)化問題。而神經(jīng)網(wǎng)絡(luò)的的訓(xùn)練是典型的連續(xù)優(yōu)化問題，本文在分析基本的蟻群優(yōu)化算法特點的基礎(chǔ)上，提出一種新的信息素分布方式及其概率分布函數(shù)，將蟻群算法成功的延伸到連續(xù)優(yōu)化的范疇，并且建立了蟻群優(yōu)化算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的基本模型，克服了傳統(tǒng)BP算法的不足，同時使得該算法同時具有蟻群算法的快速全局尋優(yōu)能力和神經(jīng)網(wǎng)絡(luò)的廣泛映射能力。

一、改進的蟻群算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)

（一）優(yōu)化模型。

常規(guī)的神經(jīng)網(wǎng)絡(luò)是屬于連續(xù)性優(yōu)化的范疇，其優(yōu)化的目的是從每一個的參數(shù)的取值范圍中選取一個具體的值，使得神經(jīng)網(wǎng)絡(luò)的輸出誤差，滿足誤差條件。本文用于連續(xù)優(yōu)化的模型與組合優(yōu)化相似，只是其解空間從離散變量變成了連續(xù)變量的組合。圖1比較直觀地表達了螞蟻覓食時路徑的選擇。

其中m表示螞蟻的個數(shù)，依次從n個連續(xù)的取值范圍內(nèi)選取一個值，組成自己的解Sj，其中Xji表示螞蟻在個元素的取值范圍內(nèi)所選取的具體值。每一個螞蟻在信息素的影響作用下，依照概率原則，構(gòu)建一組的完整的解。通過螞蟻間的團體協(xié)作，構(gòu)建一個全局最優(yōu)解。

（二）改進的蟻群優(yōu)化算法。

1、信息素的分布。理想化的狀態(tài)下，螞蟻對信息素的感知力不受左右兩側(cè)信息素濃度的影響，但在實際生活中，這種影響是無法避免的，并且路徑兩側(cè)的螞蟻對該信息素的感知會隨著距離的增大而減弱，而且關(guān)于信息素的散發(fā)點是對稱的。在此模型中考慮這種因素，可以克服常規(guī)蟻群算法易陷入局部最優(yōu)，以及解空間搜索不夠的缺點。

通過比較不難發(fā)現(xiàn)，這種信息素的分布類似于正態(tài)分布，因此可以選擇用正態(tài)分布函數(shù)來表達信息素的分布函數(shù)：

（1）

其中 為隨即變量的方差，可以通過控制的大小來控制 該路徑上信息素對周圍區(qū)域的影響程度。圖2比較形象的表達了信息素的分布形狀與 的關(guān)系：

u=0， 分別取1/2，1，2。

圖2

正態(tài)分布函數(shù)只是決定了信息的分布形狀，反映了某一路徑上的信息素對兩側(cè)各路徑上螞蟻的影響，螞蟻在選擇路徑時會根據(jù)解的質(zhì)量散發(fā)出不同濃度的信息素，依據(jù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化特點，這里采用輸出誤差來描述解的質(zhì)量的比較合適，即釋放出的信息素與解的誤差成反比，可以得出第j只螞蟻在所選取的路徑上所散發(fā)的信息素為：

（2）

上式中，h為一個常數(shù)；t為樣本的數(shù)量；E（l）為輸出誤差。因為所得到的最優(yōu)解是針對所有樣本的，因此輸出誤差應(yīng)取為所有樣本的誤差絕對值之和。將上式中信息素分布的峰值與函數(shù)的形狀結(jié)合，可得到第j只螞蟻在第i參數(shù)上散發(fā)的信息素濃度公式為：

（3）

式中，Xji為第j只螞蟻在第i個參數(shù)的取值范圍內(nèi)選取的具體值。

每一只都會在自己所選取的待優(yōu)化的參數(shù)上散發(fā)信息素，所有的螞蟻散發(fā)完信息素之后，對每一個參數(shù)在其整個取值范圍內(nèi)進行求和，可以得出每一個參數(shù)上的信息素濃度分布函數(shù)：

（4）

式中，kj為螞蟻所選取的解的加權(quán)系數(shù)，該解的質(zhì)量越高，即最終輸出誤差越小，則加權(quán)系數(shù)的值就越大。

2、信息素概率分布函數(shù) 在螞蟻選取路徑的過程中，每一個參數(shù)被選取的幾率與該參數(shù)上的信息素濃度有關(guān)，信息素濃度越大，則被選取的概率越大，反之，則越小，根據(jù)上文得出的公式，螞蟻按照一下概率分布函數(shù)，依次選擇每一個參數(shù)的具體值： （5）

該式中，Ximin與Ximax分別為待選取參數(shù)i在其取值范圍內(nèi)的上，下兩個極值。

（三）優(yōu)化算法的流程。

用改進后的蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的大致過程如下：

（1）建立前向型的神經(jīng)網(wǎng)絡(luò)模型，要包括神經(jīng)網(wǎng)絡(luò)的層數(shù)，每一層的節(jié)點數(shù)，和每一個待優(yōu)化的權(quán)值的取值范圍以及螞蟻樣本；（2）在算法開始，螞蟻們沒有信息素的指導(dǎo)，從各個參數(shù)的取值范圍內(nèi)隨機的選取一個具體值，從而構(gòu)建去一條路徑；（3）當所有的螞蟻完成了解的構(gòu)建之后，輸入樣本根據(jù)式（4）來更新各路徑上信息素，并初始化所有螞蟻的路徑；（4）根據(jù)公式（5）計算出所有參數(shù)的概率分布函數(shù)，所有螞蟻根據(jù)該函數(shù)，依次從n個參數(shù)各自的取值范圍內(nèi)選取一個具體的值，構(gòu)建出一個完整的解；

重復(fù)執(zhí)行步驟（3）～（5），直到最終輸出誤差滿足終止條件。

二、實驗驗證及結(jié)果分析

為了更加直觀的驗證該算法的有效性，在這里我們用已知非線性函數(shù)y=3x2e-x對算法進行驗證，而神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，我們采用三層前向式神經(jīng)網(wǎng)絡(luò)，共包括輸入層，隱含層，輸出層，三者各有1，10，1個節(jié)點。

在此實例中，我們利用上述函數(shù)表達式，在[0，5]內(nèi)隨機選取50個值作為輸入樣本，利用該函數(shù)在樣本上的理論輸出值作為輸出樣本，以該樣本的理論輸出值與神經(jīng)網(wǎng)絡(luò)的實際輸出值之差的絕對值，作為需要優(yōu)化的目標函數(shù)。

在這里，輸出層的激勵函數(shù)采用線性函數(shù)：

F（x） = x

隱含層的激勵函數(shù)采用Sigmoid函數(shù)：

F（x） = （1-e-x）/（1+e-x）

因此，待優(yōu)化的權(quán)值共有31個，其取值范圍為[-2，2]。

在此實例中，螞蟻的個數(shù)設(shè)定為31個，經(jīng)過螞蟻間的協(xié)作尋優(yōu)，對神經(jīng)網(wǎng)絡(luò)的權(quán)值不斷優(yōu)化，樣本的平均誤差很快達到了0.00033。

通過該實例可以總結(jié)出，只要有足夠多可以利用的，并且具有代表性的樣本，該改進后的算法可以用來表達任何的非線性函數(shù)。同時，也可以通過修改螞蟻的個數(shù)和樣本的數(shù)量來控制該算法的魯棒性跟其收斂速度，螞蟻與樣本的數(shù)量越大，該算法的魯棒性就越強，但收斂速度就比較慢；反之，螞蟻樣本的數(shù)量越小，該算法的魯棒性就越差，但是收斂速度較快。

三、結(jié)論

1、本文針對傳統(tǒng)的蟻群優(yōu)化算法主要用于組合優(yōu)化的特點，將它進行了改進，將離散的信息素矩陣與概率矩陣延伸為連續(xù)的信息素分布函數(shù)與信息素概率分布函數(shù)，使得該算法可以應(yīng)用至連續(xù)優(yōu)化的范疇，與其他算法相比，該優(yōu)化算法簡單易懂，容易理解。

2、利用改進后的蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值，并給出該算法的具體步驟，用實例證明了該算法的可行性與有效性。

3、該算法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法自身的不足，不僅使其具有神經(jīng)網(wǎng)絡(luò)的廣泛映射能力，還具有了蟻群算法的快速全局尋優(yōu)能力。

（作者：蘭州交通大學(xué)機電工程學(xué)院在讀碩士研究生，研究方向：虛擬儀器，智能交通系統(tǒng)）

參考文獻：

[1]Dorigo M ， Gambardella L M . Ant colony system ： a cooperative learning approach to the traveling salesman problem.IEEE p.1997（1）：53-66.

[2]楊勇，宋曉峰等.蟻群算法求解連續(xù)空間優(yōu)化問題.控制與決策，2003，18（5）：573-576.

[3]張國立，王晶等.利用蟻群算法優(yōu)化前向神經(jīng)網(wǎng)絡(luò).電子商務(wù)，2005（18）：65-67.

[4]汪鐳，吳啟迪.蟻群算法在連續(xù)空間尋優(yōu)問題求解中的應(yīng)用.控制與決策，2003，18（1）：45-48.

[5]Maniezzo V ， carbonaro A . An ants heuristic for the frequency assignment problem. Futrue Generation Computer Systems，2000，16：927-935.

篇8

關(guān)鍵詞：機器人路徑規(guī)劃算法

一、本文就常見的幾種常見的路徑規(guī)劃算法及應(yīng)用進行簡單的探討如下：

（一）遺傳算法概念

遺傳算法是根據(jù)達爾文的進化論，模擬自然選擇的一種智能算法，“適者生存”是它的核心機制。遺傳算法是從代表問題可能潛在解集的一個種群開始的。基于隨機早期人口，根據(jù)的原則，優(yōu)勝劣汰，適者生存，世代演化產(chǎn)生更好的人口大概。在每一代，根據(jù)問題域的個體適應(yīng)度大小來選擇個人，然后選定的個人在自然遺傳學(xué)，遺傳算子組合交叉和變異，產(chǎn)生代表性的解集的人口 。通過這些步驟，后生代種群比前代對于環(huán)境具有更好的適應(yīng)性。人口最優(yōu)個體解碼后可作為近似最優(yōu)解。

（二）遺傳算法的特點

作為一種智能算法，遺傳算法具有如下特點：①遺傳算法在尋優(yōu)過程中，只把適應(yīng)度函數(shù)的值作為尋優(yōu)判據(jù)。②遺傳算法是由一個問題集合（種群）開始的，而不是從一個個體開始的。故而遺傳算法的搜索面積很大，適合全局尋優(yōu)。③遺傳算法根據(jù)概率性的變換規(guī)則進行個體的優(yōu)勝劣汰并推動種群的進化。④遺傳算法具有隱含的并行性。⑤遺傳算法具有自組織、自適應(yīng)以及內(nèi)在的學(xué)習(xí)性，同時遺傳算法具有很強的容錯能力。⑥遺傳算法的基本思想簡單。對于復(fù)雜的和非線性的問題具有良好的適應(yīng)性。

（三）遺傳算法的應(yīng)用

遺傳算法提供了一個整體框架地址復(fù)雜系統(tǒng)問題，它不依賴于俞特定領(lǐng)域的問題，問題的類型、 已是強的魯棒性，所以廣泛應(yīng)用余許多科學(xué)： 功能優(yōu)化遺傳算法的經(jīng)典應(yīng)用，是遺傳算法的性能評價的常見的例子，許多人建設(shè)的各種復(fù)雜的表格功能測試： 連續(xù)函數(shù)和離散函數(shù)，凸、 凹函數(shù)、 低維功能和高尺寸功能、 單式功能和更多峰值函數(shù)。一些非線性、 多模型、 多目標函數(shù)優(yōu)化問題和其他優(yōu)化方法很難解決，GA 你可以更好的結(jié)果。增加問題的規(guī)模，搜索空間的組合優(yōu)化問題，將會迅速增加，有時的當前枚舉方法和計算很難找到最佳的解決方案。實踐證明，遺傳算法、 組合優(yōu)化問題的粒子非常有效。例如，已成功應(yīng)用遺傳算法解決旅行商問題、 背包問題、 裝箱問題、 圖形劃分問題。此外，遺傳算法的生產(chǎn)調(diào)度、 自動控制、 機器人技術(shù)、 圖像處理和機器學(xué)習(xí)，人工生命，遺傳編碼，已獲得廣泛的應(yīng)用。

二、蟻群算法及其應(yīng)用

（一）蟻群算法概念

蟻群算法又稱螞蟻算法，是一種用來在圖中尋找優(yōu)化路徑的機率型算法。它由Marco Dorigo于1992年在他的博士論文中提出，靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。蟻群算法是一種模擬進化算法。

（二）蟻群算法的特點

①蟻群算法是一種自組織算法。在早期的算法，單一的人工螞蟻障礙找到求解算法，久而久之，通過信息作用的激素，人工螞蟻進化將找到一些解決辦法更接近最優(yōu)的解決方案，它是無序到有序的過程。

②蟻群算法的并行算法是一種基本的。每個蟻群搜索進程獨立的對方，只能通過信息素通訊。因此，蟻群算法可以看作是一種分布式的多智能體系統(tǒng)，它在問題空間搜索算法開始是一個獨立的解決方案，不僅提高了可靠性，這使得該算法具有強的全局搜索能力。

③蟻群算法是一種積極的反饋的算法。從螞蟻覓食中不難看到螞蟻已設(shè)法找到最短路徑的信息的過程取決于直接上的最短路徑的積累，以及信息素的積累是一個積極的反饋過程。這種正反饋的過程進行初步的差距有不斷擴大，并導(dǎo)致系統(tǒng)的最優(yōu)解的方向發(fā)展。

④蟻群算法具有較強的魯棒性。比較與其他算法、 蟻群算法、 初始對齊要求不高，外務(wù)大臣蟻群算法用于路由和搜索過程的初步結(jié)果不需要手動調(diào)整。第二，設(shè)立簡單、 便于應(yīng)用的蟻群算法求解組合優(yōu)化問題的蟻群算法參數(shù)的殖民地，數(shù)目。

（三）蟻群算法應(yīng)用

蟻群算法應(yīng)用包括：二次分配問題、車間任務(wù)調(diào)度問題、車輛路線問題、機構(gòu)同構(gòu)判定問題、學(xué)習(xí)模糊規(guī)則問題、旅行社新旅游線路與旅行產(chǎn)品的制作等領(lǐng)域。

三、神經(jīng)網(wǎng)絡(luò)算法

（一）神經(jīng)網(wǎng)絡(luò)的概念

人工神經(jīng)網(wǎng)絡(luò)也被稱為神經(jīng)網(wǎng)絡(luò)連接模式，它是一種動物模型，神經(jīng)網(wǎng)絡(luò)的行為特征，分布式并行處理算法的數(shù)學(xué)模型。網(wǎng)絡(luò)依賴于復(fù)雜的系統(tǒng)，通過調(diào)整內(nèi)部之間的聯(lián)系，大量節(jié)點，以實現(xiàn)節(jié)能的目的，信息處理。

特征的神經(jīng)網(wǎng)絡(luò)模型的人工神經(jīng)網(wǎng)絡(luò)的主要網(wǎng)絡(luò)連接拓撲，神經(jīng)元的特點，學(xué)習(xí)規(guī)則。目前，近40種神經(jīng)網(wǎng)絡(luò)模型，其中有一個BP網(wǎng)絡(luò)，傳感器網(wǎng)絡(luò)，自組織映射，神經(jīng)，波爾茲曼機，自適應(yīng)共振理論。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能密切相關(guān)。

神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)信息處理能力，克服了傳統(tǒng)人工智能方法的直覺，作為模型，語音識別，非結(jié)構(gòu)化信息處理方面的缺陷，使神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，模式識別，智能控制，組合優(yōu)化，預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)和其他傳統(tǒng)方法相結(jié)合，將促進人工智能和信息處理技術(shù)的發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)模擬人類認知方式更深入的發(fā)展，模糊系統(tǒng)，遺傳算法，進化機制相結(jié)合，形成智能計算，人工智能，已成為一個重要的方向，在實際的應(yīng)用開發(fā)。信息幾何學(xué)應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，人工神經(jīng)網(wǎng)絡(luò)理論開辟了一條新的途徑。

篇9

關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);BP算法;PID控制;Matlab仿真

中圖分類號:TP274文獻標識碼:A

文章編號:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工業(yè)控制中,PID控制是最常用的方法。因為PID控制器結(jié)構(gòu)簡單,實現(xiàn)容易,控制效果良好[1]。隨著工業(yè)的發(fā)展,對象的復(fù)雜程度不斷加深,尤其對于大滯后、時變的、非線性的復(fù)雜系統(tǒng),常規(guī)PID控制顯得無能為力。因此常規(guī)PID控制的應(yīng)用受到很大的限制和挑戰(zhàn)。為了使控制器具有較好的自適應(yīng)性,實現(xiàn)控制器參數(shù)的自動調(diào)整,可以采用神經(jīng)網(wǎng)絡(luò)控制的方法[2]。

利用神經(jīng)網(wǎng)絡(luò)所具有的非線性映射能力、自學(xué)習(xí)能力、概括推廣能力,結(jié)合常規(guī)PID控制理論,通過吸收兩者的優(yōu)勢,使系統(tǒng)具有自適應(yīng)性,可自動調(diào)節(jié)控制參數(shù),適應(yīng)被控過程的變化,提高控制性能和可靠性[3]。

1 神經(jīng)網(wǎng)絡(luò)PID控制

神經(jīng)網(wǎng)絡(luò)PID控制是神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID控制并與傳統(tǒng)PID控制相結(jié)合而產(chǎn)生的一種新型控制方法,是對傳統(tǒng)的PID控制的一種改進和優(yōu)化[4]。

1.1 常規(guī)的PID控制器

傳統(tǒng)的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相應(yīng)的離散算式為:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分別為比例、積分、微分系數(shù);e(k)為第k次采樣的輸入偏差值;u(k)為第k次采樣時刻的輸出值。

PID控制器由比例(P)、積分(I)、微分(D)三個部分組成,直接對被控對象進行閉環(huán)控制,并且三個參數(shù)KP,KI,KD為在線調(diào)整方式。

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。典型的BP神經(jīng)網(wǎng)絡(luò)是3層網(wǎng)絡(luò),包括輸入層、隱層和輸出層,各層之間實行全連接。輸入層節(jié)點只是傳遞輸入信號到隱含層;隱含層神經(jīng)元(即BP節(jié)點)的傳遞函數(shù)f常取可微的單調(diào)遞增函數(shù),輸出層神經(jīng)元的特性決定了整個網(wǎng)絡(luò)的輸出特性。當最后一層神經(jīng)元采用Sigmoid函數(shù)時,整個網(wǎng)絡(luò)的輸出被限制在一個較小的范圍內(nèi);如果最后一層神經(jīng)元采用Purelin型函數(shù),則整個網(wǎng)絡(luò)的輸出可以取任意值。

圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè),x1,x2,…,xn為BP網(wǎng)絡(luò)的輸入;y1,y2,…,yn為BP網(wǎng)絡(luò)的輸出;w1ji為輸入層到隱含層的連接權(quán)值;w2ij為隱含層到輸出層的連接權(quán)值。

圖1中各參數(shù)之間的關(guān)系為:

輸入層: xi=xi0

隱含層:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

輸出層:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神經(jīng)網(wǎng)絡(luò)采用誤差的反向傳播來修正權(quán)值,使性能指標E(k)=(1/2)\2最小。按照梯度下降法修正網(wǎng)絡(luò)的權(quán)值:

輸出層:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隱含層:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)構(gòu)

基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖2所示。控制器由常規(guī)的PID控制器和神經(jīng)網(wǎng)絡(luò)兩部分組成。PID控制要取得較好的控制效果,必須通過調(diào)整好比例、積分和微分三種控制作用,形成控制量中相互配合又相互制約的關(guān)系。

常規(guī)的PID控制器直接對被控對象進行閉環(huán)控制,并且其控制參數(shù)為KP,KI,KD在線調(diào)整方式。神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運行狀態(tài),調(diào)節(jié)PID控制器的參數(shù),以期達到某種性能指標的最優(yōu)化,使輸出層神經(jīng)元的輸出對應(yīng)于PID控制器的三個可調(diào)參數(shù)KP,KI,KD。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達能力,可以通過對系統(tǒng)性能的學(xué)習(xí)來實現(xiàn)具有最佳組合的PID控制。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器結(jié)構(gòu)

1.4 神經(jīng)網(wǎng)絡(luò)PID控制器的控制算法

(1) 確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),即確定輸人節(jié)點數(shù)和隱含層節(jié)點數(shù),并給出各層加權(quán)系數(shù)的初值w(1)ij(0)和w(2)ji(0),并選定學(xué)習(xí)速率η和慣性系數(shù)α,令k=1;

(2) 采樣得到r(k)和y(k),計算當前時刻的誤差e(k)=r(k)-y(k);

(3) 計算各神經(jīng)網(wǎng)絡(luò)的輸入/輸出,其輸出層的輸出即為PID控制器的三個控制參數(shù)KP,KI,KD;

(4) 計算PID控制器的輸出;

(5) 進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),在線調(diào)整加權(quán)系數(shù),實現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整;

(6) 令k=k+1,返回(1)。

2 神經(jīng)網(wǎng)絡(luò)的Matlab仿真

為了檢驗神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的能力,在此進行大量的仿真實驗。下面以一階時滯系統(tǒng)作為被控對象,進行仿真實驗。

設(shè)被控對象為:

G(s)=160s+1e-0.5s

相應(yīng)的控制系統(tǒng)的階躍響應(yīng)曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應(yīng)

可以看出,采用傳統(tǒng)的PID控制,其調(diào)節(jié)時間ts=120 s,超調(diào)量達到65%;采用神經(jīng)網(wǎng)絡(luò)PID控制,系統(tǒng)調(diào)節(jié)時間ts=120,超調(diào)量只有20%。由此說明,后者響應(yīng)的快速性和平穩(wěn)性都比前者要好,也說明了這種方法的有效性。

圖4 神經(jīng)網(wǎng)絡(luò)PID控制階躍響應(yīng)

3 結(jié) 語

神經(jīng)網(wǎng)絡(luò)PID控制方法簡單,借助神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織能力,可實現(xiàn)PID參數(shù)的在線自整定和優(yōu)化,避免了人工整定PID參數(shù)的繁瑣工作。從文中可以得出,神經(jīng)網(wǎng)絡(luò)PID控制有如下的優(yōu)點:

(1) 無需建立被控系統(tǒng)的數(shù)學(xué)模型;

(2) 控制器的參數(shù)整定方便;

(3)對于大滯后、時變的、非線性的復(fù)雜系統(tǒng)有很好的動靜態(tài)特性。實現(xiàn)有效控制和PID控制參數(shù)的在線自整定。

參考文獻

[1]劉金琨.先進PID控制及Matlab仿真[M].北京:電子工業(yè)出版社,2003.

[2]韓豫萍,孫濤,盛新.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制及仿真[J].可編程控制器與工廠自動化,2007(12):91-93.

[3]黃金燕,葛化敏,唐明軍.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法的研究[J].微計算機信息,2006(26):278-280.

[4]曾軍,方厚輝.神經(jīng)網(wǎng)絡(luò)PID控制及其Matlab仿真[J].現(xiàn)代電子技術(shù),2004,27(2):51-52.

[5]趙娟平.神經(jīng)網(wǎng)絡(luò)PID控制策略及其Matlab仿真研究[J].微計算機信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孫潔.神經(jīng)網(wǎng)絡(luò)PID算法在流量控制中的應(yīng)用與仿真研究[D].合肥:合肥工業(yè)大學(xué),2007.

[8]王亞斌.基于BP神經(jīng)網(wǎng)絡(luò)PID控制及其仿真[J].江蘇冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神經(jīng)網(wǎng)絡(luò)PID參數(shù)自整定的研究\.系統(tǒng)仿真學(xué)報,2005(7):1 711-1 713.

篇10

關(guān)鍵詞： 模糊神經(jīng)網(wǎng)絡(luò) 多目標識別 動能攔截器

一、引言

在大氣層外攔截中，動能攔截彈從地面發(fā)射以后，經(jīng)過初始制導(dǎo)和中制導(dǎo)過程將其攜帶的動能攔截器（Kinetic Kill Vehicle， KKV）送入預(yù)定攔截區(qū)域，在距離目標較近的范圍內(nèi)測量其視線角信息，通過控制軌控發(fā)動機開關(guān)機，來調(diào)整KKV的飛行軌跡[1]。整個過程中，彈目視線角及其角速率是設(shè)計KKV制導(dǎo)導(dǎo)引律的關(guān)鍵參數(shù)。

在現(xiàn)代防御戰(zhàn)爭中，往往存在真假目標并存的情況。假目標可分為輕型假目標、重型假目標和集群假目標[2]。輕型假目標用于大氣層外，在進入大氣層后很快被燒毀，如氣球誘餌、金屬平板、角反射器等。重型假目標與真目標同速伴飛，具有與真目標相近的雷達信號反射特性和紅外輻射特性。集群假目標是指在彈頭上有偶極子、角反射體及殼體碎片等組成的假目標群，會造成雷達需同時處理上百個目標，可迷惑雷達或使其飽和[2]。假目標模擬真目標的物理特征信號，與真目標一起形成多目標，會吸引防御方的探測器，為真目標襲擊創(chuàng)造有利條件。對于多目標來說，攔截器完成真目標識別后要重新計算、預(yù)估遭遇點、瞄準目標機動飛行等操作，會導(dǎo)致脫靶概率的增加，更嚴重的情況是丟失目標。因此，若能在較短時間內(nèi)準備地識別出真目標，將會大大提高KKV的目標攔截效率。本文利用模糊理論和神經(jīng)網(wǎng)絡(luò)，運用模糊神經(jīng)網(wǎng)絡(luò)來識別目標，在KKV飛行過程中不斷更新目標特征權(quán)值，能較快地完成真目標的識別。

二、模糊神經(jīng)網(wǎng)絡(luò)設(shè)計

模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，能充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的并行處理、自適應(yīng)學(xué)習(xí)和模糊推理對人的知識進行決策的功能[3]。FNN是由大量形式相同的模糊神經(jīng)元相互連接起來構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，其本質(zhì)是將常規(guī)的神經(jīng)網(wǎng)絡(luò)輸入模糊信號和模糊權(quán)值。

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

一個完整的前向模糊神經(jīng)網(wǎng)絡(luò)通常由輸入層、模糊化層、模糊推理層和去模糊化層構(gòu)成，如圖1所示：第一層為輸入層，r是輸入變量數(shù)；第二層為模糊化層，該層實現(xiàn)輸入變量的模糊化，計算出變量相對于每個模糊子空間的隸屬度，隸屬函數(shù)采用高斯函數(shù)；第三層為模糊推理層，是網(wǎng)絡(luò)的核心，它完成模糊合成和模糊蘊含運算，實現(xiàn)模糊推理映射；第四層為去模糊化層，對模糊推理層輸出的結(jié)果進行去模糊化處理，表征形式為輸入信號的加權(quán)和。

三、KKV攔截目標過程

在末制導(dǎo)中，KKV攔截目標的全過程可分為以下三步：①目標進入可識別區(qū)域，開始檢測目標特征信息；②模糊神經(jīng)網(wǎng)絡(luò)開始學(xué)習(xí)，不斷更新目標權(quán)值；③判斷是否為真目標，若是，不再檢測其它目標，讀取彈目視線角等參數(shù)，導(dǎo)引律開始起作用，控制KKV實施攔截；若不能確定是真目標，返回①，繼續(xù)檢測和識別。迭代終止條件為識別時間大于某個閾值。詳細流程如圖2所示。

圖2 FNN識別目標流程圖

四、仿真驗證

假設(shè)某空域中出現(xiàn)三個目標，其中只有一個為真目標，其余為假目標。目標初始位置為（30，0，0）、（30，30，0）、（0，30，0）（km），初始速度均為300m/s，真目標徑向角速率為0.1rad/s，假目標無機動。KKV初始速度為600m/s。FNN有四個輸入節(jié)點，兩個輸出節(jié)點，模糊層和推理層根據(jù)經(jīng)驗選取5層，初始權(quán)值ω為0.2，學(xué)習(xí)步長為0.01s，假設(shè)所有初始值均無測量誤差。

圖3 識別出真目標前后的KKV加速度曲線

仿真開始，目標進入可識別區(qū)域，檢測目標特征，模糊神經(jīng)網(wǎng)絡(luò)開始學(xué)習(xí)，不斷更新權(quán)值，F(xiàn)NN識別出真目標后，如圖3所示，制導(dǎo)位置發(fā)生突變，KKV軌控加速度也相應(yīng)突變，隨之產(chǎn)生機動飛行，加速度迅速下降，KKV攔截新目標，脫靶量為1.1m。

經(jīng)過多次仿真試驗，可以得出脫靶量與剩余時間的關(guān)系：導(dǎo)彈剩余時間越短，目標識別耗時長，造成KKV機動時間越短，脫靶量越大。因此，應(yīng)盡量延長剩余時間，加快模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，提高KKV的攔截效率。

五、結(jié)論

本文結(jié)合模糊理論與神經(jīng)網(wǎng)絡(luò)知識，采用模糊神經(jīng)網(wǎng)絡(luò)識別多目標，可有效提高KKV的攔截效率，減少脫靶概率的產(chǎn)生。但是，若目標特征模糊，或假目標有極大的迷惑性，造成FNN識別難度增大，識別時間過長，影響KKV成功攔截。因此，針對多目標迷惑性大的情況，需要繼續(xù)研究具有魯棒性的目標識別方法。■

參考文獻

[1] 王磊，大氣層外動能多攔截器目標攔截策略研究[J]，導(dǎo)彈與航天運載技術(shù)，2011（05）