BP神经网络算法的改进及其在PID控制中的应用研究

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自适应和自学习能力,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。