基于神经网络的控制器的研究

【摘要】：由于生产过程的复杂性、高要求，常规的控制方法不能很好满足工业过程的性能要求，所以本文探讨应用神经网络控制的方法来满足控制要求，改善其控制效果。 本论文主要研究了基于神经网络的系统辨识，以及在此基础上提出了神经网络和遗传算法相结合的复合控制方法，并进行了控制系统的仿真实验。 主要研究内容有如下几个方面： 1．针对标准BP算法收敛速度慢和易于陷入局部极小值等缺点，研究分析了改进的BP算法，比较了它们的优缺点。 2．针对被控对象的建模问题，分别采用BP网络和RBF网络对被控对象建模。进行了泛化能力分析，并对自适应辨识做了进一步的探讨。 3．基于对被控对象的神经网络辨识，提出了神经网络控制策略，采用BP网络和遗传算法结合的复合控制，利用遗传算法为全局优化算法，优化BP网络的初始权系数。仿真结果表明这种复合控制能有效地进行控制，克服了BP算法对初始值敏感的问题，有效改善由于时变、非线性和大滞后的系统变化导致的控制不稳定。 通过MATLAB仿真，验证了采用改进BP算法，在对系统辨识的基础上应用自校正控制结构组成的复合神经网络控制器具有良好的控制效果，降低超调量，抗干扰性强和增强系统的鲁棒性，优于常规PID控制器。