华电科院毕业设计开题报告&文献综述.doc

完整版)华电科院毕业设计开题报告&文献综述

华北电力大学科技学院
毕 业 设 计（论 文）开 题 报 告

学生姓名： 秦术员 班级： 自动化09K1
所在院系： 动力工程系 所在专业： 自动化
设计（论文)题目：基于RBF神经网络整定的pid控制器设
计及仿真
指导教师： 平玉环

2013 年 3 月 28 日

毕 业 设 计（论 文）开 题 报 告
一、结合毕业设计(论文课题情况，根据所查阅的文献资料,每人撰写不低于2000字的文献综述。（另附）
二、本课题要研究或解决的问题和拟采用的研究手段（途径）：
目前,因为PID控制具有简单的控制结构,可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多.然而随着现代工业过程的日益复杂,对控制要求的逐步增高（如稳定性、准确性、快速性等）,经典控制理论面临着严重的挑战。而对于非线性系统来说，神经网络PID控制具有良好的控制效果，它将神经网络和PID控制技术融为一体，即具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
本文通过对PID神经元的结构和计算方法的学习,通过查阅质料得知被控对象的传递函数，基于被控对象的数学模型,设计一个基于RBF神经网络整定的PID控制器,并运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究.然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
对

三、指导教师意见:
1． 对“文献综述”的评语：

2．对学生前期工作情况的评价（包括确定的研究方法、手段是否合理等方面):

指导教师:
年 月 日

文献综述
一、 概述
PID控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用。在工业控制中，PID控制是工业控制中最常用的方法。这是因为PID控制器结构简单、实现简单，控制效果良好，已得到广泛应用。据统计，在目前的控制系统中,PID控制占了绝大多数。但是，随着人类科技的不断发展，受控对象越来越复杂，传统的PID控制已经不能满足人们的要求。主要表现在以下几个方面：不适应不确定性系统的控制；不适应非线形系统的控制;不适应时变系统的控制；不适应多变量系统的控制.由于这些局限性传统控制方法和传统的神经元网络均不能单独胜任复杂系统的控制任务，为了使控制器具有较好的自适应性,实现控制器参数的自动调整，因此需要研究新的更有效的控制方法。近年来，随着神经元网络的研究和应用，人们开始采用神经元网络和PID控制相结合，以便改进传统PID控制的性能。利用人工神经网络的自学习这一特性,并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。
二、 神经网络的基本概念和特点
人工神经网络（ANN，Artificial Neural Network），又称并行分布处理模型或连接机制模型，是基于模仿人类大脑的结构和功能而构成的一种信息处理系统或计算机系统。神经网络系统是指利用工程技术手段，模拟人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。由于它是由人工方式构造的网络系统，因此也称为人工神经网络系统。基于人工神经网络的控制简称为神经网络控制.
人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注：
(1）能逼近任意L2上的非线性函数；
（2）信息的并行分布式处理与存储；
（3）可以多输入、多输出；
（4）便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现；
(5）能进行学习，以适应环境的变化；
人工神经网络的特点和优越性,主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像.自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力.寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型 人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解.
三、 RBF神经网络的基本原理
1985年，Powell提出了多变量插值的径向基函数(Radical Basis Function,RBF）方法。1988年，Moody和Darken提出了一种神经网络结构，即RBF神经网络。径向基神经网络的神经元结构：

激活函数采用径向基函数 ：以输入和权值向量之间的 距离作为自变量

RBF 神经网络通常是一种三层前向网络，结构如下图 所示.第一层是输出层，由信号源节点组成;第二层为隐含层，其节点基函数是一种局部分布的、对中心径向对称衰减的非负非线性函数；第三层为输出层.如下图所示：

根据 RBF 神经网络结构分析，构成 RBF 神经网络的基本思想是:用 RBF 作为隐层神经元的“基”构成隐含层空间，这样就可将输入矢量直接映射到隐空间.当 RBF的中心确定后这种映射关系也就确定了。而隐含层空间到输出层空间的映射是线性的，即网络的输出是隐层神经元输出的线性加权和,此处的权值为网络的可调参数.从总体上来说，网络由输入到输出的映射是非线性的，而网络对可调参数而言是线性的。这样网络的权值就可由线性方程组解出或用 RLS（递推最小二乘）方法递推计算,从而加快学习速度并避免局部极小问题。
四、 基于RBF神经网络整定的PID控制框图

通过分析传统PID控制器优缺点的同时对单神经元自适应PID控制和RBF神经网络PID控制进行学习,应用Matlab进行模块的搭建进行仿真，后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。针对单神经元自适应PID控制和RBF神经网络PID控制举例仿真，表明RBF神经网络PID控制精度高，自学习和自适应能力很强，其控制品质比普通PID的控制品质有了显著的改善。
五、 参考文献
[1］ 薛定宇，控制系统仿真与计算机辅助设计。北京：机械工业出版社,2009.
[2] 黄忠霖，控制系统MATLAB计算及仿真。北京：国防工业出版社，2009。
[3］ 刘金昆,先进PID控制及其MATLAB仿真。电子工业出版社，2003.
[4］ 薛定宇，基于MATLAB/Simulink的系统仿真技术与应用。清华大学出版社,2011
[5］ 金以慧，过程控制[M].清华大学出版社,2002.
[6] 乔俊飞，RBF神经网络的结构动态优化设计［J］，自动化学报， 2010。
［7] 王阳萍，朱正平。 MATLAB 在RBF 径向基神经网络仿真中的应用［J]。甘肃科技,2004.
[8] 王旭东，邵惠鹤。 RBF神经网络理论及其在控制中的应用[J].信息与控制,1997。
［9］ 张顶学,RBF神经网络算法及其应用[J］。石油化工高等学校学报,2007.
［10］ 朱明星, 张德龙. RBF 网络基函数中心选取算法的研究[J]。安徽大学学报，2000。
［11] 周 勇，胡中功. RBF 神经网络理论及其在控制中的应用[J］.武汉科技学院学报，2007。
[12] 熊英。 基于R B F 网络的几种学习算法[J］。信息技术，2011。
［13] 张义超, 卢英, 李炜. RBF 网络隐含层节点的优化[J]. 计算机技术与发展，2009。
[14］ 赵建华，沈永良．一种自适应PID控制算法．自动化学报,2001。
［15] 杨平.自动控制原理．北京：中国电力出版社，2006.
[16] 舒怀林．PID神经元网络及其控制系统．北京：国防工业出版社，2006。
[17] 张德江.计算机控制系统。 北京:机械工业出版社，2008.