第七章PID神经网络的讲述内容 7.1绪论 7.2PID神经元的计算方法 73PID神经元网络 7.4SPID网络的反传算法 7.5PID网络初值权重的选取和等价系统
7.1 绪论 7.2 PID神经元的计算方法 7.3 PID神经元网络 7.4 SPID网络的反传算法 7.5 PID网络初值权重的选取和等价系统 第七章 PID神经网络的讲述内容
7.1绪论 1)传统控制系统的局限性 由于被控对象的复杂性、大规模和确定性、分布性，要实现自 动控制，那么基于传统精确数学模型的控制理论就显现出极大的 局限性。 传统的控制理论虽然也有办法对付控制对象的不确定性和复杂 性，如自适应控制和鲁棒控制。自适应控制是以自动调节控制器 的参数，使其与被控对象和环境达到良好的“匹配”，以削弱不 确定性的影响。从本质上说，自适应控制是通过估计系统某些重 要参数，以补偿的方法克服系统参数在一定范围内的慢变化。鲁 棒控制是在一定的外部干扰和内部参数变化作用下，以提高系统 的灵敏度为宗旨来抵御不确定性的。根据这一思想和原则所导出 的算法，其鲁棒的区域是很有限的
7.1 绪论 1）传统控制系统的局限性 由于被控对象的复杂性、大规模和确定性、分布性，要实现自 动控制，那么基于传统精确数学模型的控制理论就显现出极大的 局限性。 传统的控制理论虽然也有办法对付控制对象的不确定性和复杂 性，如自适应控制和鲁棒控制。自适应控制是以自动调节控制器 的参数，使其与被控对象和环境达到良好的“匹配”，以削弱不 确定性的影响。从本质上说，自适应控制是通过估计系统某些重 要参数，以补偿的方法克服系统参数在一定范围内的慢变化。鲁 棒控制是在一定的外部干扰和内部参数变化作用下，以提高系统 的灵敏度为宗旨来抵御不确定性的。根据这一思想和原则所导出 的算法，其鲁棒的区域是很有限的
7.1绪论 2)人工神经网络控制的系统的特点和弱点： 般神经网络的弱点，包括以下问题： (①)一般神经元网络的学习和训练时间很长。 (2)由于神经网络结构确定往往要通过反复实验才可能确定，所 以给控制器实际应用方面带来困难。 (3)有的网络在学习时会陷入局部极小(BP）,有的网络关键参 数确定有困难(RBF)。 (④)传统系统神经网络的结构、参数和机能，难以与控制系统所 要求的响应快、超调小、无静差、静态指标相联系。 (⑤)传统的多层前向神经网络的神经元仅具有静态输入输出特性， 用它构成控制系统时必须附加其它动态部件
7.1 绪论 2）人工神经网络控制的系统的特点和弱点: 一般神经网络的弱点，包括以下问题： ⑴ 一般神经元网络的学习和训练时间很长。 ⑵ 由于神经网络结构确定往往要通过反复实验才可能确定，所 以给控制器实际应用方面带来困难。 ⑶ 有的网络在学习时会陷入局部极小（BP），有的网络关键参 数确定有困难（RBF）。 ⑷ 传统系统神经网络的结构、参数和机能，难以与控制系统所 要求的响应快、超调小、无静差、静态指标相联系。 ⑸ 传统的多层前向神经网络的神经元仅具有静态输入输出特性， 用它构成控制系统时必须附加其它动态部件
7.1绪论 3）PID控制的特点及其和神经元网络的结合 )=ke()+kJe(dr+k de(1) k,k配令适应.可得到快速敏捷平稳准确的调节效果.但其 合理、快速、实时的确定是关键。 PID在本质上是线性控制规律，具有传统控制理论的弱 点 只适合于线性SSO系统，在复杂系统中控制效果不
7.1 绪论 3）PID控制的特点及其和神经元网络的结合 0 ( ) ( ) ( ) ( ) t P I D de t u t k e t k e d k dt = + + , , P I D k k k 配合适应.可得到快速敏捷.平稳准确的调节效果.但其 合理、快速、实时的确定是关键。 PID在本质上是线性控制规律，具有传统控制理论的弱 点——只适合于线性SISO系统，在复杂系统中控制效果不 佳
7.1绪论 神经元网络和PID控制结合的两种流行方法： r(0 ☒ 被控对象 缺点：结构复杂、不 能避免神经网络自身 的缺陷。 神经网络 缺点 a:仍是选择PID参数的方法。 被控对象 6神经元起的作用相当于单 层感知器，只具有线性分类能
7.1 绪论 神经元网络和PID控制结合的两种流行方法： 被控对象 神经网络 − d dt P k I k Dk rt( ) yt() 被控对象 − d dt W1 W2 W3 rt( ) yt( ) et( ) 缺点：结构复杂、不 能避免神经网络自身 的缺陷。 缺点： a:仍是选择PID参数的方法。 b:神经元起的作用相当于单 层感知器，只具有线性分类能 力