神經網絡的魯棒性范文

導語：如何才能寫好一篇神經網絡的魯棒性，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

【關鍵詞】BP神經網絡；PID控制；直流電機調速系統

1.引言

PID控制以其算法簡單，魯棒性好和可靠性高等優點，廣泛地應用于工業生產當中，成為衡量各行各業現代化水平的一個重要標志。隨著科學技術的發展，生產工藝的日益復雜化，生產系統具有非線性，時變不確定性，在實際生產中，常規PID控制器參數往往整定不良、性能欠佳，對運行工況的適應性很差[1]。

BP神經網絡具有良好的自學習、自適應能力和魯棒性，可以用來處理高維、非線性、強耦合和不確定性的復雜控制系統。本文結合BP神經網絡的優點和傳統PID控制的優勢，對PID控制器進行優化，使其具有很強的自適應性和魯棒性。通過對直流電機調速系統仿真，結果表明，這種方法是有效的。

2.PID控制原理

PID是工業生產中最常用的一種控制方式，PID調節器是一種線性調節器，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）通過線性組合構成控制量，對控制對象進行控制。傳統的PID控制系統原理框圖如圖2.1所示，系統主要由PID控制器和被控對象組成。它根據給定值rin（t）與實際輸出值yout（t）構成控制偏差額e（t）：

圖2.1為PID控制系統原理框圖。

3.基于BP神經網絡的PID整定原理

PID控制要取得好的控制效果，就必須通過調整好比例、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系，這種關系不一定是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的關系[2]。BP神經網絡具有良好的自學習、自適應能力和魯棒性，將PID和BP神經網絡結合起來，建立參數自學習的PID控制器。其結構如圖3.1所示。

經典增量式數字PID的控制算式為：

式中，是與、、、u（k-1）、y（k）等有關的非線性函數，可以用BP神經網絡通過訓練和學習找到這樣一個最佳控制規律。

假設BP神經網絡NN是一個三層BP網絡，其結構如圖3.4所示，有M個輸入節點、Q個隱層節點、三個輸出節點。輸出節點分別對應控制器的三個可調參數，，。其激發函數為非負的Sigmoid函數。而隱含層的激發函數可取正負對稱的Sigmoid函數。

神經網絡的前向算法如下：設PID神經網絡有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神經網絡在任意采樣時刻k的前向計算公式（3-3）如下所述：

基于BP神經網絡PID控制算法可以歸納為：①選定BPNN的結構，即選定輸入層節點數M和隱含層節點數Q，并給出各層加權系數的初值，選定學習速率和慣性系數；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的各層神經元的輸入和輸出，輸出層的輸出即為PID控制器的3個參數，，；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系數；⑦計算修正隱含層的加權系數：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Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，電樞電阻Ra=0.5Ω，V-M系統主電路總電阻R=1Ω，額定磁通下的電機電動勢轉速比=0.1925V.min/r，電樞回路電磁時間常數Ta=0.017s，系統運動部分飛輪距相應的機電時間常數Tm=0.075，整流觸發裝置的放大系數=44，三相橋平均失控時間Ts=0.00167s，拖動系統測速反饋系數=0.001178V.min/r，比例積分調節器的兩個系數T1=0.049s，T2=0.088s。BP神經網絡的結構采用4-5-3，學習速率和慣性系數，加權系數初始值取區間[-0.5，0.5]上的隨機數。利用simulink模塊建立模型如圖4.1所示。

從上面的仿真結果中，進行比較分析后，可以得出常規PID控制系統BP神經網絡PID控制系統兩者對于在零時刻加幅度為1的階躍信號，它們有著不同響應曲線。為了便于比較，可以將兩者的響應結果列表，見表4.1。

5.結論

由仿真結果可知，BP神經網絡控制系統的最大超調量和調整時間均比常規PID控制系統的最大超調量要小。這說明利用BP神經網絡對PID控制器進行優化具有有良好的自學習、自適應能力和魯棒性，在工業生產中，具有更高的價值。

參考文獻

[1]王敬志，任開春，胡斌.基于BP神經網絡整定的PID控制[J].工業控制計算機，2011（3）：72-75.

篇2

關鍵詞: 人工神經網絡BP算法改進BP算法倒立擺小車

1.引言

倒立擺系統是時變的、非線性、多變量和自然不穩定系統,在控制過程中,它能有效地反映可鎮定性、魯棒性、隨動性和跟蹤等許多控制中的關鍵問題,是檢驗各種控制理論的理想模型。人工神經網絡BP算法,在多變量輸入情況下具有精度高、實現快、算法簡單、魯棒性好等優點,從而滿足了系統的要求[1]。

2.人工神經網絡BP算法簡介

人工神經網絡(ANN)由于具有信息的分布存儲、并行處理和自學習能力等優點,在信息處理、模式識別、智能控制等領域得到了越來越廣泛的應用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經網絡模型是采用BP網絡或其改進形式,它是前向網絡的核心部分,體現了網絡最精華的部分[2]。標準的BP網絡是根據Widrow―Hoff規則,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網絡存在需較長的訓練時間、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:一類采用啟發式技術,如附加動量法、自適應學習率法;另一類是采用數字優化技術,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法對網絡進行訓練。

LM優化方法權重和閾值更新公式[4]為:

其中J為誤差對權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.神經網絡控制器設計

3.1訓練樣本的選取

BP神經網絡在未經任何訓練的情況下,不能作為系統控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網絡的教師進行學習,經過試探訓練,樣本數為2000時結果較為合理,此時樣本數據能夠反映系統的基本特征,可以得到預期的仿真結果。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網絡結構

BP網絡設計時,增加層數主要可以進一步降低誤差,提高精度,但卻使網絡復雜化。而增加隱含層的神經元數也可提高誤差精度,且訓練效果更易觀察和調整。為了使誤差盡可能小,我們要合理選擇初始權重和偏置,如果太大就容易陷入飽和區,導致停頓,一般應選為均勻分布的小數,介于(-1,1)。

根據需要,在網絡初始化時,BP采用0.5*Rands函數初始化權值,權值初始值選在(-0.5,0.5),選取訓練目標誤差為0.0001,訓練次數上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經網絡結構,隱含層、輸出層分別采用Tansig、Purelin函數,仿真實驗表明變學習率訓練算法訓練時間長,5000次還不能達到所要求的精度,且系統容易發散,控制倒立擺效果不好,采用改進的LM訓練算法對網絡進行學習訓練可以得到較好的控制效果且訓練時間短。在實際仿真過程中,BP網絡經過53次訓練即達到了訓練目標。

4.BP網絡訓練結果

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,仿真結果表明:相較極點配置,BP算法精度高、實現快、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定精度的穩定效果,且超調量很小,滿足了系統的要求。

5.結論

通過對人工神經網絡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域具有良好的應用前景。BP神經網絡從理論上可以逼近任意非線性函數,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。

參考文獻:

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

[2]張志華,朱章森,李儒兵.幾種修正的自適應神經網絡學習算法及其應用[J].地球科學,1998,23(2):179-182.

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

篇3

人工神經網絡是近年來迅猛發展的前沿課題，它對突破現有科學技術的瓶頸起到重大的作用。本文剖析了人工神經網絡的特征、模型結構以及未來的發展趨勢。

【關鍵詞】人工神經網絡 神經元 矩陣

1 人工神經網絡概述

人工神經網絡（ANN）是一種用計算機網絡系統模擬生物神經網絡的智能神經系統，它是在現代神經生物學研究成果的基礎上發展起來的，模擬人腦信息處理機制的一種網絡系統，它不但具有處理數值數據的計算能力，而且還具有處理知識的學習、聯想和記憶能力。

人工神經網絡模擬了大腦神經元的組織方式，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

因為人工神經網絡中的神經元排列并不是雜亂無章的，往往是以一種有規律的序列排列，這種結構非常適合并行計算。同時如果將每一個神經元看作是一個基本的處理單元，則整個系統可以是一個分布式處理系統，使得計算快速。

1.2 可學習性和自適應性

一個相對很小的人工神經網絡可存儲大量的專家知識，并能根據學習算法，或利用指導系統模擬現實環境（稱為有教師學習），或對輸入進行自適應學習（稱為無教師學習），可以處理不確定或不知道的事情，不斷主動學習，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元及其相互連接，具有聯想映射與聯想記憶能力，容錯性保證網絡將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網絡中的神經元或突觸遭到破壞時網絡仍然具有學習和記憶能力，不會對整體系統帶來嚴重的影響。

1.3 泛化能力

人工神經網絡是大規模的非線性系統，提供了系統協同和自組織的潛力，它能充分逼近任意復雜的非線性關系。如果輸入發生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規則都可以通過對范例的學習存儲于同一個神經網絡的各連接權值中，能同時處理定量和定性的信息，適用于處理復雜非線性和不確定對象。

2 人工神經網絡模型

神經網絡是在對人腦思維方式研究的基礎上，將其抽象模擬反映人腦基本功能的一種并行處理連接網絡。神經元是神經網絡的基本處理單元。

在神經網絡的發展過程中，從不同角度對神經網絡進行了不同層次的描述和模擬，提出了各種各樣的神經網絡模型，其中最具有代表性的神經網絡模型有：感知器、線性神經網絡、BP網絡、自組織網絡、徑向基函數網絡、反饋神經網絡等等。

3 神經元矩陣

神經元矩陣是神經網絡模型的一種新構想，是專門為神經網絡打造的一個矩陣，它符合神經元的一切特征。

神經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，建立各種聯系。如圖1即是神經元矩陣模型

（1）容器可產生一種無形的約束力，使系統得以形成，容器不是全封閉的，從而保證系統與外界的溝通和交互；各向量間可用相互作用的力來聯系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經元之間自主交互，神經元矩陣是一種多層次的管理，即一層管理一層。系統具有明顯的層級制和分塊制，每層每塊均獨立且協同工作，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，或使鄰近向量轉向、伸長，進而形成相對穩定的信息通路。

（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，也就是是神經元矩陣分塊、分層、形成聯接的過程，也為矩陣系統宏觀管理、層級控制的實現奠定了基礎。

神經元矩陣亦是一種具有生物網絡特征的數學模型，綜合了數學上矩陣和向量等重要概念，是一種立體的矩陣結構。尤其是將矩陣的分塊特性和向量的指向特征結合起來，更好的體現了神經網絡的整體性和單元獨立性，系統的組織和自組織特征也更為凸顯。信使粒以“點”的數學概念，增強了系統的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經網絡的發展趨勢

人工神經網絡是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領域，研究它的發展具有非常重要意義。針對神經網絡的社會需求以及存在的問題，今后神經網絡的研究趨勢主要側重以下幾個方面。

4.1 增強對智能和機器關系問題的認識

人腦是一個結構異常復雜的信息系統，我們所知道的唯一智能系統，隨著信息論、控制論、計算機科學、生命科學的發展，人們越來越驚異于大腦的奇妙。對人腦智能化實現的研究，是神經網絡研究今后的需要增強的地發展方向。

4.2 發展神經計算和進化計算的理論及應用

利用神經科學理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，使離散符號計算、神經計算和進化計算相互促進，開發新的網絡數理理論。

4.3 擴大神經元芯片和神經網絡結構的作用

神經網絡結構體現了結構和算法的統一，是硬件和軟件的混合體，神經元矩陣即是如此。人工神經網絡既可以用傳統計算機來模擬，也可以用集成電路芯片組成神經計算機，甚至還可以生物芯片方式實現，因此研制電子神經網絡計算機潛力巨大。如何讓傳統的計算機、人工智能技術和神經網絡計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學和生命科學的相互融合

信息科學與生命科學的相互交叉、相互促進、相互滲透是現代科學的一個顯著特點。神經網絡與各種智能處理方法有機結合具有很大的發展前景，如與專家系統、模糊邏輯、遺傳算法、小波分析等相結合，取長補短，可以獲得更好的應用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經網絡及其融合應用技術.科學出版社.

篇4

關鍵詞：神經網絡模糊控制PID控制

0 引言

隨著我國市場經濟的迅速發展，水對人民生活與工業生產的影響日益加強，與此同時用戶對供水系統可靠性和供水質量的要求也越來越高；另外，資源的緊缺和人們環保意識的增加，如何把先進的自動化技術、控制技術、通訊及網絡技術等應用到供水領域，成為對供水系統的新要求，因此無論是在性能方面考慮還是在節能方面考慮，供水系統都需要巨大的變革。

1 傳統控制策略

由于變頻調速恒壓供水系統具有典型的大延遲性、非線性，而且城市用水具有季節性、時間性、水壓擾動量大等特點。因此，雖然統治工業控制領域多年的傳統PID控制有很多優點并且長期應用于供水系統，但是其固定參數模式致使其不適宜應用于恒壓供水系統。由于PID控制擁有很多較好的優點，諸如：原理簡單，使用方便，適應強，魯棒性強等優點。因此在工業控制中人們往往還是會想到PID控制。根據被控對象的不同制定合適的KP、KI、KD參數，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控制適合系統模型非時變的情況。對于一個時變系統，由于PID的參數不會隨系統變化而動態的調整KP、KI、KD參數，這樣會使控制作用變差，甚至造成系統不穩定。

與傳統PID控制相比，模糊控制具有很多優點。模糊控制是建立在模糊數學基礎上的一種智能控制技術，可以達到傳統控制策略無法達到的效果。模糊控制能較好得跟隨系統狀態的變化動態調整自身控制參數，不需要建立精確的控制對象模型，因而在實際上的應用越來越廣泛。

但是作為一門較為新型的控制科學，還沒有系統的方法來指導設計參數精良的模糊控制器。模糊控制器控制規則的確定以及其可調節性是對其控制效果影響最大的一方面。尤其是控制規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則時要考慮若干參數的選擇是否合適，恰當的選擇參數是非常重要的。如在供水系統的水壓控制中，系統誤差和誤差變化率的動態范圍需要反復多次整定以滿足控制需要。

盡管模糊推理系統的設計（隸屬度函數及模糊規則的建立）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驗和知識。若缺乏這樣的經驗和知識，則很難期望它能夠得到滿意的控制效果。神經網絡的出現很好的彌補了這一缺陷。神經網絡系統的一大特點就是其自學習功能，將這種自學習的方法應用于對模糊特征的分析與建模上，產生了自適應的神經網絡技術。這種自適應的神經網絡技術對于模糊系統的模型建立是非常有效的工具。而自適應神經模糊系統就是基于數據的建模方法，該系統中的模糊隸屬度函數及模糊規則是通過對大量已知數據的學習得到的，而不是基于經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雜的系統尤為重要。

神經網絡可以與模糊控制相結合組成神經網絡模糊控制，兩者各有所長，神經網絡能夠通過給定的經驗集學習并生成映射規則，但其規則不可見；模糊控制制定的規則雖然可見，但是其自學習能力欠缺，導致其規則的動態調整不足。因此有必要將上述兩點結合。

2 新型控制策略

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

如圖顯示了神經網絡模糊PID控制器的結構框圖，該控制器是由三部分組成：

①神經網絡控制器：控制模糊規則的動態調整，通過神經網絡的自學習，使模糊規則的生成轉變為加權系數的確定和調節。根據供水系統的運行狀態，調節PID控制器參數，使供水系統最終達到最優控制。

②模糊控制器：對系統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，對輸入到神經網絡的模糊規則進行預處理，避免了神經網絡采用sigmoid激活函數時，由于輸入過大而導致輸出飽和。

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

以上過程簡要說來就是使輸出層神經元的輸出狀態與PID控制器的KP、KI、KD參數相對應，這樣可以通過神經網絡的自學習能力實現加權系數調整，進而使其穩定狀態與PID的最優控制相對應，最終利用PID控制器的輸出u來實現對供水系統的水壓的控制。

參考文獻：

[1]劉萍麗.交流變頻恒壓供水控制器的設計.大連海事大學碩士學位論文.2005.

[2]謝靜，韋力.新型恒壓供水系統[J].應用能源技術，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、控制工程理論及應用

篇5

關鍵詞：模糊神經網絡；字符識別；角點；連通域

0 引言

印刷體字符識別技術具有極大的實用價值，被廣泛應用于大量文報資料、財務票據、文案掃描等文件處理領域[1]。它采用模式識別方法，將通過光學掃描輸入得到的印刷品圖像，轉化為計算機能夠處理的電子文檔，其技術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、神經網絡與遺傳算法為代表的人工智能這一新興學科以其強大的學習功能在字符識別領域得到了廣泛的應用。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，但是其規則庫難于設計，學習功能差；神經網絡可以用于大規模字符識別，它具有能夠逼近任意非線性函數關系的能力和比較方便的學習手段等特點[3,4]，但其參數不易收斂，推理功能差。而模糊神經網絡集兩者優勢于一體，具有高魯棒性和高度非線性學習能力，能夠準確、快速的對已有數據進行學習，并在一定程度上提高了字符識別效率。本文利用模糊神經網絡，采用角點定位和連通域提取等技術，設計了一套印刷體字符識別的新方法。

1 FNN結構和學習算法

FNN結構如圖1所示，第一層為輸入層，該層的各個結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，該層結點數N1=n；第二層每個結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，本文的隸屬度函數采用最常用的高斯函數，該層結點數N2=m1+m2+…mn；第三層的每個結點代表一條模糊規則，它的作用是用來匹配模糊規則的前件，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，該層結點數為m；第四層用于歸一化計算，其結點數與第三層相同；第五層是輸出層，實現清晰化計算，其yi=wi1a1+ wi2a2+ … wirar，i=1,2,..r。

圖1

該網絡學習方法與BP反向傳播網絡訓練方法類似，基本步驟為：①初始化網絡的隨機權值wi；②計算結果與期望輸出向量的誤差；③按a=0.7的比例學習因數調整第五層神經元的權重，以減少與期望的誤差；④將誤差返回到上層的每個神經元；⑤重復③④調整每個神經元的權重，直到網絡滿足要求為止。

2 字符特征提取

圖2為系統流程圖，在圖像采集后，需要將圖像規則化，這通過濾波、二值化、平移、旋轉等操作來實現。圖像濾波方法很多，本文采用常用的平滑濾波；而旋轉變換則需要判斷出圖像的角度。一般印刷品具有規則的幾何形狀，故在標準平面坐標下，根據圖像四個角之間相對距離的不變性，經過旋轉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，則角度旋轉后可將圖像轉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，它能夠對數字圖像區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，依據各種標點符號的類型，漢字的上下、左右等構成方式，把規定合理范圍內最相近連通域結合，視為一個字符。為了防止產品印刷過程中漏印、飛墨、針孔、刮擦等情況出現，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，以恢復其合理的結構。

3 仿真研究

本文仿真軟件使用MatlabR2010b，圖像采集設備為工業攝像頭。模糊神經網絡輸入為上述規定方框的象素值，輸出為人工設定的字符標號，比如：0表示阿拉伯數字‘0’，55表示漢字‘人’字，80表示英文字母‘B’。

該系統采用監督學習方法，依據1、2所述原理，第一步為訓練階段，采集標準印刷品圖像上面300個常見字符作為訓練數據，對所建模糊神經網絡進行訓練。第二步是學習測試階段，將作為訓練的印刷品作為測試樣本，其學習準確率為98%，高于單獨使用神經網絡（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據，得出的字符識別準確率是86.53%，高于單獨使用神經網絡（74%）。

4 結論

本文利用模糊神經網絡，使用角點定位和連通域分析等技術，建立了一個印刷品字符識別器。實驗結果表明，相對于單純學習算法，該模糊神經網絡具有很好的學習能力和很強的魯棒性，能夠很好應用于印刷品字符識別領域。未來工作可放在改進學習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. 自動印刷質量檢測技術及系統綜述[J]. 印刷質量與標準化，2011．

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

[3] 趙曉霞. 一種粗糙模糊神經網絡識別器及其應用[J]. 中北大學學報(自然科學版），2009

[4] 周澤華, 胡學友等. 基于神經網絡的印刷體數字字符的識別[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測[J]. 信號與系統， 2011

作者簡介

篇6

關鍵詞 河流，人工神經網絡，水質，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、生活污水和工業廢水的接納等密切相關。水質的評價是一個復雜的問題，目前主要的評價方法主要有兩大類，一類是以水質的物理化學參數的實測值為依據的評價方法；另一類是以水生物種群與水質的關系為依據的生物學評價方法。較多采用的是物理化學參數評價方法，其中又分單因子法和多項參數綜合評價法。前者即用某一參數的實測濃度代表值與水質標準對比，判斷水質的優劣或適用程度。多項參數綜合評價法即把選用的若干參數綜合成一個概括的指數來評價水質。多因子指數評價法用兩種指數即參數權重評分疊加型指數和參數相對質量疊加型指數兩種。參數權重評分疊加型指數的計算方法是，選定若干評價參數，按各項參數對水質影響的程度定出權系數，然后將各參數分成若干等級，按質量優劣評分，最后將各參數的評分相加，求出綜合水質指數。數值大表示水質好，數值小表示水質差。用這種指數表示水質，方法簡明，計算方便。參數相對質量疊加型指數的計算方法是，選定若干評價參數，把各參數的實際濃度與其相應的評價標準濃度相比，求出各參數的相對質量指數，然后求總和值。根據生物與環境條件相適應的原理建立起來的生物學評價方法，通過觀測水生物的受害癥狀或種群組成，可以反映出水環境質量的綜合狀況，因而既可對水環境質量作回顧評價，又可對擬建工程的生態效應作影響評價，是物理化學參數評價方法的補充。缺點是難確定水污染物的性質和含量。隨著計算機計算的發展，神經網絡也被越來越多用在水質評價工程中。神經網絡是一種非常適合解決復雜的非線性響應關系的數學模型。它可以用在分類、聚類、預測等方面，通過歷史數據對神經網絡進行訓練，網絡可以學習到數據中隱含的非線性映射關系。本文試圖應用人工神經網絡，來評價河流的水質，并對訓練方法進行探討，采用MATLAB語言編寫相應的評價程序進行實例評價，試圖找出此種算法和傳統BP算法在水質綜合評價中的優缺點。

2.網絡結構和數據預處理

采用BP ANN網絡，網絡分一層輸入層、一層輸出層和幾層隱含層組成。同一層之間的神經元之間沒有聯系，相鄰兩層的神經元之間通過連接權值和激活函數進行連接。在訓練的過程中，通過不斷調節連接權值來使網絡的仿真結果逐漸接近期望值。本文采用4層的網絡結構，兩層隱含層都是4個神經元節點，輸出層只有一個節點，代表評價結果，輸入層5個節點，代表5個評價參數。

評價標準選《國家地表水環境標準》（GB3838-2002），訓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。激活函數采用sigmoid函數，層與層之間的連接權值和閾值隨著每次的訓練修正出新值。每次訓練用Gauss- ANN方法計算出權值和閾值的修正值。

4.結果

為了驗證Gauss-Newton算法的性能，將它與傳統BP算法進行比較。使用生成的訓練樣本進行訓練，兩種算法各訓練10次，每次訓練最多迭代200000次，網絡誤差函數為所有訓練樣本誤差的平方和。誤差為3.0的時候認為網絡收斂。表1為訓練過程對比，表2為水質的評價結果。從結果看，水質都在地表水環境質量標準里面的1類水水平。

表1 兩種算法訓練和評價結果比較

傳統BP算法 RPROP算法

迭代次數 200000 22700

誤差 12.25 6.0

收斂次數 1 3

訓練樣本準確率（%） 75.1 92.5

驗證樣本準確率（%） 74.2 91.2

表2 評價結果

NH3-N TP COD BOD 評價結果

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）使用的訓練算法，使神經網絡的收斂速度加快，魯棒性加強，適合用在水質評價工作。

篇7

關鍵詞 蟻群優化算法 神經網絡 信息素分布函數

中圖分類號：TH183 文獻標志碼：A

20世紀90年代初，意大利學者Dorigo、Maniezzo首先提出了一種新的模擬進化算法―蟻群算法，基本的蟻群優化算法，主要用于離散的參數優化問題，并已經成功的解決了TSP，VRP，QAP，JSP等一些列困難的組合優化問題。而神經網絡的的訓練是典型的連續優化問題，本文在分析基本的蟻群優化算法特點的基礎上，提出一種新的信息素分布方式及其概率分布函數，將蟻群算法成功的延伸到連續優化的范疇，并且建立了蟻群優化算法訓練神經網絡的基本模型，克服了傳統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能力和神經網絡的廣泛映射能力。

一、改進的蟻群算法訓練神經網絡

（一）優化模型。

常規的神經網絡是屬于連續性優化的范疇，其優化的目的是從每一個的參數的取值范圍中選取一個具體的值，使得神經網絡的輸出誤差，滿足誤差條件。本文用于連續優化的模型與組合優化相似，只是其解空間從離散變量變成了連續變量的組合。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，依次從n個連續的取值范圍內選取一個值，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，構建一組的完整的解。通過螞蟻間的團體協作，構建一個全局最優解。

（二）改進的蟻群優化算法。

1、信息素的分布。理想化的狀態下，螞蟻對信息素的感知力不受左右兩側信息素濃度的影響，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，而且關于信息素的散發點是對稱的。在此模型中考慮這種因素，可以克服常規蟻群算法易陷入局部最優，以及解空間搜索不夠的缺點。

通過比較不難發現，這種信息素的分布類似于正態分布，因此可以選擇用正態分布函數來表達信息素的分布函數：

（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 的關系：

u=0， 分別取1/2，1，2。

圖2

正態分布函數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各路徑上螞蟻的影響，螞蟻在選擇路徑時會根據解的質量散發出不同濃度的信息素，依據神經網絡的優化特點，這里采用輸出誤差來描述解的質量的比較合適，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的信息素為：

（2）

上式中，h為一個常數；t為樣本的數量；E（l）為輸出誤差。因為所得到的最優解是針對所有樣本的，因此輸出誤差應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的形狀結合，可得到第j只螞蟻在第i參數上散發的信息素濃度公式為：

（3）

式中，Xji為第j只螞蟻在第i個參數的取值范圍內選取的具體值。

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

（4）

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

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

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

（三）優化算法的流程。

用改進后的蟻群算法優化神經網絡的大致過程如下：

（1）建立前向型的神經網絡模型，要包括神經網絡的層數，每一層的節點數，和每一個待優化的權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，從各個參數的取值范圍內隨機的選取一個具體值，從而構建去一條路徑；（3）當所有的螞蟻完成了解的構建之后，輸入樣本根據式（4）來更新各路徑上信息素，并初始化所有螞蟻的路徑；（4）根據公式（5）計算出所有參數的概率分布函數，所有螞蟻根據該函數，依次從n個參數各自的取值范圍內選取一個具體的值，構建出一個完整的解；

重復執行步驟（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y=3x2e-x對算法進行驗證，而神經網絡的結構，我們采用三層前向式神經網絡，共包括輸入層，隱含層，輸出層，三者各有1，10，1個節點。

在此實例中，我們利用上述函數表達式，在[0，5]內隨機選取50個值作為輸入樣本，利用該函數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網絡的實際輸出值之差的絕對值，作為需要優化的目標函數。

在這里，輸出層的激勵函數采用線性函數：

F（x） = x

隱含層的激勵函數采用Sigmoid函數：

F（x） = （1-e-x）/（1+e-x）

因此，待優化的權值共有31個，其取值范圍為[-2，2]。

在此實例中，螞蟻的個數設定為31個，經過螞蟻間的協作尋優，對神經網絡的權值不斷優化，樣本的平均誤差很快達到了0.00033。

通過該實例可以總結出，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。同時，也可以通過修改螞蟻的個數和樣本的數量來控制該算法的魯棒性跟其收斂速度，螞蟻與樣本的數量越大，該算法的魯棒性就越強，但收斂速度就比較慢；反之，螞蟻樣本的數量越小，該算法的魯棒性就越差，但是收斂速度較快。

三、結論

1、本文針對傳統的蟻群優化算法主要用于組合優化的特點，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的信息素分布函數與信息素概率分布函數，使得該算法可以應用至連續優化的范疇，與其他算法相比，該優化算法簡單易懂，容易理解。

2、利用改進后的蟻群算法來訓練神經網絡的權值，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、該算法克服了傳統神經網絡算法自身的不足，不僅使其具有神經網絡的廣泛映射能力，還具有了蟻群算法的快速全局尋優能力。

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

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.蟻群算法求解連續空間優化問題.控制與決策，2003，18（5）：573-576.

[3]張國立，王晶等.利用蟻群算法優化前向神經網絡.電子商務，2005（18）：65-67.

[4]汪鐳，吳啟迪.蟻群算法在連續空間尋優問題求解中的應用.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

關鍵詞：機器人路徑規劃算法

一、本文就常見的幾種常見的路徑規劃算法及應用進行簡單的探討如下：

（一）遺傳算法概念

遺傳算法是根據達爾文的進化論，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，根據的原則，優勝劣汰，適者生存，世代演化產生更好的人口大概。在每一代，根據問題域的個體適應度大小來選擇個人，然后選定的個人在自然遺傳學，遺傳算子組合交叉和變異，產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境具有更好的適應性。人口最優個體解碼后可作為近似最優解。

（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遺傳算法在尋優過程中，只把適應度函數的值作為尋優判據。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。③遺傳算法根據概率性的變換規則進行個體的優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、自適應以及內在的學習性，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。對于復雜的和非線性的問題具有良好的適應性。

（三）遺傳算法的應用

遺傳算法提供了一個整體框架地址復雜系統問題，它不依賴于俞特定領域的問題，問題的類型、 已是強的魯棒性，所以廣泛應用余許多科學： 功能優化遺傳算法的經典應用，是遺傳算法的性能評價的常見的例子，許多人建設的各種復雜的表格功能測試： 連續函數和離散函數，凸、 凹函數、 低維功能和高尺寸功能、 單式功能和更多峰值函數。一些非線性、 多模型、 多目標函數優化問題和其他優化方法很難解決，GA 你可以更好的結果。增加問題的規模，搜索空間的組合優化問題，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、 組合優化問題的粒子非常有效。例如，已成功應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，遺傳算法的生產調度、 自動控制、 機器人技術、 圖像處理和機器學習，人工生命，遺傳編碼，已獲得廣泛的應用。

二、蟻群算法及其應用

（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現路徑的行為。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，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，并導致系統的最優解的方向發展。

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，外務大臣蟻群算法用于路由和搜索過程的初步結果不需要手動調整。第二，設立簡單、 便于應用的蟻群算法求解組合優化問題的蟻群算法參數的殖民地，數目。

（三）蟻群算法應用

蟻群算法應用包括：二次分配問題、車間任務調度問題、車輛路線問題、機構同構判定問題、學習模糊規則問題、旅行社新旅游線路與旅行產品的制作等領域。

三、神經網絡算法

（一）神經網絡的概念

人工神經網絡也被稱為神經網絡連接模式，它是一種動物模型，神經網絡的行為特征，分布式并行處理算法的數學模型。網絡依賴于復雜的系統，通過調整內部之間的聯系，大量節點，以實現節能的目的，信息處理。

特征的神經網絡模型的人工神經網絡的主要網絡連接拓撲，神經元的特點，學習規則。目前，近40種神經網絡模型，其中有一個BP網絡，傳感器網絡，自組織映射，神經，波爾茲曼機，自適應共振理論。系統的穩定性與聯想記憶功能密切相關。

神經網絡的應用

人工神經網絡的非線性自適應信息處理能力，克服了傳統人工智能方法的直覺，作為模型，語音識別，非結構化信息處理方面的缺陷，使神經網絡專家系統，模式識別，智能控制，組合優化，預測等領域得到成功應用。人工神經網絡和其他傳統方法相結合，將促進人工智能和信息處理技術的發展。近年來，人工神經網絡模擬人類認知方式更深入的發展，模糊系統，遺傳算法，進化機制相結合，形成智能計算，人工智能，已成為一個重要的方向，在實際的應用開發。信息幾何學應用于人工神經網絡的研究，人工神經網絡理論開辟了一條新的途徑。

篇9

關鍵詞:神經網絡;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

在工業控制中,PID控制是最常用的方法。因為PID控制器結構簡單,實現容易,控制效果良好[1]。隨著工業的發展,對象的復雜程度不斷加深,尤其對于大滯后、時變的、非線性的復雜系統,常規PID控制顯得無能為力。因此常規PID控制的應用受到很大的限制和挑戰。為了使控制器具有較好的自適應性,實現控制器參數的自動調整,可以采用神經網絡控制的方法[2]。

利用神經網絡所具有的非線性映射能力、自學習能力、概括推廣能力,結合常規PID控制理論,通過吸收兩者的優勢,使系統具有自適應性,可自動調節控制參數,適應被控過程的變化,提高控制性能和可靠性[3]。

1 神經網絡PID控制

神經網絡PID控制是神經網絡應用于PID控制并與傳統PID控制相結合而產生的一種新型控制方法,是對傳統的PID控制的一種改進和優化[4]。

1.1 常規的PID控制器

傳統的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;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控制,并且三個參數KP,KI,KD為在線調整方式。

1.2 神經網絡

BP神經網絡的結構如圖1所示。

BP神經網絡通常采用基于BP神經元的多層前向神經網絡的結構形式。典型的BP神經網絡是3層網絡,包括輸入層、隱層和輸出層,各層之間實行全連接。輸入層節點只是傳遞輸入信號到隱含層;隱含層神經元(即BP節點)的傳遞函數f常取可微的單調遞增函數,輸出層神經元的特性決定了整個網絡的輸出特性。當最后一層神經元采用Sigmoid函數時,整個網絡的輸出被限制在一個較小的范圍內;如果最后一層神經元采用Purelin型函數,則整個網絡的輸出可以取任意值。

圖1 三層BP網絡結構圖

設,x1,x2,…,xn為BP網絡的輸入;y1,y2,…,yn為BP網絡的輸出;w1ji為輸入層到隱含層的連接權值;w2ij為隱含層到輸出層的連接權值。

圖1中各參數之間的關系為:

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神經網絡采用誤差的反向傳播來修正權值,使性能指標E(k)=(1/2)\2最小。按照梯度下降法修正網絡的權值:

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 神經網絡PID控制器結構

基于BP神經網絡的PID控制系統結構如圖2所示。控制器由常規的PID控制器和神經網絡兩部分組成。PID控制要取得較好的控制效果,必須通過調整好比例、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系。

常規的PID控制器直接對被控對象進行閉環控制,并且其控制參數為KP,KI,KD在線調整方式。神經網絡根據系統的運行狀態,調節PID控制器的參數,以期達到某種性能指標的最優化,使輸出層神經元的輸出對應于PID控制器的三個可調參數KP,KI,KD。神經網絡所具有的任意非線性表達能力,可以通過對系統性能的學習來實現具有最佳組合的PID控制。

圖2 基于BP神經網絡的PID控制器結構

1.4 神經網絡PID控制器的控制算法

(1) 確定神經網絡的結構,即確定輸人節點數和隱含層節點數,并給出各層加權系數的初值w(1)ij(0)和w(2)ji(0),并選定學習速率η和慣性系數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) 計算各神經網絡的輸入/輸出,其輸出層的輸出即為PID控制器的三個控制參數KP,KI,KD;

(4) 計算PID控制器的輸出;

(5) 進行神經網絡學習,在線調整加權系數,實現PID控制參數的自適應調整;

(6) 令k=k+1,返回(1)。

2 神經網絡的Matlab仿真

為了檢驗神經網絡PID控制系統的能力,在此進行大量的仿真實驗。下面以一階時滯系統作為被控對象,進行仿真實驗。

設被控對象為:

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

相應的控制系統的階躍響應曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應

可以看出,采用傳統的PID控制,其調節時間ts=120 s,超調量達到65%;采用神經網絡PID控制,系統調節時間ts=120,超調量只有20%。由此說明,后者響應的快速性和平穩性都比前者要好,也說明了這種方法的有效性。

圖4 神經網絡PID控制階躍響應

3 結 語

神經網絡PID控制方法簡單,借助神經網絡的自學習、自組織能力,可實現PID參數的在線自整定和優化,避免了人工整定PID參數的繁瑣工作。從文中可以得出,神經網絡PID控制有如下的優點:

(1) 無需建立被控系統的數學模型;

(2) 控制器的參數整定方便;

(3)對于大滯后、時變的、非線性的復雜系統有很好的動靜態特性。實現有效控制和PID控制參數的在線自整定。

參考文獻

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

[2]韓豫萍,孫濤,盛新.基于BP神經網絡的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神經網絡的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.神經網絡PID控制及其Matlab仿真[J].現代電子技術,2004,27(2):51-52.

[5]趙娟平.神經網絡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.神經網絡PID算法在流量控制中的應用與仿真研究[D].合肥:合肥工業大學,2007.

[8]王亞斌.基于BP神經網絡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神經網絡PID參數自整定的研究\.系統仿真學報,2005(7):1 711-1 713.

篇10

關鍵詞： 模糊神經網絡 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射以后，經過初始制導和中制導過程將其攜帶的動能攔截器（Kinetic Kill Vehicle， KKV）送入預定攔截區域，在距離目標較近的范圍內測量其視線角信息，通過控制軌控發動機開關機，來調整KKV的飛行軌跡[1]。整個過程中，彈目視線角及其角速率是設計KKV制導導引律的關鍵參數。

在現代防御戰爭中，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、預估遭遇點、瞄準目標機動飛行等操作，會導致脫靶概率的增加，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網絡，運用模糊神經網絡來識別目標，在KKV飛行過程中不斷更新目標特征權值，能較快地完成真目標的識別。

二、模糊神經網絡設計

模糊神經網絡（Fuzzy Neural Network，FNN）將模糊系統和神經網絡相結合，能充分發揮神經網絡的并行處理、自適應學習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元相互連接起來構成的網絡系統，其本質是將常規的神經網絡輸入模糊信號和模糊權值。

圖1 模糊神經網絡結構圖

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

三、KKV攔截目標過程

在末制導中，KKV攔截目標的全過程可分為以下三步：①目標進入可識別區域，開始檢測目標特征信息；②模糊神經網絡開始學習，不斷更新目標權值；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，導引律開始起作用，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

假設某空域中出現三個目標，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有四個輸入節點，兩個輸出節點，模糊層和推理層根據經驗選取5層，初始權值ω為0.2，學習步長為0.01s，假設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，目標進入可識別區域，檢測目標特征，模糊神經網絡開始學習，不斷更新權值，FNN識別出真目標后，如圖3所示，制導位置發生突變，KKV軌控加速度也相應突變，隨之產生機動飛行，加速度迅速下降，KKV攔截新目標，脫靶量為1.1m。

經過多次仿真試驗，可以得出脫靶量與剩余時間的關系：導彈剩余時間越短，目標識別耗時長，造成KKV機動時間越短，脫靶量越大。因此，應盡量延長剩余時間，加快模糊神經網絡的學習效率，提高KKV的攔截效率。

五、結論

本文結合模糊理論與神經網絡知識，采用模糊神經網絡識別多目標，可有效提高KKV的攔截效率，減少脫靶概率的產生。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]，導彈與航天運載技術，2011（05）