基于RBF神经网络的PID整定

摘要

本文在RBF神经网络辨识的基础上实现神经网络PID参数的自整定。 论文的主要内容如下：介绍了PID参数整定的基本方法，并引入基于神经网络的PID参数自整定，提出了一种改进的单神经元PID整定方法，细致地研究了BP神经网络PID参数整定方法；提出了一种改进的梯度下降法，并用该方法优化RBF神经网络。然后在RBF神经网络辨识的基础上，实现了基于梯度下降算法、单神经元和BP神经网络的PID参数自整定和优化；提出了一种混合递阶遗传算法，用该算法优化RBF神经网络的隐层结构、隐层节点的中心值、核宽度和输出的线性权值，并通过仿真，证明了该方法优于基于梯度下降法的辨识结果。

目录

文摘

英文文摘

第1章绪论

1.1引言

1.2国内外研究现状

1.3本文研究的主要内容

第2章PID控制器参数整定方法

2.1引言

2.2典型PID控制器

2.3 PID参数自整定方法

第3章神经网络PID控制器参数自整定

3.1引言

3.2神经网络原理

3.2.1 MP模型

3.2.2感知器

3.2.3多层前馈网络与BP学习算法

3.2.4径向基函数神经网络RBF

3.2.5神经网络学习规则

3.3神经网络控制

3.4单神元自适应PID控制

3.5基于BP网络的PID整定原理

3.6本章小结

第4章基于RBFNN辨识的PID控制器整定

4.1前言

4.2 RBF神经网络结构及其学习算法

4.2.1 RBF神经网络隐层节点函数的选择

4.2.2 RBF神经网络学习算法

4.3基于RBFNN辨识的一种PID控制器参数整定

4.3.1 PID参数整定原理

4.3.2仿真实例

4.4基于RBF神经网络辨识的单个神经元的PID整定

4.4.1神经网络模型参考自适应原理

4.4.2仿真实例及分析

4.5基于RBFNN辨识的BPNN的PID整定

4.5.1整定原理

4.5.2仿真实例

4.6本章小结

第5章递阶遗传算法优化RBF神经网络

5.1遗传算法的基本原理

5.1.1遗传算法的描述

5.1.2遗传算法的理论基础

5.1.3编码及适应度函数

5.1.4遗传算法的操作

5.2混合递阶遗传算法优化RBF神经网络

5.2.1递阶遗传算法

5.2.2算法设计

5.3仿真实例

5.4本章小结

总结与展望

参考文献

致谢

攻读硕士学位期间发表的学术论文