基于神经网络的温度控制系统(共47页).doc

精选优质文档-倾情为你奉上本科毕业设计（论文）基于神经网络的温度控制系统 学 院 自 动 化 专 业 自 动 化 年级班别 学 号 学生姓名 指导老师 2013 年 6 月摘 要在工业控制过程中PID控制是一种最基本的控制方式，其鲁棒性好、结构简单、易于实现，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，传统的PID控制方法往往难以满足闭环优化控制的要求。因为常规PID控制器的参数是根据被控对象数学模型确定的当被控对象的数学模型是变化的、非线性的时候，PID参数不易根据其实际的情况做出调整，影响了控制质量，使控制系统的控制品质下降。特别是在具有纯滞后特性的工业过程中，常规的PID控制更难满足控制精度的要求。而神经网络作为现代信息处理技术的一种，正在很多应用中显示了它的优越性，同传统的PID控制相比较，神经网络PID控制有许多优点。神经网络PID控制技术在其中扮演了十分重要的角色，并且仍将成为未来研究与应用的重点技术之一。 本文阐述了神经网络 PID控制算法的基本原理。对基于单神经元的PID控制器的控制性能进行了分析，并且利用MATLABSimulink工具进行了仿真研究。 温度控制系统具有大滞后、强耦合、慢时变及非线性等特征的复杂系统。在温度控制系统中，被控制对象存在着参数的不确定性和纯滞后等特性，难于建立其精确的数学模型，本文通过对受控对象温度控制系统的数字仿真研究，比较了传统PID控制与神经网络PID控制各自不同的控制特性，分析了传统PID控制器和神经网络PID控制器的优缺点。并针对神经网络PID控制器的不足之处提出了相应的改进方案。关键词：神经网络PID控制,数字仿真,Hebb算法,BP算法 注：本设计（论文）题目来源于教师的国家级（或部级、省级、厅级、市级、校级、企业）科研项目，项目编号为： 。AbstractIn the process of industrial control. PID control is one of the most basic way of control, its good robustness, simple structure, easy to implement, but along with the increasing complexity of production process and constantly improve the overall performance requirements of industrial process, the traditional PID control method is often difficult to meet the requirements of the closed-loop optimal control. For conventional PID controller parameters are determined based on the mathematical model of the object. When the mathematical model of controlled object is variable, nonlinear, not easily according to the actual situation to adjust the PID parameters, the influence of quality control, the control quality of control system. Especially in the industrial process with pure lag properties, conventional PID control is more difficult to meet the requirements of control accuracy. And neural network as a kind of modern information processing technology, is a lot of applications shows its superiority, compared with the traditional PID control, the neural network PID control has many advantages. Neural network PID control technology played a very important role, and will continue to be one of the research and application of key technologies in the future.This paper expounds the basic principles of neural network PID control algorithm. Based on single neuron PID controller the control performance is analyzed, and the use of MATLAB/Simul ink tool has carried on the simulation research.Temperature control system with large lagging, strong coupling, time-varying and nonlinear characteristics of complex systems. In temperature control system, the controlled object parameter uncertainties exist and pure lag and so on characteristics, is difficult to establish accurate mathematical model, this paper research on the digital simulation of the temperature control system of controlled object, compares the traditional PID control and neural network PID control their different control features, analyzes the advantages and disadvantages of traditional PID controller and neural network PID controller. And in view of the deficiency of neural network PID controller is put forward the corresponding improvement plan.Key words：Neural PID Control，Digital simulation，Hebb Arithmetic，BP Arithmetic目 录 专心-专注-专业1 绪 论11神经网络PID控制研究背景与动机PID控制即比例、积分、微分控制。传统的PID控制器由于其结构简单、实用、价格低、易于调整，以及特别适用于可建立精确的数学模型确定性控制系统等优点，在广泛的过程领域内可以实现满意的控制，因此至今在工业生产控制中相当部分控制过程还都是采用PID的控制策略。在PID控制中一个至关重要的问题是参数(比例、积分、微分)的整定，典型的PID控制参数的整定方法是在获取对象数学模型的基础上，根据一定的整定原则来确定PID控制参数1。另一方面，在实际的应用中，许多被控过程的机理复杂，具有高度非线性、时变不确定性和纯滞后等一系列特点。PID控制其缺点就是现场的PID参数整定麻烦，在噪声、负载扰动或变化等因素的影响下，过程参数甚至模型结构均会随时间和工作环境的变化而产生变化，被控对象的模型参数将难以确定，外界的干扰会使原本的控制漂离最佳状态。这时采用传统的PID控制就不能取得令人满意的控制效果。建立被控对象数学模型是相当复杂的事情，在建立过程中常常需要忽略系统中某些认为不重要的参数，或将系统降阶或将系统以线性化近似，以此简化分析难度。因此，最后所得到的数学模型，即使可快速且精确地算出控制量，但与实际的物理系统可能出现相当大的差距，容易与实际脱节，导致出现性能不佳的控制2。基于以上方面的考虑，本文将采用数字仿真方式来实现对受控对象(温度控制箱)的温度控制的研究工作。在数字仿真中，通过建立受控对象的数学模型，设计出相应的控制器，由此能够得到较为理想的控制效果，而在实时控制过程中仍然需要对控制器的各个参数进行调整，才能满足控制要求。人工神经网络(ANN)作为智能控制的一个重要分支领域，是当前主要的、也是重要的一种人工智能技术，是一种采用数理模型的方法模拟生物神经细胞结构及对信息的记忆和处理而构成的信息处理方法。人工神经网络以其高度的非线映射，自组织、自学习和联想记忆等功能，可对复杂的非线性系统建模。因此将ANN与传统的PID控制结合，构成智能型的神经网络PID控制器，能够自动辨识被控过程参数、自动整定控制参数，能够适应被控过程参数的变化，具有较强的自适应性和较高的控制精度，是解决传统PID控制器参数整定难、不能实时调整参数和鲁棒性不强的有效措施，使PID控制器具有经久不衰的生命力，是智能PID控制器的一个有潜力的发展方向3。当前国内外神经网络与PID控制相结合的方案有多种，但应用于实际的相对较少，针对当前神经网络PID理论研究较多，而实际应用较少这一现象，本文的重点是对神经网络PID控制进行数字仿真研究，并且通过与传统PID控制进行比较，得出一些有益的结论。12智能控制的发展概况智能控制是一门新兴学科，其技术随着数字计算机、人工智能等技术的发展而发展起来的。所谓智能控制，是指在无人干预的情况下能自主地驱动智能机器，以实现控制目标的自动控制技术，即设计的控制器(或系统)，具有学习、抽象、推理、决策等功能，并能根据环境(包括被控对象或被控过程)信息的变化做出适应性反应，从而实现由人来完成的任务。自从美国数学家维纳在四十年代提出控制论以来，作为工程控制论核心的自动控制理论一般可分为2个阶段4：(1)经典控制理论时期。时间是20世纪4060年代。经典控制理论主要解决单输入单输出的问题，主要采用传递函数模型、频域分析与综合方法，所研究的系统多是线性定常系统。(2)现代控制理论时期。时间为20世纪6070年代。主要采用状态方程、时域分析与综合方法，研究多变量控制系统设计。现代控制理论可以解决多输入多输出的问题，系统即可以是线性的、定常的，也可以是非线性的、时变的。尽管传统控制理论已经形成了完整的理论体系，控制系统在大规模产业化方面也取得了可喜的成果。但是，它对精确数学模型的依赖性，使其应用受到很大的限制。因为其分析、综合和设计都是建立在严格和精确的数学模型基础之上，同时随着科学技术和生产力水平的高速发展，被控对象结构的日益复杂，以及人们对大规模、复杂和不确定性系统实行自动控制的要求不断提高，传统的基于精确数学模型的控制理论的局限性日益明显。传统控制系统的设计与分析是建立在精确的系统数学模型基础上，而实际系统由于存在复杂性、非线性、时变性和不确定性等，一般无法获得精确的数学模型。传统控制理论在应用中面临的难题包括5：(1)不适应非线性系统的控制。一般控制系统都具有非线性特性，当非线性特性的影响较小时，传统控制理论通常将其近似线性化后设计控制器。当被控制系统具有高度非线性特性时，在传统控制理论中虽然也有一些方法可用，但是只针对一些具体问题，有较多的附加条件，大多数过予复杂而难以实际运用。(2)不适应时变系统的控制。实际被控系统的结构和参数随时间而发生变化，绝对不变的系统是不存在的。当这种变化较小时，经过一系列的近似后，才能利用传统控制理论进行系统综合。如果时变因素较大，传统控制理论则无法应用。(3)不适应多变量系统的控制。多变量系统的控制问题一直是控制理论界和控制工程界研究的重点和难点问题，多变量系统除了与单变量系统一样存在着不确定性，非线性和时变问题以外，还存在着各要素间相互耦合、互相制约等特殊问题。如果多变量系统为线性时不变而且结构和参数已知，还可以应用传统控制理论设计解耦器和控制器，对多变量系统进行控制。如果以上条件不成立，传统控制理论则无法应用，而在实际中这些条件一般很难满足。传统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也可以克服系统中包含的不确定性，达到优化控制的目的。从本质上说，自适应和自校正控制都是通过对系统某些重要参数的估计，以补偿的方式来克服干扰和不确定性。它比较适合系统参数在一定范围内的慢变化情况。鲁棒控制则是在一定的外部干扰和内部参数变化作用下，以提高系统的不灵敏度为宗旨来抵御不确定性。根据这一思想和原理所导出的算法，其鲁棒的区域是有限的6。因此在实际应用中，尤其在工业过程控制中，由于被控对象的严重非线性，数学模型的不确定性，系统工作点变化剧烈等因素，自适应和鲁棒控制存在着难以弥补的严重缺陷，其应用的有效性受到很大的限制，这就促使人们提出新的控制技术和方法。智能控制是自动控制发展的最新阶段，主要用于解决传统控制难以解决的复杂的控制问题。人工智能的发展促进了传统控制向智能控制的发展。遗憾的是在相当长时间内，很少人提到控制理论与人工智能的联系。从20世纪60年代起，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将人工智能技术应用于控制系统。 1965年，美籍华裔科学家傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统，1966年，Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术，并提出了“人工智能控制”的概念。1967年，Leondes和Mendel首先正式使用“智能控制”一词。20世纪70年代初，傅京孙、Glofiso和Saridis等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系，提出了智能控制就是人工智能技术与控制理论的交叉的思想，并创立了人机交互式分级递阶智能控制的系统结构。由于傅京逊教授的重要贡献，他已成为国际公认的智能控制的先行者和奠基人。20世纪70年代中期，以模糊集合论为基础，智能控制在规则控制研究上取得了重要进展。1974年，Mamdani提出了基于模糊语言描述控制规则的模糊控制器，将模糊集和模糊语言逻辑用于工业过程控制，之后又成功地研制出自组织模糊控制器，使得模糊控制器的智能化水平有了较大提高。模糊控制的形成和发展，以及与人工智能的相互渗透，对智能控制理论的形成起了十分重要的推动作用。进入20世纪80年代以来，奥斯特罗姆(Astrom)、迪席尔瓦(deSilva)、周其鉴、蔡自兴、霍门迪梅洛(HomendeMello)和桑德森(Sanderson)等人分别提出和发展了专家控制、基于知识的控制、仿人控制、专家规划和分级规划等理论。特别是80年代中后期，由于神经网络的研究获得了重要进展，于是在这一领域吸引了众多学科的科学家、学者。如今在控制、计算机、神经生理学等学科的密切配合下，在“智能控制理论”的旗帜下，又在寻求新的合作，神经网络理论和应用研究为智能控制研究起到了重要的促进作用。20世纪90年代以来，智能控制的研究势头异常迅猛，1992年4月，美国国家自然科学基金和美国电力研究院发出智能控制研究项目倡议书。近年来，神经网络、模糊数学、专家系统、进化论等各门学科的发展给智能控制注入了巨大的活力，由此产生了各种智能算法。智能控制的研究对象应具有以下特点7：(1)模型的不确定性传统的控制是基于模型的控制，其模型通常认为已知或者经过辨识可以得到，而智能控制的对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。无论哪种情况传统的方法都难以对他们进行控制，而这正是智能控制所要研究解决的问题。(2)高度的非线性在传统的控制理论中，线性系统比较成熟，对于具有高度非线性的控制对象，虽然也有一些非线性控制方法，但总的来说，非线性控制理论都很不成熟，而且方法比较复杂。采用智能控制的方法往往可以比较好的解决非线性控制问题。(3)复杂的任务要求在传统的控制系统中，控制的任务是要求输出量为定值(调节系统)，或者要求输出量跟随期望的运动轨迹，因此控制任务的要求比较单一。对于智能控制系统，任务的要求往往比较复杂。如在智能机器人系统中，要求系统对复杂的任务有自行规划和决策的能力，有自动躲避障碍运动得到期望目标位置的能力。13神经网络简介131 神经网络发展概述1943年心理学家MMcCulloch和数理学家WPitts首先提出了一个简单的神经网络模型8，其神经元的输入输出关系为： (11)其中输入、输出均为二值量，利用该简单网络可以实现一些逻辑关系。这一模型指出神经元只有在一定数量输入作用下，超过某一个阀值，神经元才兴奋；并规定了神经元之间的连接方式只有兴奋性和抑制性突触联系两种，抑制性突触起“否决权”作用。虽然该模型很简单，但沿用至今，但它为进一步的研究打下基础，直接影响着这一领域研究的进展。1949年DOHebb首先提出了一种调整神经网络连接权的规则，关于神经网络学习机理的“突触修正假设”，即突触联系效率可变的假设，通常称为Hebb学习规则。其基本思想是当两个神经元同时兴奋或同时抑制时，则它们的连接强度便增加。 (12)为固定的权值。该学习规则的意义，连接权的调整正比于两个神经元活动状态的乘积，连接权是对称的，神经元到自身的连接权为零。现在有不少的神经网络采样这样的学习规则。其正确性在30年后才得到证实，现在多数学习机仍遵循这一规律。1958年FRoscnblatt等人研究了一种特殊类型的神经网络，称为“感知机”(pcrceptron)。神经网络第一次从理论研究转入工程实现阶段，掀起了研究人工神经网络的高潮。感知机是一种多层的神经网络，由阀值性神经元组成，是一个连续可调的MP神经元网络，它有能力通过调节权的学习达到正确分类的结果。他们认为这是生物系统感知外界传感信息的简化模型。该模型主要用模式分类；并一度引起人们的广泛兴趣9。1962年Bernard Widrow和Marcian Hoff提出了自适应线性元件网络，简称 Adaline(Adaptive linear element)。它是一种连续取值的线性加权求和阀值网络，其实质是一个两层前馈感知机型网络，它成功地应用于自适应信号处理和雷达天线控制等连续可调过程。1969年MMinsky和SPapert发表了名为“感知机"的专著。它们在这本专著中指出简单的线性感知机的功能是有限的，它无法解决线性不可分的两类样本的分类问题。具体说，简单的神经网络只能进行线性分类而不能进行非线性分类。他们还指出，解决非线性分类问题相应的神经网络应该是具有隐含单元的多层神经元网络。在当时的技术条件下，他们认为在加入隐含单元后，想找到一个多层网络有效的学习算法是极其困难的。该书在学术界产生正反两方面的影响，它的副作用促使人们对神经网络的研究转入低潮。尽管如此仍有不少科学家在极其困难的条件下，开展对神经网络的理论研究，增加对网络的功能和各种学习算法的研究，为今后研究神经网络理论、数学模型和体系结构打下了坚实的基础。这期间仍有不少学者取得了一些积极成果。其中包括Arbib的竞争模型，Kohonen的自组织映射模型，Grossberg的自适应谐振模型和Fukushima的新认知机等。特别是有些学者提出了连接机制和并行分布处理概念等，具有较大的影响。进入80年代，神经网络的研究迎来了第二次高潮10。1982年美国加州工学院物理学家JohnHopfield采用反馈型ANN模型(即Hopfield模型)，利用所定义的能量函数成功的解决了著名的TSP(TravelingSalesmanProblem)题，从而使人们对ANN的潜力有了新的认识。1986年McClelland和Rumelhart提出了多层网络的误差反传算法(BackPropagation，简称BP算法)，该算法从后向前修正各层之间的连接权值，从实践上证明了神经网络有很强的运算能力，可以解决许多具体问题，如用于模式分类和识别以及自适应控制等。BP网络是这段时间最突出的成果之一，也是迄今为止用得比较广泛和流行的网络。该算法解决了感知机所不能解决的问题。Hopfield网和反向传播算法的提出使人们看到了神经元网络的前景和希望。1987年在美国召开了第一届国际神经网络会议，它掀起了神经网络研究的热潮，许多研究人员都企图找到神经网络在各自领域的应用。132 神经网络原理人工神经网络是当前主要的、也是重要的一种 人工智能技术，是一种采用数理模型的方法模拟生 物神经细胞结构及对信息的记忆和处理而构成的信息处理方法。它用大量简单的处理单元广泛连接形成各种复杂网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。神经元是组成人脑的最基本单元，人脑神经元经抽象化后得到人工神经元(简称神经元)。神经元是神经网络的基本单元，一般来说，作为神经元模型应具备以下三个要素：(1)具有一组突触或连接，常用表示神经元i和神经元j之间的连接强度，一般称之为权值。与人脑神经元不同，连接强度由各连接上的权值表示。人工神经元权值的取值可在负值与正值之间，权值为正表示激励，为负表示抑制。(2) 一个求和单元，具有反映生物神经元时空整合功能的输入信号累加器，用于求取各输入信息的加权和线性组合。(3)具有一个激励函数用于限制神经元输出。激励函数将输出信号限制在一个允许范围内，使其成为有限值，通常，神经元输出的扩展范围在O，1或-1，1闭区间。目前人们提出的神经元模型有很多，其中最早提出且影响最大的，是1943年心理学家McCulloch和数学家W.Pitts在分析总结神经元基本特性的基础上首先提出的M-P模型。指出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。我们用MP模型来说明人工神经网络的原理。MP模型如图11所示11，它是一个多输入多输出的非线性信息系统处理单元。图中，表示神经元j的输出，它可以与其他多个神经元通过权连接；表示与神经元j连接的神经元i的输出，也是神经元j的输入；为神经元i至j的连接权值，其正负模拟了生物神经元中突触的兴奋和抑制，其大小则代表了突触的不同连接强度；为神经元j的阈值；，f()为神经元j的激励函数。神经元j的输出可以用下式描述： (1.3)图11 人工神经元模型每一个神经元的输出为“0”或“1”，分别表示“抑制”或“兴奋”状态，则 (14)f(x)是一个激励函数。式(14)所示的激励函数为阶跃函数，如图12所示，图中所示为单极性阈值型转移函数，具有这一作用方式的神经元称为阈值型神经元，这是神经元模型中最简单的一种，MP模型就属于这一类。由公式(13)知，当神经元J的输入信号加权和超过阈值时，输出为“1，即兴奋状态；反之，输出为“0”，是“抑制状态”。若把阈值也看成一个权值，则(13)式可以写成 （1.5）式中，。f(x)10x图12阶跃函数以上就是MP模型，MP神经元模型是人工神经元模型的基础，在神经元模型中，激励函数除了在MP模型中的阶跃函数外，还有以下几种激励形式：(1)阀值函数 （1.6）阀值函数也常常作为神经元函数的激励，如图13所示。f(x)1-10x图13 阀值函数(2)分段性函数该函数在-1，1线性区内的放大系数是一致的。如图14所示。 (1.7)(3)非对称型的Sigmoid函数如图1.5所示，非对称型的Sigmoid函数是可微的，用下式表示 （1.8）(4)对称型的Sigmoid函数如图1.6所示，对称型的Sigmoid函数是可微的，用下式表示 （1.9）sigmoid函数具有平滑和渐近性，并保持单调性，所以很多ANN经常采用这种形式的激励函数。f(x)10-1-11x图14 分段性函数图1.5 非对称的Sigmoid函数图1.6 对称的Sigmoid函数MP模型可用于实现分类、模式识别等，当前已经有许多成功的基于M-P神经元模型的神经网络得到应用，如BP算法，这种算法是实现人脸识别的主要算法之一。133 神经网络的分类人工神经元网络是生理学的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统12。利用人工神经元可以构成各种不同拓扑结构的神经网络，从而实现对生物神经网络的模拟。目前神经网络模型的种类相当丰富，已有近40余种神经网络模型，其中典型的有多层前向传播(BP网络) 、Hopfield网络、CMAC小脑模型网络、ART自适应共振理论、BAM双向联想记忆、SOM自组织网络、Blotzman机网络和Madaline网络等。根据神经网络的连接方式，神经网络可以分为3种形式。(1)前馈网络网络分为若干层，包括输入层、隐含层、输出层，各层依次排列，各层的每一个单元的输出都直接与紧接的下一层的各单元的输入端相连，第i层神经元只接受i-1层神经元的输出信号，各神经元之间没有反馈。从理论上可以证明：对于一个三层的前馈网络，只要隐层神经元数目足够多，该网络就能够以任意精度逼近平滑的非线性函数。从控制的观点看，前馈型网络的主要用途在于它的非线性映射关系能被用来实现非线性系统的建模、辨识和控制。前馈网络的例子有在多层感知器(MLP)、学习矢量化(LVQ)网络、小脑模型连接控制器(CMAC)和数据处理方法等(GMDH)网络等。(2)反馈(递归)网络在反馈型神经网络中，每个节点都表示一个计算单元，同时接受外加输入和其他节点的反馈输入，甚至包括自环反馈每个节点也直接向外部输出。从作用效果来看，前馈网络主要是函数映射，可用以模式识别和函数逼近，只有在输入端引入动态信号后，才能用来设计控制器。反馈网络按对能量函数的极小点的利用来分类：第一类是能量函数的所有极小点都起作用，这一类主要用作各种联想存储器；第二类只利用全局极小点，它主要用于求解最优化问题。Hopfield网络、Elman网络和Jordon网络是反馈网络有代表性的例子。(3)自组织网络Kohonen网络是典型的自组织网络。Kohonen认为当前神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的相应特征，即不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是以中非线性映射。这种映射是通过无监督的自适应过程完成的，所以也称为自组织特征图。Kohonen网络通过无导师的学习方式进行权值的学习，稳定后的网络输出就对输入模式生成自然的特征映射，从而达到自动聚类的目的。134 神经网络的学习算法神经网络学习算法是神经网络智能特性的重要标志，神经网络最重要的功能是它可以通过学习算法从经验中学习，神经网络通过学习规则，从而使神经网络能够模拟人脑的功能，实现了自适应、自组织和自学习的能力，所以许多的研究集中在神经网络的学习算法方面。目前神经网络的学习算法有多种，按有无导师分类，可分为有导师学习(Supervised Learning)、无导师学习(Unsupervised Learning)和再励学习(Reinforcement Leaming)等几类。在有导师的学习方式中，网络的输出和期望的输出(即导师信号)进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小，以使网络达到非线性映射的功能，这个差异一般为网络输出值和目标值的均方差。在无导师的学习方式中，输入模式进入网络后，网络按照一种预先设定的规则(如竞争规则)自动调整权值，主要是通过竞争形式实现，使网络最终具有模式分类功能，再励学习是把学习看作试探评价过程，学习机选择一个输出作用于环境之后，使环境的状态改变，并产生一个再励信号反馈到学习机，学习机依据再励信号与环境当前的状态，再选择下一输出作用于环境。常用的三种主要规则是：(1)无监督Hebb学习规则13Hebb学习是一种相关学习，它的基本思想是：如果有两个神经元同时兴奋，则它们之间的连接强度的增强和它们的激励的乘积成正比。Hebb学习规则用下式表示 (110)式中，为学习速率，表示单元i的激活值，表示单元j的激活值，表示单元j到单元i的连接加权系数。(2)有监督Delta学习规则14在Hebb学习规则中引入教师信号，即将希望输出与实际输出之差，就构成有监督Delta学习的学习规则： （1.11）(3)有监督Hebb学习规则将无监督的Hebb学习规则和有监督Delta学习规则两者结合起来，组成有监督Hebb学习规则即： (112)这种学习规则使神经元通过关联搜索对未知的外界作出反应，即在教师信号的指导下对环境信息进行相关的学习和自组织，使相应的输出增强或削弱。135 神经网络用于控制领域神经网络的性能是由其结构特征和基本处理单元的特性所决定，并与其学习算法有关，它之所以能在控制系统中得到如此广泛的应用，与自动控制理论的发展是密不可分的。神经网络的智能处理能力及控制系统所面临的越来越严重的挑战是神经网络控制的发展动力。由于神经网络本身具备传统的控制手段无法实现的一些优点和特征，使得神经网络控制器的研究迅速发展。从控制角度看，神经网络用于控制的优越性主要表现在15：(1)能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某些被控对象的模型或控制器模型。这预示着神经网络在具有挑战性的非线性控制领域有良好的发展前景。(2)能够学习和适应不确定性系统的动态特性，这是其智能特性的重要体现。(3)神经网络的并行处理机制和冗余结构特性使其所有定量或定性的信息都分布存储于网络内的各神经单元，从而具有很强的容错性和鲁棒性。(4)采用信息的分布式并行处理，可以进行快速大量的运算。这是传统的串联工作方式所无法达到的效果，非常适合系统控制中的大规模实时计算。(5)硬件实现。神经网络不仅能够通过软件而且可以借助硬件实现并行处理。近年来，一些超大规模集成电路实现硬件已经问世，而且可从市场上购买到。这使得神经网络具有快速和大规模处理能力得以实现。神经网络技术的最大特点是具有保持学习状态的数据存储功能和非线性功能，从而具备神奇的学习能力，随着人工神经网络研究的进展，神经网络应用已渗透到国民经济的各个领域。从过程控制、机器人控制、生产制造、模式识别直到决策支持都有许多应用神经网络的例子。本文所研究的神经网络PID控制器就是将神经网络与传统PID控制器结合起来，通过它们的有机结合来取长补短，来改善控制性能。136 神经网络PID控制研究的意义和现状随着控制理论的迅速发展，在工业过程控制中先后出现了许多先进的控制算法，然而，PID控制是最早发展起来的控制策略之一，其控制技术仍然占有主导地位，特别是在化工、冶金过程控制中，众多量大面广的控制过程基本上仍然应用PID类型的控制单元。这是因为PID控制具有结构简单、容易实现、鲁棒性好、控制效果好、稳态精度高等特点，且PID算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工程师所熟悉，被广泛应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性控制系统。如PID温控系统将实时采集的温度值与设定值比较差值。但是传统PID控制是基于准确模型的，且系统特性变化与控制量之间是线性映射关系。然而实际工业生产过程往往具有非线性、时变不确定性，难以建立精确的数学模型，应用常规PID控制器不能达到理想的控制效果，而且在实际生产现场，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良、性能欠佳，对运行工况的适应性很差，外界干扰和参数时变会使控制漂离最佳状态16-17。因此PID控制在解决大时滞、参数变化大和模糊不确定性的过程控制问题时无法获得良好的静态和动态性能。基于知识和不依赖对象模型的智能控制为解决这类问题提供了新的思路，成为目前解决传统过程控制局限问题，提高过程控制质量的重要途经。神经网络控制是模拟人类神经中枢系统智能活动的一种控制方式，由于它具有很强的适应于复杂环境和多目标控制要求的自学习能力，并能以任意精度逼近任意非线性连续函数的特性, 因此适合用于复杂系统智能控制的研究工具。神经元网络通过神经元以及相互连接的阀值，初步实现了生物神经系统的部分功能,不需要精确的数学模型，因而是解决不确定性系统控制的一种有效途径。此外，神经网络以其具有的非线性映射能力、高度并行的结构所带来的强容错性和适应性，对于给定的系统很容易处理，易于与传统的控制技术相结合等优点已广泛地应用于控制领域，尤其是非线性系统领域。但是，单纯的神经网络控制也存在精度不高、算法较复杂，执行的是一个非线性梯度寻优过程，收敛速度慢以及容易陷入局部极小等问题18。从上述PID控制和神经网络控制各自的优势和局限性可以看出，如果把传统线性PID和神经网络控制两种技术有机地结合起来，发挥各自的优势，可使系统的控制性能得到提高，是一种很实用的控制方法。神