王鑫

摘 要：文章介紹了基于RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡的辨識，實現(xiàn)單神經(jīng)元PID模型的自適應控制。采用RBF神經(jīng)網(wǎng)絡，是由于其結構簡單，應用成熟，具有萬能逼近性；采用單神經(jīng)元構成的PID自適應器是因為其具備適應性強，結構簡單，有學習的功能。我們通過RBF神經(jīng)網(wǎng)絡的辨識后進行單神經(jīng)元PID的自適應控制，隨時對參數(shù)進行學習與修改，以求達到所要的效果。

關鍵詞：RBF神經(jīng)網(wǎng)絡；單神經(jīng)元PID；辨識；自適應控制

中圖分類號：TP273 文獻標志碼：A 文章編號：2095-2945（2017）26-0012-02

引言

近年來，模型參考自適應控制，作為一種重要的自適應控制，它已具有較成熟的分析綜合理論和方法，并在實踐中被越來越廣泛地使用。于此同時，PID因其良好的可靠性和自適應性，也隨之迅速發(fā)展。但是，未知特性（如不確定性、隨機性）的外界干擾，對于PID控制的參數(shù)變化的影響很大，使其控制效果不佳。這樣，單單用PID控制已遠遠不能滿足要求。隨著人工神經(jīng)網(wǎng)絡的不斷發(fā)展，它能充分應對系統(tǒng)參數(shù)較大的情況，能充分展現(xiàn)系統(tǒng)的參數(shù)結構，將它與PID控制結合起來，能很好地解決PID控制中的不能，促進兩者的共同發(fā)展。本文采用RBF神經(jīng)網(wǎng)絡進行系統(tǒng)辨識，優(yōu)點在于其有簡單的結構和很強的適應能力，擁有自我的學習能力。而且運用單神經(jīng)元作為控制器的PID控制，也考慮了其簡單、易實現(xiàn)性。在通過仿真實踐證明，這種方法在信息的采集、動態(tài)特性和在線辨識都有很好的效果。

1 RBF神經(jīng)網(wǎng)絡辨識

RBF神經(jīng)網(wǎng)絡是由J.Moody和C.Darken在20世紀80年代提出，它是具有單隱層的三層前饋網(wǎng)絡。它由輸入到輸出的映射是非線性的，而隱含層空間到輸出空間的映射是線性的，這樣能大大加快學習速度并避免局部出現(xiàn)的小問題。

RBF神經(jīng)網(wǎng)絡輸入層向量記為X（k），該層第i層節(jié)點的輸入為xi（k），（1

辨識網(wǎng)絡輸出記為ymout（k），則

ymout（k）=w1（k）h1（k）+…+wn（k）hn（k） （1）

徑向基函數(shù)hj（k）為：

（2）

其中，Cj（k）為中心矢量，bj（k）為基寬向量。

辨識器的性能指標函數(shù)為：

其中，yout（k）為實際輸出。

RBF函數(shù)中確定寬度和中心向量參數(shù)是系統(tǒng)辨識的關鍵：中心向量通過動態(tài)遞推來進行調(diào)整；寬度是通過運用最小二乘法（RLS）修改權值計算得到。

2 單神經(jīng)元PID控制

單神經(jīng)元作為構成神經(jīng)網(wǎng)絡的基本單位，具有學習和自適應能力，且結構簡單相應速度快。將它與傳統(tǒng)的PID控制器結合起來，一定程度上解決了傳統(tǒng)PID調(diào)節(jié)器不易在線實時整定參數(shù)，難以對復雜過程和時變系統(tǒng)參數(shù)進行有效控制等問題。

單神經(jīng)元調(diào)節(jié)器為多輸入單輸出，可通過調(diào)整權值得到新的輸出。

其中，輸入量為xci，對應的權值為wci，k為比例系數(shù)。

單神經(jīng)網(wǎng)絡的輸入：

式中，error（k）為誤差；T為時間。

神經(jīng)網(wǎng)絡的輸出即為控制器的輸出：

單神經(jīng)元控制器的學習規(guī)則采用delta學習規(guī)則，主要是調(diào)整權重，調(diào)整加權系數(shù)以達到自適應的效果。二次性能指標函數(shù)：

E=（yrout（k）-yout（k））2（6）

其中，yrout（k）為模型參考輸出。

辨識網(wǎng)絡會漸漸地與對象的實際輸出一致，即ymout（k）≈y（k）。

最終單神經(jīng)元權值調(diào)整公式為：

？駐wci=-？濁error（k）xci（k）（7）

其中，？濁為學習率，通過RBF神經(jīng)網(wǎng)絡辨識得到。

3 系統(tǒng)模型和整體結構

系統(tǒng)選取位置伺服控制系統(tǒng)作為被控對象，該系統(tǒng)傳遞函數(shù)為：

其中，？茲1（s）、？茲d（s）為輸入端及輸出端電位計（接觸式絕對角傳感器）的偏角，Kp為電位計比例系數(shù)，Ka為放大器增益，K0為電樞參數(shù)，N為傳動齒輪齒數(shù)比，J為系統(tǒng)轉動慣量，B為測速伺服電機參數(shù)。

RBF網(wǎng)絡作為辨識器NNI，單神經(jīng)元PID作為控制器NNC。

4 控制算法

單神經(jīng)元PID控制器為控制網(wǎng)絡，RBF神經(jīng)網(wǎng)絡即辨識網(wǎng)絡，對控制系統(tǒng)在線進行辨識，隨時調(diào)整參數(shù)。這樣，就能獲得更好的控制效果。

其控制過程如下：

（1）給出單神經(jīng)元初始權值、學習速率及RBF網(wǎng)絡的參數(shù)。一般，辨識權值wi∈[-1，1]，RBF函數(shù)中心向量Ci∈[-1，1]，寬度bj∈[-1，1]。

（2）采樣得到輸入和反饋rin（k），y（k），這樣就能求出誤差error（k）=rin（k）-y（k），利用公式（4）求出各誤差。

（3）利用公式（5）計算單神經(jīng)元的輸出，其輸出為PID給出控制量。PID控制器的輸出u（k）發(fā)送到被控對象和 RBF網(wǎng)絡就形成實際輸出yout（k）和辨識輸出ymout（k）。

（4）計算RBF中辨識網(wǎng)絡的輸出，由公式（1）求得。

（5）徑向基函數(shù)中心向量通過動態(tài)遞推來進行調(diào)整；寬度是通過運用最小二乘法修改權值計算得到。

（6）模型參考輸出yrout（k）與實際輸出yout（k）的偏差由修正單神經(jīng)元的權值得到。

（7）k=k+1，進行循環(huán)移位并返回步驟（2）。

5 仿真

針對二階傳遞函數(shù)進行單神經(jīng)元 PID模型參考自適應控制，被控對象離散化得到差分方程：

y（k）=1.9815y（k-1）-0.9818y（k-2）+0.1656u（k-1）+0.1646u（k-2）

采樣時間T為1ms，當S=1時，輸入指令信號為余弦信號；當S=2時，輸入的參數(shù)辨識以及余弦跟蹤結果如圖1、圖2、圖3所示。

參考模型指令信號為：

rin（k）=0.5cos（0.006？仔k）

yrout（k）=0.2yrout（k-1）+0.6rin（k）

6 結束語

本文采用了RBF神經(jīng)網(wǎng)絡進行網(wǎng)絡辨識，運用單神經(jīng)元PID控制器實現(xiàn)自適應控制。仿真運用位置伺服控制系統(tǒng)的傳遞函數(shù)作為被控對象，表明了神經(jīng)網(wǎng)絡有很好的學習功能、較好的辨識精度，以及實現(xiàn)調(diào)整系數(shù)的目的。另一方面，單神經(jīng)元構成的PID控制器結構簡單，適應性強，大大地簡化了工作的復雜性，提高精度和實現(xiàn)在線辨識的要求。所以，系統(tǒng)中參數(shù)辨識和控制器參數(shù)實現(xiàn)連續(xù)在線調(diào)整，這種方法有助于工程實踐應用。

參考文獻

[1]劉金坤.先進PID控制MATLAB仿真（第2版）[M].北京：電子工業(yè)出版社，2004.

[2]鄭晉平.基于RBF神經(jīng)網(wǎng)絡辨識的單神經(jīng)元PID模型參考自適應控制[J].電子技術與軟件工程，2015（19）：18-19.

[3]施鈐.基于徑向基神經(jīng)網(wǎng)絡辨識的單神經(jīng)元PID控制[J].安徽電子信息職業(yè)技術學院學報，2007，6（4）：90-92.

[4]吳平景.基于神經(jīng)網(wǎng)絡系統(tǒng)參數(shù)辨識的自適應控制方法研究[D].廣東工業(yè)大學，2015.

[5]張學燕，張建俠.單神經(jīng)元自適應PID控制器的研究及MATLAB仿真[J].自動化技術與應用，2007（9）.

[6]何繼愛，黃智武，田亞菲.一種單神經(jīng)元PID控制器[J].甘肅科學報，2004（12）.