1 单神经元自适应 PID控制算法 一、单神经元 P ID 算法思想 神经元网络是智能控制的一个重要分支，神经元网络是以大脑生理研究成果为基础，模拟大脑的某些机理与机制，由人工建立的以有向图为拓扑结构的网络，它通过对连续或断续的输入做状态响应而进行信息处理；神经元网络是本质性的并行结构，并且可以用硬件实现，它在处理对实时性要求很高的自动控制问题显示出很大的优越性；神经元网络是本质性的非线性系统，多层神经元网络具有逼近任意函数的能力，它给非线性系统的描述带来了统一的模型；神经元网络具有很强的信息综合能力，它能同时处理大量不同类型的输入信息，能很好地解决输入信息之间的冗余问题，能恰当地协调互相矛盾的输入信息，可以处理那些难以用模型或规则描述的系统信息。神经元网络在复杂系统的控制方面具有明显的优势，神经元网络控制和辨识的研究已经成为智能控制研究的主流。单神经元自适应 PID控制算法在总体上优于传统的 PID控制算法，它有利于控制系统控制品质的提高，受环境的影响较小，具有较强的控制鲁棒性，是一种很有发展前景的控制器。 二、单神经元自适应 PID算法模型 单神经元作为构成神经网络的基本单位，具有自学习和自适应能力，且结构简单而易于计算。传统的 PID则具有结构简单、调整方便和参数整定与工程指标联系紧密等特点。将二者结合，可以在一定程度上解决传统 PID调节器不易在线实时整定参数，难以对一些复杂过程和参数时变、非线性、强耦合系统进行有效控制的不足。 2.1单神经元模型 对人脑神经元进行抽象简化后得到一种称为 McCulloch-Pitts模型的人工神经元，如图 2-1所示。对于第i个神经元，12Nxxx、、……、是神经元接收到的信息，12iiiN、、……、为连接强度，称之为权。利用某种运算把输入信号的作用结合起来，给它们的总效果，称之为“净输入”，用inet 来表示。根据不同的运算 2 方式，净输入的表达方式有多种类型，其中最简单的一种是线性加权求和，即式 （2-1）。 此作用引起神经元i的状态变化，而神经元i的输出yi是其当前状态的函 数g(•),称之为活化函数（State of activation）。这样，上述模型的数学表达式为式（2-2）。 1Niij jijnetx (2-1) ()iiyg net (2-2) 式中，i ——神经元i的阈值。 图 2-1单神经元模型示意图 2.2 神经网络学习规则 学习是神经网络的主要特征之一。学习规则是修正神经元之间连接强度或加权系数的...
