基于ISA-DE算法的神经网络PID控制

论文摘要

神经网络作为一种现代信息处理的技术,在很多应用中显示其独特的优越性,神经网络PID控制在其中扮演了十分重要的角色,具有很高的研究和应用研究价值。但是,对于目前的神经网络PID控制算法存在极易陷入局部极小值等缺陷。因此,本文针对这一问题进行了探讨。本论文主要完成了以下几方面工作：1.仿真分析了RBF神经网络的非线性系统辨识,认识到是由神经元向被控对象提供Jacobian信息,实现PID控制参数的在线调整。2.把遗传算法优化的最优解作为RBF神经网络的初始权值,以梯度下降算法微调各控制参数,仿真结果表明经遗传算法优化后的控制精度要优于未经优化的结果,证明了进化算法与神经网络PID控制结合的可行性。3.由于差分进化算法作为一种新的进化算法,被国内外学者广泛关注。大量研究结果发现,差分进化算法具有极强的全局优化能力,比较适合于非线性系统的优化。因此,本文全面深入地研究了差分进化算法的原理、结构和算法特点,针对神经网络初始权值选取不当的缺点,将差分进化算法与RBF神经网络PID控制相结合,仿真证明DE算法优化RBF网络PID控制的可行性。4.由于梯度下降算法自身容易陷入局部极小值,本文提出了用ISA算法训练RBF神经网络并和DE组成了联合算法,共同优化RBF网络的PID控制并用于非线性、时变控制系统,实验仿真证明ISA-DE联合算法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状及研究意义
• 1.3 本文研究的主要内容
• 第2章 RBF神经网络系统辨识
• 2.1 RBF神经网络系统辨识的基本原理
• 2.1.1 RBF神经网络的结构
• 2.1.2 RBF神经网络的辨识算法
• 2.2 RBF神经网络非线性系统辨识仿真
• 2.3 本章小结
• 第3章 基于遗传算法的RBF神经网络PID控制
• 3.1 遗传算法的基本操作
• 3.2 基于遗传算法的PID控制原理
• 3.2.1 PID控制算法
• 3.2.2 基于遗传的PID控制算法
• 3.3 基于遗传的RBF神经网络PID控制原理
• 3.4 仿真实验
• 3.5 本章小结
• 第4章 基于DE算法的RBF神经网络PID控制
• 4.1 DE算法的基本原理
• 4.1.1 DE算法的基本描述
• 4.1.2 DE算法的特点
• 4.2 基于DE算法的RBF神经网络PID控制方法
• 4.3 基于差分进化算法的实验仿真
• 4.4 几种控制方法对比仿真
• 4.5 本章小结
• 第5章 基于ISA-DE联合算法的RBF网络PID控制
• 5.1 SA算法原理及改进
• 5.1.1 SA算法原理
• 5.1.2 SA算法的改进
• 5.2 ISA-DE联合算法优化RBF神经网络
• 5.3 基于ISA-DE算法的实验仿真
• 5.4 非线性时变系统控制仿真
• 5.5 本章小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的学术论文