现代控制工程-第13章神经网络控制.ppt

《现代控制工程-第13章神经网络控制.ppt》由会员分享，可在线阅读，更多相关《现代控制工程-第13章神经网络控制.ppt（61页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第13章 神经网络控制o人工神经网络（人工神经网络（Artificial Neural Network，简，简称称ANN）有着很强的自学习功能和对非线性系统）有着很强的自学习功能和对非线性系统映射能力，已广泛应用于复杂对象的控制中，成映射能力，已广泛应用于复杂对象的控制中，成为智能控制中的重要研究领域。为智能控制中的重要研究领域。o本章着重介绍最基本最典型的本章着重介绍最基本最典型的BP神经网络、基于神经网络、基于神经网络的系统辨识、基于神经网络的软测量、神经网络的系统辨识、基于神经网络的软测量、神经网络控制以及单神经元控制及其应用。神经网络控制以及单神经元控制及其应用。1第13章 神经网络控

2、制o13.1 神经网络控制概述神经网络控制概述o13.2 神经元与神经网络神经元与神经网络 o13.3 BP神经网络及其学习算法神经网络及其学习算法o13.4 基于神经网络的系统辨识方法基于神经网络的系统辨识方法o13.5 基于神经网络的软测量方法基于神经网络的软测量方法o13.6 基于神经网络的控制方法基于神经网络的控制方法o13.7 单神经元控制器单神经元控制器2基基于于神神经经网网络络的的控控制制或或以以神神经经网网络络为为基基础础构构成成的的神神经经网网络络控控制制系系统统，称称为为神神经经网网络络控控制制（neural control）。）。神神经经网网络络控控制制是是近近年年来来智

3、智能能控控制制的的一一个个非非常常活活跃跃的的研研究究领领域域。神神经经网网络络控控制制主主要要是是将将神神经经网网络络作作为为控控制制系系统统中中的的控控制制器器与与（或或）辨辨识识器器，主主要要是是为为了了解解决决复复杂杂的的非非线线性性、不不确确定定性性系系统统在在不不确确定定性性环环境境中中的的控控制制问问题题，使使控控制制系系统统稳稳定定、鲁鲁棒棒性性好好，具具有有要要求的动态和静态性能。求的动态和静态性能。13.1 神经网络控制概述3o神经网络控制的优越性主要有：神经网络控制的优越性主要有：（1）神经网络可以处理那些难以用模型或规则描述的）神经网络可以处理那些难以用模型或规则描述的

4、对象；对象；（2）神经网络采用并行分布式信息处理方式，具有很）神经网络采用并行分布式信息处理方式，具有很强的容错性；强的容错性；（3）神经网络在本质上是非线性系统，可以实现任意）神经网络在本质上是非线性系统，可以实现任意非线性映射，容易应用于非线性控制系统；非线性映射，容易应用于非线性控制系统；（4）神经网络具有很强的信息综合能力，它能够同时）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题。息之间的互补性和冗余性问题。13.1 神经网络控制概述413.2 神经元与神经网络n人脑由一千多

5、亿（人脑由一千多亿（1011亿亿 1014 亿）个神经细胞（神经元）交织亿）个神经细胞（神经元）交织在一起的网状结构组成，其中大在一起的网状结构组成，其中大脑皮层约脑皮层约140亿个神经元，小脑皮亿个神经元，小脑皮层约层约1000亿个神经元。亿个神经元。n 神经元约有神经元约有1000种类型，每个神经元大约与种类型，每个神经元大约与103 104个其他个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。神经元相连接，形成极为错综复杂而又灵活多变的神经网络。n 人的智能行为就是由如此高度复杂的组织产生的。浩瀚的宇人的智能行为就是由如此高度复杂的组织产生的。浩瀚的宇宙中，也许只有包含数千忆

6、颗星球的银河系的复杂性能够与大宙中，也许只有包含数千忆颗星球的银河系的复杂性能够与大脑相比。脑相比。13.2.1 生物神经元的结构生物神经元的结构5神经网络（神经网络（neural networks，NN）生生物物神神经经网网络络(natural neural network,NNN):由由中中枢枢神神经经系系统统（脑脑和和脊脊髓髓）及及周周围围神神经经系系统统（感感觉觉神神经经、运运动动神神经经等等）所所构成的错综复杂的神经网络，其中最重要的是构成的错综复杂的神经网络，其中最重要的是脑神经系统脑神经系统。人人工工神神经经网网络络(artificial neural networks,ANN)

7、:模模拟拟人人脑脑神神经经系系统统的的结结构构和和功功能能，运运用用大大量量简简单单处处理理单单元元经经广广泛泛连连接接而而组组成成的人工网络系统。的人工网络系统。神经网络方法：神经网络方法：隐式隐式的的知识表示方法知识表示方法13.2.1 生物神经元的结构613.2.1 生物神经元的结构（输入输入）（输出输出）神经冲动神经冲动生物神经元结构生物神经元结构713.2.1 生物神经元的结构n 工作状态：工作状态：l 兴奋状态兴奋状态：细胞膜电位：细胞膜电位 动作电位的阈值动作电位的阈值 神经冲动神经冲动 l 抑制状态抑制状态：细胞膜电位细胞膜电位 动作电位的阈值动作电位的阈值 n 学习与遗忘：学

8、习与遗忘：由于神经元结构的可塑性，突触的传递作由于神经元结构的可塑性，突触的传递作用可增强和减弱用可增强和减弱。813.2 神经元与神经网络o13.2.1生物神经元结构生物神经元结构o13.2.2 神经元数学模型神经元数学模型o13.2.3 神经网络的结构与工作方式神经网络的结构与工作方式o13.2.4 神经网络的学习神经网络的学习913.2.2 神经元数学模型 1943年，麦克洛奇和皮兹提出年，麦克洛奇和皮兹提出MP模型。一般模型：模型。一般模型：1013.2.2 神经元数学模型 ：第：第 个神经元的输出。个神经元的输出。：第：第 个神经元的阈值。个神经元的阈值。：外部输入。：外部输入。：权

9、值。：权值。加权求和：加权求和：其矩阵形式：其矩阵形式：11线性环节的传递函数：线性环节的传递函数：1；及其组合等。及其组合等。13.2.2 神经元数学模型1213.2.2 神经元数学模型n非线性激励函数（传输函数、输出变换函数）非线性激励函数（传输函数、输出变换函数）（硬极限函数或阶跃函数）（硬极限函数或阶跃函数）（对称硬极限函数）（对称硬极限函数）1313.2.2 神经元数学模型n非线性激励函数（传输函数、输出变换函数）非线性激励函数（传输函数、输出变换函数）（对数对数-S 形函数或形函数或S型函数型函数）（双曲正切双曲正切S形函数形函数）1413.2.2 神经元数学模型n 工作过程工作过

10、程:l从各输入端接收输入信号从各输入端接收输入信号 uj (j=1,2,n)l根据连接权值求出所有输入的加权和根据连接权值求出所有输入的加权和 l用非线性激励函数进行转换，得到输出用非线性激励函数进行转换，得到输出 1513.2.2 神经元数学模型1613.2.3 神经网络的结构与工作方式o决定人工神经网络决定人工神经网络性能的三大要素：性能的三大要素：n神经元的特性。神经元的特性。n神经元之间相互连接的形式神经元之间相互连接的形式拓扑结构。拓扑结构。n为适应环境而改善性能的学习规则。为适应环境而改善性能的学习规则。17q 1.神经网络的结构神经网络的结构（1）前馈型（）前馈型（前向型）前向型

11、）13.2.3 神经网络的结构与工作方式18q 1.神经网络的结构神经网络的结构（2）反馈型）反馈型（Hopfield神经网络）神经网络）13.2.3 神经网络的结构与工作方式19q 2.神经网络的工作方式神经网络的工作方式n同步同步（并行）并行）方式：方式：任一时刻神经网络中所有神经元同时调任一时刻神经网络中所有神经元同时调整状态整状态。n异步异步（串行）串行）方式：方式：任一时刻只有一个神经元调整状态，而任一时刻只有一个神经元调整状态，而其它神经元的状态保持不变。其它神经元的状态保持不变。13.2.3 神经网络的结构与工作方式20q神经网络的学习是指调整神经网络的连接权值或者神经网络的学习

12、是指调整神经网络的连接权值或者结构，使输入输出具有需要的特性。结构，使输入输出具有需要的特性。qHebb学习规则：当某一突触两端的神经元同时处于学习规则：当某一突触两端的神经元同时处于兴奋状态，那么该连接的权值应该增强。用数学方式兴奋状态，那么该连接的权值应该增强。用数学方式描述调整权值的方法为描述调整权值的方法为13.2.4 神经网络的学习21q 探索时期探索时期（开始于（开始于20世纪世纪40年代）年代）：1943年年，麦麦克克劳劳（W.S.McCullocn）和和匹匹茨茨（W.A.Pitts）首次提出一个神经网络模型）首次提出一个神经网络模型MP模型。模型。1949年年，赫赫布布（D.O

13、.Hebb）提提出出改改变变神神经经元元连连接接强强度的度的 Hebb学习规则。学习规则。13.2.5 神经网络的发展概况22 1958年年，罗罗森森布布拉拉特特（F.Rosenblatt）提提出出感感知知器器模模型（型（perceptron）。）。1959年年，威威德德罗罗(B.Widrow)等等提提出出自自适适应应线线性性元元件件（adaline）网网络络，通通过过训训练练后后可可用用于于抵抵消消通通信信中中的的回回波波和和噪噪声声。1960年年，他他和和 M.Hoff 提提出出LMS（Least Mean Square 最小方差）算法的学习规则。最小方差）算法的学习规则。13.2.5 神

14、经网络的发展概况q 第一次热潮时期：第一次热潮时期：20世纪世纪50年代末年代末 20世纪世纪60年代年代初初 23 1969年年，明明斯斯基基（M.Minsky）等等在在Perceptron中对感知器功能得出悲观结论。中对感知器功能得出悲观结论。1972年年，T.Kohonen 和和 J.Anderson 分分别别提提出出能能完完成成记忆的新型神经网络。记忆的新型神经网络。1976年年，S.Grossberg 在在自自组组织织神神经经网网络络方方面面的的研研究究十分活跃。十分活跃。13.2.5 神经网络的发展概况q 低潮时期：低潮时期：20世纪世纪60年代末年代末 20世纪世纪70年代年代2

15、4q 第二次第二次热潮时期：热潮时期：20世纪世纪80年代至今年代至今 1982年年1986年年，霍霍普普菲菲尔尔德德（J.J.Hopfield）陆陆续续提提出出离离散散的的和和连连续续的的全全互互连连神神经经网网络络模模型型，并并成成功功求求解旅行商问题（解旅行商问题（TSP）。）。1986年年，鲁鲁 姆姆 尔尔 哈哈 特特（Rumelhart）和和 麦麦 克克 劳劳（McCellan）等等在在Parallel Distributed Processing中提出反向传播学习算法（中提出反向传播学习算法（BP算法）算法）。1987年年6月月，首首届届国国际际神神经经网网络络学学术术会会议议在在

16、美美国国圣圣地地亚哥召开，成立了国际神经网络学会（亚哥召开，成立了国际神经网络学会（INNS）。）。13.2.5 神经网络的发展概况25q 神经网络控制的研究领域神经网络控制的研究领域 基于神经网络的系统辨识基于神经网络的系统辨识 神经网络控制器神经网络控制器 神神经经网网络络与与其其他他算算法法（模模糊糊逻逻辑辑、专专家家系系统统、遗遗传传算算法等）相结合法等）相结合 优化计算优化计算 13.2.5 神经网络的发展概况2613.3 BP神经网络及其学习算法13.3.1 BP神经网络的结构神经网络的结构13.3.2 BP学习算法学习算法13.3.3 BP算法的实现算法的实现2713.3.1 B

17、P神经网络的结构 1.BP 网络结构网络结构 2813.3.1 BP神经网络的结构 2.输入输出变换关系输入输出变换关系 2913.3.1 BP神经网络的结构3.工作过程工作过程 l 第一阶段或网络训练阶段第一阶段或网络训练阶段：N 组输入输出样本：组输入输出样本：xi=xi1,xi2,xip1T di=di1,di2,dipmT i=1,2,N 对对网网络络的的连连接接权权进进行行学学习习和和调调整整，以以使使该该网网络络实实现现给给定定样样本本的输入输出映射关系。的输入输出映射关系。l 第第二二阶阶段段或或称称工工作作阶阶段段：把把实实验验数数据据或或实实际际数数据据输输入入到到网网络络，

18、网络在误差范围内预测计算出结果。网络在误差范围内预测计算出结果。30l（1）是否存在一个）是否存在一个BP神经网络能够逼近给定的样本或者函数。神经网络能够逼近给定的样本或者函数。13.3.2 BP学习算法两个问题：两个问题：l（2）如如何何调调整整BP神神经经网网络络的的连连接接权权，使使网网络络的的输输入入与与输输出出与与给定的样本相同。给定的样本相同。u 1986年，鲁梅尔哈特（年，鲁梅尔哈特（D.Rumelhart）等提出）等提出BP学习算法。学习算法。3113.3.2 BP学习算法l 目标函数：目标函数：l 约束条件：约束条件：l 连接权值的修正量：连接权值的修正量：n 1.基本思想基

19、本思想 3213.3.2 BP学习算法l 正向传播：输入信息由输入层传至隐层，最终在输出层输出。正向传播：输入信息由输入层传至隐层，最终在输出层输出。l 反向传播：修改各层神经元的权值，使误差信号最小。反向传播：修改各层神经元的权值，使误差信号最小。n 2.学习算法学习算法 3313.3.2 BP学习算法n 2.学习算法学习算法3413.3.2 BP学习算法n 2.学习算法学习算法3513.3.3 BP算法的实现（1）隐层数及隐层神经元数的确定：目前尚无理论指导。隐层数及隐层神经元数的确定：目前尚无理论指导。（2）初始权值的设置：一般以一个均值为）初始权值的设置：一般以一个均值为0的随机分布的

20、随机分布设置网络的初始权值。设置网络的初始权值。（3）训训练练数数据据预预处处理理：线线性性的的特特征征比比例例变变换换，将将所所有有的的特特征征变变换换到到0，1或或者者-1，1区区间间内内，使使得得在在每每个个训训练练集集上，每个特征的均值为上，每个特征的均值为0，并且具有相同的方差。，并且具有相同的方差。（4）后后处处理理过过程程：当当应应用用神神经经网网络络进进行行分分类类操操作作时时，通通常常将将输输出出值值编编码码成成所所谓谓的的名名义义变变量量，具具体体的的值值对对应应类类别别标号。标号。n 1.BP算法的设计算法的设计 3613.3.3 BP算法的实现（1）初始化：对所有连接权

21、和阈值赋以随机任意小值；）初始化：对所有连接权和阈值赋以随机任意小值；（2）从从 N 组输入输出样本中取一组样本：组输入输出样本中取一组样本：x=x1,x2,xp1T,d=d1,d2,dpmT,把输入信息把输入信息x=x1,x2,xp1T输入到输入到BP网络中网络中（3）正向传播：计算各层节点的输出：）正向传播：计算各层节点的输出：（4）计算网络的）计算网络的实际输出与期望输出的误差：实际输出与期望输出的误差：n 2.BP算法的计算机实现流程算法的计算机实现流程 3713.3.3 BP算法的实现（5）反向传播：从输出层方向计算到第一个隐层，按连接权值）反向传播：从输出层方向计算到第一个隐层，按

22、连接权值修正公式向减小误差方向调整网络的各个连接权值。修正公式向减小误差方向调整网络的各个连接权值。（6）让让t+1t，取取出出另另一一组组样样本本重重复复（2）（5），直直到到 N 组组输入输出样本的误差达到要求时为止。输入输出样本的误差达到要求时为止。n 2.BP算法的计算机实现流程算法的计算机实现流程 3813.3.3 BP算法的实现BP学习算法的程序框图学习算法的程序框图39p 1.特点特点l BP网络：多层前向网络（输入层、隐层、输出层）。网络：多层前向网络（输入层、隐层、输出层）。l 连接权值：通过连接权值：通过Delta学习算法进行修正。学习算法进行修正。l 神经元传输函数：神经

23、元传输函数：S形函数。形函数。l 学习算法：正向传播、反向传播。学习算法：正向传播、反向传播。l 层与层的连接是单向的，信息的传播是双向的。层与层的连接是单向的，信息的传播是双向的。13.3.4 BP算法的特点分析40p 2.BP网络的主要优缺点网络的主要优缺点 l 很好的逼近特性。很好的逼近特性。l 具有较强的泛化能力。具有较强的泛化能力。l 具有较好的容错性。具有较好的容错性。n 优点优点l 收敛速度慢。收敛速度慢。l 局部极值。局部极值。l 难以确定隐层和隐层结点的数目。难以确定隐层和隐层结点的数目。n 缺点缺点13.3.4 BP算法的特点分析4113.4 基于神经网络的系统辨识方法神神

24、经经网网络络对对非非线线性性函函数数具具有有任任意意逼逼近近和和自自学学习习能能力力，为为系系统统的的辨辨识识，尤尤其其是是非非线线性性动动态态系系统统的的辨辨识识提提供供了了一条有效的途径。一条有效的途径。神神经经网网络络通通过过直直接接学学习习输输入入输输出出数数据据，使使所所要要求求的的误误差差函函数数达达到到最最小小，归归纳纳出出隐隐含含在在系系统统的的输输入入输输出出数数据据中的关系。中的关系。尽尽管管还还有有很很多多关关键键的的理理论论问问题题尚尚待待解解决决，但但已已有有结结果果已已经经展展示示了了神神经经网网络络在在非非线线性性系系统统建建模模方方面面的的广广阔阔前前景。景。4

25、213.4.1 前向模型辨识神经网络前向建模神经网络前向建模（forward modelling）就是就是利用系统的输入输利用系统的输入输出数据训练一个神出数据训练一个神经网络，使神经网经网络，使神经网络具有与系统相同络具有与系统相同的输入输出关系。的输入输出关系。4313.4.2 反向模型辨识反向建模反向建模(inverse modelling)是将作为对象的逆模型的是将作为对象的逆模型的神经网络位于对象之前，网络模型的输出作为被控对神经网络位于对象之前，网络模型的输出作为被控对象的输入。象的输入。4413.4 基于神经网络的系统辨识方法基于神经网络的系统辨识方法的特点：基于神经网络的系统辨

26、识方法的特点：（1）不要求建立实际系统的辨识格式，因为神经网络可以逼近）不要求建立实际系统的辨识格式，因为神经网络可以逼近任意非线性函数。任意非线性函数。（2）可以对本质非线性系统进行辨识，而且辨识是通过在网络）可以对本质非线性系统进行辨识，而且辨识是通过在网络外部拟合系统的输入输出，网络内部隐含着系统的特性。因此，外部拟合系统的输入输出，网络内部隐含着系统的特性。因此，辨识是由神经网络本身实现的，是非算法式的。辨识是由神经网络本身实现的，是非算法式的。（3）辨识的收敛速度不依赖于待辨识系统的维数，只与神经网）辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络本身及其所采用的学习算法有关。传

27、统的辨识方法随模型参络本身及其所采用的学习算法有关。传统的辨识方法随模型参数维数的增大而变得很复杂。数维数的增大而变得很复杂。（4）神经网络具有大量连接，其权值在辨识中对应于模型参数，）神经网络具有大量连接，其权值在辨识中对应于模型参数，通过调节这些权值可使网络输出逼近系统输出。通过调节这些权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型，实际上也是系统的一个物理神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可以用于在线控制。实现，可以用于在线控制。4513.5 基于神经网络的软测量方法o13.5.1 软测量技术软测量技术o 主导变量：被估计的变量。主导变量：被估计

28、的变量。o 辅助变量：与被估计变量相关的一组可测变量辅助变量：与被估计变量相关的一组可测变量。软测量是利用一些可测变量去估计推测那些难以测量的变量。软测量是利用一些可测变量去估计推测那些难以测量的变量。46o软测量系统的设计：软测量系统的设计：辅助变量的选择：变量类型、变量数量和检测点位置辅助变量的选择：变量类型、变量数量和检测点位置的选择。的选择。数据采集与处理。数据采集与处理。软测量模型的建立：通过辅助变量来获得对主导变量软测量模型的建立：通过辅助变量来获得对主导变量的最佳估计。的最佳估计。13.5.1 软测量技术47序批式活性污泥法（序批式活性污泥法（SBR）13.5.2 污水处理过程神

29、经网络软测量模型48BOD、COD、N和和P：为软测量模型的主导变量。：为软测量模型的主导变量。ORP、DO、PH和和MLSS：辅助变量。：辅助变量。三层三层BP网络：网络：13.5.2 污水处理过程神经网络软测量模型4913.6 基于神经网络的控制方法o根据神经网络在控制器中的作用不同，神经网络控根据神经网络在控制器中的作用不同，神经网络控制器可分为两类：制器可分为两类：o（1）神经控制：以神经网络为基础而形成的独立）神经控制：以神经网络为基础而形成的独立智能控制系统；智能控制系统；o（2）混合神经网络控制：利用神经网络学习和优）混合神经网络控制：利用神经网络学习和优化能力来改善传统控制的智

30、能控制方法，如自适应化能力来改善传统控制的智能控制方法，如自适应神经网络控制等。神经网络控制等。5013.6.1 神经网络控制器神经网络控制器是将神经网络作为控制器，实现对不确定系统或神经网络控制器是将神经网络作为控制器，实现对不确定系统或未知系统进行控制，使控制系统达到所要求的动态、静态特性。未知系统进行控制，使控制系统达到所要求的动态、静态特性。5113.6.2 神经网络预测控制神经网络的预测控制就是利用作为对象辨识模型的神经网络产神经网络的预测控制就是利用作为对象辨识模型的神经网络产生预测信号，然后采用优化技术求出控制向量，从而实现对非生预测信号，然后采用优化技术求出控制向量，从而实现对

31、非线性系统的预测控制。线性系统的预测控制。5213.6.3 神经网络模型参考控制Narendra等在等在1990年提出了非线性系统的神经网络模型参考自年提出了非线性系统的神经网络模型参考自适应控制。适应控制。5313.6.4 神经网络内模控制线性系统的内模控制具有鲁棒性强和易于进行稳定性分析的特点，线性系统的内模控制具有鲁棒性强和易于进行稳定性分析的特点，虽然要求系统开环稳定，但已广泛应用于过程控制。虽然要求系统开环稳定，但已广泛应用于过程控制。Hunt在在1991年将内模控制推广到非线性系统，提出了非线性系统的神年将内模控制推广到非线性系统，提出了非线性系统的神经网络内模控制。经网络内模控制

32、。5413.7 单神经元控制器o理理论论上上，由由于于神神经经网网络络具具有有很很强强的的信信息息综综合合能能力力，在在计计算算速速度度能能够够保保证证的的条条件件下下，可可以以解解决决任任意意复复杂杂的的控控制制问问题题，但但目目前前缺缺乏乏相相应应的的神神经经网网络络计计算算机机硬硬件的支持。件的支持。o利利用用已已有有的的数数字字计计算算机机模模拟拟神神经经网网络络机机理理，在在速速度度上还有很大的差距，难以解决很多实时控制问题。上还有很大的差距，难以解决很多实时控制问题。o近近年年来来，由由于于单单神神经经元元构构成成的的控控制制器器结结构构简简单单，易易于实时控制，所以获得了很多成功

33、的应用。于实时控制，所以获得了很多成功的应用。55直流调速系统的单神经元控制器 1.系系统结统结构构o直直流流调调速速系系统统结结合合传传统统PID控控制制机机理理，构构成成了了单单神神经元经元PID控制器。控制器。56直流调速系统的单神经元控制器2.单神经元控制器及其学习算法单神经元控制器及其学习算法o神经元的特性取为：o数字PID控制算法的基本表示式为：o为使单神经元具有PID特性，可以分别取状态量：57直流调速系统的单神经元控制器2.单神经元控制器及其学习算法单神经元控制器及其学习算法o针对直流调速系统的特点，从控制角度出发，应用反馈原理，针对直流调速系统的特点，从控制角度出发，应用反馈

34、原理，将无监督的将无监督的Hebb学习规则和有监督的学习规则和有监督的Widrow-Hoff规则结合起规则结合起来，得到神经元控制器的学习算法。来，得到神经元控制器的学习算法。不难看出，单神经元控制器依照学习信号所反映的误差与环境的不难看出，单神经元控制器依照学习信号所反映的误差与环境的变化，对相应的积分、比例、微分系数进行在线调整，产生自适变化，对相应的积分、比例、微分系数进行在线调整，产生自适用控制作用，具有很强的鲁棒性，控制器还利用了神经元的非线用控制作用，具有很强的鲁棒性，控制器还利用了神经元的非线性特性，突破线性调节器的局限，实现转速环的平稳饱和的作用。性特性，突破线性调节器的局限，

35、实现转速环的平稳饱和的作用。58 3.单神经元直流调速系统参数设计单神经元直流调速系统参数设计直流调速系统的单神经元控制器电流环采用电流环采用PI调节器，并校正成典型型系统。转速环采用单神调节器，并校正成典型型系统。转速环采用单神经元经元PID控制器。控制器。单神经元单神经元PID控制器的参数设计主要是选择控制器的比例因子、控制器的参数设计主要是选择控制器的比例因子、学习速率、权重初值、采样周期等参数，它们对学习和控制效学习速率、权重初值、采样周期等参数，它们对学习和控制效果有一定的影响。果有一定的影响。59直流调速系统的单神经元控制器4.实验设计及其结果实验设计及其结果60THE ENDModern Control Engineering61