·572· 北京科技大学学报 1998年第6期 u(内=X(W+XW()+X(内W,() (5) 其中：W()(=1,2,3)为网络加权值. 神经网络根据控制系统实际输出和期望输出的偏差值，采用一定规则，进行自适应学习， 不断调整网络权值向量W到最佳值Wm.从式(1)与（⑤）可知，网络权值的调整过程可以看作 PD控制器参数的自整定过程.因此，神经网络PID控制器具有自适应性. 1.2网络控制系统 建立了使用神经网络PID控制器的计算机控制系统如图2所示.图中y.(阳为被控对象期 望输出，y附为系统实际输出，转换函数把偏差信号ε转换为网络控制器的输人量，网络的输 出()作为系统控制信号， 转 y(k) 换 内 DA 被控对象 数 A/D 测量变送 图2神经网络控制系统 2神经网络的学习机理和控制算法 2.1学习机理 图2中，神经网络按照误差函值最小准则，运用LMS(Least Mean Square)法则a:,进行 自学习，修正网络权值W 令控制系统误差函数为： 丙=12y.(内-y]2 (6) 那么，网络权值学习规则为： ak+1) △W,=-LOW(肉 () 式中L,为学习步长.运用随机逼近理论，可以证明L充分小时，W将收敛到某一稳态值W, 使得误差函数值最小，)， 2.2控制算法 根据上述学习机理，图2中的神经网络控制器采用如下控制算法： 内=三W(内x内 (8) dy(k+1) Wk+1)=W肉+L,.k+1)-y,k+1J u(k) (9)北 京 科 技 大 学 学 报 (u k) = 戈( k) 城 ( k) + 戈( k) 代( k) 十 戈( k) 哄( k) 其 中 : 叫 ( k) (i = 1 , 2 , 3) 为 网络加权值 . 199 8年 第6期 (5 ) 神经网络根 据控 制系 统实际输出和期望 输 出 的偏 差值 , 采 用一 定规则 , 进 行 自适应学 习 , 不断调整 网络权值 向量 砰 i到最 佳值 平 l[] . 从式 (l )与 ( 5) 可知 , 网络权值的调 整过程 可 以 看作 IP D 控制器参数的 自整定 过程 . 因此 , 神经网 络 IP D 控制器具有 自适 应性 . 1 . 2 网络控制 系统 建 立 了使用神 经 网络 IP D 控 制器 的计算机控 制系 统如 图 2 所示 . 图 中ye (k) 为被控对象期 望输 出 , y 式k) 为系 统实 际输 出 , 转 换 函数把偏差信号 。 转换为网络控 制器 的输人 量 , 网络的输 出 u( k) 作为系统控 制 信号 . 只k) 侧 A 蔽而豪刁月巡竺 转换数函 叫 A ZD 测量变送 圈2 神经网络控制系统 2 神经网络的学习机理和控 制算法 .2 1 学 习机理 图 2 中 , 神经 网 络按 照 误差 函值最小 准则 , 自学 习 , 修正 网络权值 研 · 令控制系 统误差 函数为 : 那 么 , 网络 权值学 习规则为 : 运 用 L M S (玫as t eM an s q ~ )法 则l[ .3] , 进行 旦k) = 12/ 以(k) 一 y 汉k) ] ( 6 ) △班 = 式 中L r 为 学 习 步 长 . 运用 随机 逼近理 论 , 使得误差 函数值最 小 .l3[ ] . .2 2 控制 算法 _ a及k + l ) 一 L 石一 一二一一- , , ’ - 口城 ( k) ( 7 ) 可 以证 明 L 充分 小 时 , 砰 i将收敛到某 一稳 态值 平 根据上述 学习机理 , 图 2 中的神经 网络控制器采用如 下控制算法 : 、 1 产、少. 00 了.飞、了.、 产 u( k) = 工城 (k) X (k) 叫 ( k + l ) = 叫 ( k) + L , 妙 。 ( k + l ) 一 夕f ( k + l ) ] a夕f (k + l ) a u (k)