chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

電子設(shè)計 ? 作者:工程師飛燕 ? 2018-08-31 08:31 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

介紹了一種單神經(jīng)元自適應(yīng)控制的方法,并提出了在線調(diào)整的方法。該方法結(jié)構(gòu)簡單,便于在分散控制系統(tǒng)中實(shí)現(xiàn)。

0 引言

在工業(yè)過程控制中,PID控制是歷史最悠久、生命力最強(qiáng)的控制方式。這主要是因為這種控制方式具有直觀、實(shí)現(xiàn)簡單和魯棒性能好等一系列優(yōu)點(diǎn)。在火電廠分散控制系統(tǒng)中,單輸入單輸出(SISO)、采用PID控制規(guī)律、簡單的控制回路一般占80%以上。但是,許多熱工對象都具有大時延、大慣性的特性,使得過渡過程時間變長,調(diào)節(jié)品質(zhì)變差;另外,對于高階或多變量強(qiáng)耦合過程,PID的整定與控制都存在困難。由于整定條件常常受到限制,以及對象的動態(tài)特性隨著工況、環(huán)境等變化而發(fā)生變化,PID參數(shù)往往難以達(dá)到最優(yōu)狀態(tài)。

為此,本文提出一種單神經(jīng)元自適應(yīng)控制的方法。通過大量的仿真實(shí)驗表明,該方法簡單易行,具有比普通PID算法好得多的控制效果。

1基于單神經(jīng)元的自適應(yīng)控制

神經(jīng)元的輸入信號由4部分組成:前饋控制信號x1(t)、反饋比例控制信號x2(t)、反饋微分控制 信號x3(t)、反饋積分控制信號x4(t)。它是一種多層次多模式的控制結(jié)構(gòu),集前饋和反饋于一體,互為關(guān)聯(lián),互為補(bǔ)償。前饋控制信號x1(t)通過ω′1(t) 直接作用于受控對象,加快了系統(tǒng)的響應(yīng)速度;x2(t)能迅速減小跟蹤誤差;x3(t) 可以改善系統(tǒng)的響應(yīng)速度,減小超調(diào)量;x4(t) 使系統(tǒng)趨近于穩(wěn)態(tài)無差,提高了控制的準(zhǔn)確性。權(quán)值ω′i(t)(i=1,2,3,4)反映了受控對象和過程的動態(tài)特性,神經(jīng)元通過自身的學(xué)習(xí)策略不停地調(diào)整ω′i(t)(i=1,2,3,4),在4種控制的關(guān)聯(lián)作用下迅速消除偏差,進(jìn)入穩(wěn)態(tài)。

權(quán)值調(diào)整方法采用有監(jiān)督Hebb學(xué)習(xí)算法[2],同時為了保證學(xué)習(xí)算法的收斂性和控制的魯棒性,可采用規(guī)范化的學(xué)習(xí)算法??刂扑惴ㄈ缦率剑?/p>

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

2仿真實(shí)驗研究

進(jìn)行單神經(jīng)元自適應(yīng)控制仿真實(shí)驗,實(shí)驗結(jié)果見圖2。PID的參數(shù)Ti、δ和Td是通過尋優(yōu)得到的最優(yōu)參數(shù)。在t=0.56 s時加了一個內(nèi)擾??梢妴紊窠?jīng)元自適應(yīng)控制比普通PID控制響應(yīng)速度快,控制效果好。

大量的仿真實(shí)驗表明,單純調(diào)節(jié)學(xué)習(xí)速率η對控制效果的影響不明顯。K是神經(jīng)元的比例系數(shù),它對開環(huán)放大倍數(shù)較大的受控對象,可以起到衰減神經(jīng)元控制效果、消除學(xué)習(xí)過程的沖擊的作用;而對開環(huán)放大倍數(shù)較小的受控對象,則可以起到增強(qiáng)神經(jīng)元控制效果、保證神經(jīng)元在全局范圍內(nèi)搜索到E{[r(t)-y(t)]2} 的最小值的作用。仿真實(shí)驗表明,K取的較大時,系統(tǒng)動態(tài)啟動快,但超調(diào)量大,調(diào)整時間長;K取的較小時,系統(tǒng)響應(yīng)變慢,超調(diào)量下降,但如果K取的太小,則響應(yīng)跟蹤不上給定信號。

對K的分析表明,應(yīng)當(dāng)在響應(yīng)初期取較大的值,以提高響應(yīng)速度;而在進(jìn)入穩(wěn)態(tài)以后,K應(yīng)逐步減少到某一穩(wěn)定值,以保證系統(tǒng)不出現(xiàn)過大的超調(diào)量。為了滿足上述要求,可以采用非線性變換法對K進(jìn)行在線修改,調(diào)整公式如下:

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

式中,K0為K的穩(wěn)態(tài)值;α為待定參數(shù),其值視控制效果進(jìn)行調(diào)整。取偏差的3次方是使偏差較大時K較大,增加響應(yīng)速度,而偏差較小時,后一項幾乎不起作用,以減小超調(diào)量。

也可以采用如下簡單的分段線性化方法來調(diào)整K:

基于單神經(jīng)元的PID控制實(shí)現(xiàn)

對無自平衡對象G(s)=(0.325s+1)-1×(0.5s+1)-1 進(jìn)行單神經(jīng)元自適應(yīng)控制仿真實(shí)驗,實(shí)驗結(jié)果見圖3。在t=5.6 s時加一個內(nèi)擾??梢娍刂频捻憫?yīng)速度進(jìn)一步加快。

3結(jié)論

以上提出的神經(jīng)元自適應(yīng)預(yù)測PID控制器,能夠提高控制系統(tǒng)的自適應(yīng)能力和魯棒性,該控制器結(jié)構(gòu)簡單,易于實(shí)現(xiàn),特別是便于在分散控制系統(tǒng)中實(shí)現(xiàn)。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • PID控制
    +關(guān)注

    關(guān)注

    11

    文章

    463

    瀏覽量

    42136
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    369

    瀏覽量

    19103
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點(diǎn)推薦

    神經(jīng)元設(shè)備和腦機(jī)接口有何淵源?

    HUIYING神經(jīng)元設(shè)備的發(fā)展歷程概述神經(jīng)元設(shè)備的發(fā)展經(jīng)歷了從基礎(chǔ)信號檢測到多功能智能集成的演進(jìn)過程。自1920年代腦電圖(EEG)信號首次被發(fā)現(xiàn)以來,神經(jīng)電極技術(shù)逐步發(fā)展,如1957年出現(xiàn)的鎢微絲
    的頭像 發(fā)表于 11-03 18:03 ?1137次閱讀
    <b class='flag-5'>神經(jīng)元</b>設(shè)備和腦機(jī)接口有何淵源?

    脈沖神經(jīng)元模型的硬件實(shí)現(xiàn)

    實(shí)現(xiàn)。所以現(xiàn)有的大部分 SNN 加速器的硬件實(shí)現(xiàn)上都采用LIF模型。 如圖所示,設(shè)計的 SNN 神經(jīng)核整體架構(gòu)如圖所示。 神經(jīng)核主要由 LIF
    發(fā)表于 10-24 08:27

    SNN加速器內(nèi)部神經(jīng)元數(shù)據(jù)連接方式

    所謂地址事件表達(dá)(Address Event Representation,AER),是指通過地址的方式將事件進(jìn)行表達(dá),然后按時間順序復(fù)用到總線上。已知生物神經(jīng)元產(chǎn)生脈沖的頻率比數(shù)字電路要低很多
    發(fā)表于 10-24 07:34

    Aerodiode高帶寬激光鎖定PID控制

    PID-C型激光鎖定PID控制器專為實(shí)現(xiàn)寬達(dá)30MHz控制帶寬內(nèi)的最低噪聲水平而設(shè)計。該設(shè)備采用觸屏
    的頭像 發(fā)表于 10-22 07:48 ?143次閱讀
    Aerodiode高帶寬激光鎖定<b class='flag-5'>PID</b><b class='flag-5'>控制</b>器

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時間連續(xù)性與動態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    神經(jīng)元,但卻能產(chǎn)生復(fù)雜的行為。受此啟發(fā),與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比,LNN旨在通過模擬大腦中神經(jīng)元之間的動態(tài)連接來處理信息,這種網(wǎng)絡(luò)能夠順序處理數(shù)據(jù),并且保留了對過去輸
    的頭像 發(fā)表于 09-28 10:03 ?647次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)(LNN):時間連續(xù)性與動態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)

    【「AI芯片:科技探索與AGI愿景」閱讀體驗】+神經(jīng)形態(tài)計算、類腦芯片

    。是實(shí)現(xiàn)類腦芯片的基本模型。SNN中的神經(jīng)元通過短的電脈沖相互溝通,脈沖之間的時間間隔起著重要作用。 最有利于硬件實(shí)現(xiàn)的脈沖神經(jīng)元模型是“漏電整合-激發(fā)”模型: 與DNN相比,SNN的
    發(fā)表于 09-17 16:43

    絕對值光柵編碼器:工業(yè)精密控制的“數(shù)字神經(jīng)元

    的“數(shù)字神經(jīng)元”,正以毫米級甚至微米級的定位能力,重新定義精密制造的邊界。 突破傳統(tǒng):從“相對計數(shù)”到“絕對定位”的革命 傳統(tǒng)增量式編碼器通過脈沖計數(shù)實(shí)現(xiàn)位置反饋,但存在致命缺陷:斷電后需重新校準(zhǔn)零點(diǎn),抗干擾能力
    的頭像 發(fā)表于 08-19 08:41 ?429次閱讀
    絕對值光柵編碼器:工業(yè)精密<b class='flag-5'>控制</b>的“數(shù)字<b class='flag-5'>神經(jīng)元</b>”

    新一代神經(jīng)擬態(tài)類腦計算機(jī)“悟空”發(fā)布,神經(jīng)元數(shù)量超20億

    電子發(fā)燒友網(wǎng)綜合報道 8月2日,浙江大學(xué)腦機(jī)智能全國重點(diǎn)實(shí)驗室發(fā)布新一代神經(jīng)擬態(tài)類腦計算機(jī)——Darwin Monkey(中文名“悟空”)。 ? “悟空”堪稱國際首臺神經(jīng)元規(guī)模超20億、基于專用神經(jīng)
    的頭像 發(fā)表于 08-06 07:57 ?7233次閱讀
    新一代<b class='flag-5'>神經(jīng)</b>擬態(tài)類腦計算機(jī)“悟空”發(fā)布,<b class='flag-5'>神經(jīng)元</b>數(shù)量超20億

    無刷直流電機(jī)神經(jīng)元自適應(yīng)智能控制系統(tǒng)

    摘要:針對無刷直流電機(jī)(BLDCM)設(shè)計了一種可在線學(xué)習(xí)的神經(jīng)元自適應(yīng)比例-積分-微分(PID)智能控制器,通過有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則調(diào)整權(quán)值,每次采樣根據(jù)反饋誤差對
    發(fā)表于 06-26 13:36

    無刷直流電機(jī)神經(jīng)元PI控制器的設(shè)計

    摘要:研究了一種基于專家系統(tǒng)的神經(jīng)元PI控制器,并將其應(yīng)用于無刷直流電機(jī)調(diào)速系統(tǒng)中。控制實(shí)現(xiàn)了PI參數(shù)的在線調(diào)整,在具有
    發(fā)表于 06-26 13:34

    PID串級控制在同步發(fā)電機(jī)勵磁控制中的應(yīng)用

    摘 要:為提高發(fā)電機(jī)勛磁控制系統(tǒng)的穩(wěn)定性,分析了同步發(fā)電機(jī)的自并勵勵磁系統(tǒng)的結(jié)構(gòu)和數(shù)學(xué)模型,介紹了神經(jīng)網(wǎng)絡(luò)預(yù)測控制的結(jié)構(gòu)和算法,分別基于PID控制
    發(fā)表于 06-16 21:56

    用硬件電路去實(shí)現(xiàn)PID控制

    和得到控制量,本文希望通過模擬電子電路方式實(shí)現(xiàn)PID?;镜碾娐穲D如下所示輸入端電流通過電容對反饋的電壓與參考電壓的差值進(jìn)行微分處理,并且借助電感對差值實(shí)現(xiàn)積分,而
    的頭像 發(fā)表于 03-03 19:33 ?1911次閱讀
    用硬件電路去<b class='flag-5'>實(shí)現(xiàn)</b><b class='flag-5'>PID</b>的<b class='flag-5'>控制</b>

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    多層。 每一層都由若干個神經(jīng)元構(gòu)成,神經(jīng)元之間通過權(quán)重連接。信號在神經(jīng)網(wǎng)絡(luò)中是前向傳播的,而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)(CNN) : CNN主要由卷積層、池化層和全連接層組成。
    的頭像 發(fā)表于 02-12 15:53 ?1281次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟詳解

    網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元的數(shù)量以及激活函數(shù)。 初始化權(quán)重和偏置 : 隨機(jī)初始化輸入層與隱藏層、隱藏層與隱藏層、隱藏層與輸出層之間的連接權(quán)重,以及各層的偏置項。這些權(quán)重和偏置在訓(xùn)練過程中會逐漸調(diào)整。 設(shè)置學(xué)習(xí)率 : 學(xué)習(xí)率決定了
    的頭像 發(fā)表于 02-12 15:50 ?1089次閱讀

    深度學(xué)習(xí)入門:簡單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

    深度學(xué)習(xí)中,神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元組成,神經(jīng)元之間通過
    的頭像 發(fā)表于 01-23 13:52 ?833次閱讀