神经网络控制（精选12篇）
神经网络控制 篇1
摘要：对PID控制器参数优化的研究, 在网络控制系统中传统的PID控制方法由于被控对象的非线性、时延和系统扰动等因素降低控制器的效果, 从而影响系统的稳定性。用实时性要求较高的直流电机作为被控对象进行matlab仿真, 仿真结果表明采用压缩映射遗传算法神经网络的PID控制器系统响应速度快和控制精度高, 网络控制系统具有鲁棒性和抗干扰能力。
关键词：网络控制系统,压缩映射遗传算法,神经网络,参数优化
1 引言
PID控制器要想得到理想的控制效果, 就需要取得PID控制中比例、积分和微分三个参数的最优值。传统的PID控制器已经不能满足现代的需求, 因而将智能控制技术引入了PID控制器中。
2 基于神经网络PID控制器原理
(1) PID控制器。在控制系统中常常用到PID控制, PID即对输入偏差进行比例积分微分运算。PID控制器是由比例、积分和微分三个环节组成, PID控制器能否取得好的控制性能就要调节好比例、积分、微分的三者的关系。基于遗传神经网络PID控制器采用经典的增量式数字PID控制器, 可以直接对被控对象进行闭环控制且对三个参数进行在线整定。
(2) 基于神经网络PID控制器。BP神经网络是现在应用最为广泛和成功的神经网络之一, BP神经网络具有学习能力强、可逼近任意非线性的优势, 它是一种单向传播多层前向网络, 采用最小均方差和梯度算法, 由输入层、隐含层和输出层三层组成, 其中输入层与隐含层、隐含层和输出层通过相应的权值连接起来的。
3 压缩映射遗传算法优化BP网络的初始值
3.1 压缩映射遗传算法
传统的遗传算法并不可能保证全局的最优收敛, 因此对传统的遗传算法进行改进, 把Banach定理用于遗传算法即压缩映射遗传算法。遗传算法能够被定义为群体之间的变形, 构造的度量空间X使得其成员为群体P, 那么任何的压缩映射f都有唯一地不动点, 不动点是f应用于任意一个初始群体P (0) 迭代得到的。根据Banach定理可以得到合适的度量空间, 在此空间中的遗传算法是收缩的, 就可以在不动点上获得算法的收敛性, 与初始群体的选择无关。
3.2 压缩映射遗传算法对BP网络的优化
BP算法使用的是梯度算法, 训练是从某一点开始沿着误差函数的斜面达到误差的最小值, 不同的始点会导致不同的最小值产生, 得到不同的最优解, 因此BP神经网络的PID在网络优化训练时有收敛速度慢、易陷入局部极小和全局搜索能力差的缺点。而压缩映射遗传算法具有收敛性, 能够在BP神经网络搜索时保证全局最优收敛, 从而能得到最优解或准最优解。采用压缩映射遗传算法来对BP神经网络的权值和阈值进行学习和优化, 然后用BP网络进行在线整定PID参数, 从而达到良好的控制效果。
3.2.1 编码方式
BP神经网络的权值和阈值的学习是复杂的连续参数优化, 如果采用二进制编码就会使得编码串过长, 影响网络学习的精度。使用实数编码比较直观并且不会出现精度不足, BP神经网络的各个权值和阈值组按照顺序联成一个长串, 串上的每一个位置对应着网络中的一个权值或者阈值。
3.2.2 适应度函数
遗传算法中的适应度函数来评价染色体优劣, 将染色体上表示的各个权值分配到给定的网络结构中, 网络以训练集样本为输入输出, 运行后返回E (pi) 来评价函数达到最优目标:Eval (pi) =E (pi) , 其中误差越小, Eval (pi) 的值就会越小。群体的适应度函数为:
3.2.3 初始群体的选择
本文采用实数编码的方式, 初始群体表示为:Si (p) ={V1, V2, …Vm}, 其中i=1, 2, …, M;j=1, 2, …, m;M为群体中潜在解的个数, 其取值在20-100之间, 考虑所处理的求解时间。在初始染色体集时网络中各个权值都是以e-|r|的概率分布来随机确定, 遗传算法的这种随机分布方法使得当网络收敛后, 权值的绝对值都很小, 能够搜索所有的可行解范围。
3.2.4 遗传算子
遗传算子采用了选择、交叉和变异算子。选择算子目的是从群体中选择适应度大的优胜个体, 适应度越大的个体被选择的机会就越大。在选择算子中采用最优保存策略, 即当前群体中的适应度最高的与上一代群体中最高适应度相比较, 如果当代比上一代高就保留当前的个体, 相反则淘汰新一代中的一个个体, 将上一代最高适应度的个体加入新一代中。本文使用自适应变异算子, 适应值大的个体在较小的范围中搜索, 而适应值较小则在较大的范围中搜索, 可以根据解的质量自适应地调整搜索区域来提高搜索能力。
3.2.5 算法终止准则
在满足适应函数最大值时终止遗传算法迭代, 由于网络中适应度的最大值不清楚, 本身就是搜索的对象, 因此在发现在群体中一定比例的个体已经为一个个体时终止迭代, 本文设定最大遗传代数, 即使最大遗传代数没有找到最优解也终止算法。
4 仿真研究
在matlab中构建遗传神经网络PID控制器, 利用Truetime构建NCS仿真模型, 被控对象选为直流电机。BP神经网络算法的PID控制器在经过100秒才达到稳定状态, 而压缩映射遗传神经算法PID控制器只要56秒就达到稳定状态, 可知压缩映射遗传神经算法PID控制器比BP神经网络算法的PID控制器振荡时间短、振幅小, 控制系统性能更好。
5 结论
对于BP神经网络优化训练时有收敛速度慢、易陷入局部极小和全局搜索能力差的缺点。采用压缩映射遗传算法对BP神经网络PID控制器的权值和阈值进行学习和参数优化, 加快了全局收敛性, 而且振荡时间短、振幅小, 能够很快的达到控制系统稳定。通过仿真可以看到压缩映射遗传神经网络PID对网络控制系统在延时和扰动等干扰因素下仍可以进行实时控制, 达到较好的控制效果, 并具有鲁棒性强和抗干扰的特点。
参考文献
[1]涂川川, 朱凤武, 李铁.BP神经网络PID控制器在温室温度控制中的研究[J].中国农机化, 2012.2:151-154.
[2]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社, 2006.
[3]周海, 恒庆海, 刘茵.基于truetime的网络控制系统时延分析与仿真[J].工业控制计算机, 2012, 25 (2) :29-30.
神经网络控制 篇2
提出了一种基于模糊神经网络的模型参考自修复飞行控制结构,并对所使用的BP网络学习算法进行了分析改进.对比非故障和故障状态下的飞行仿真结果表明,改进后的自修复飞行控制方法可以有效地抑制神经网络的`“过学习”现象,减小了对神经网络辨识器精度的依赖程度,在故障条件下的补偿作用非常明显,达到了自修复飞行控制的目的.
作 者：王鹏 艾剑良 高明 WANG Peng AI Jian-liang GAO Ming 作者单位：王鹏,艾剑良,WANG Peng,AI Jian-liang(复旦大学,上海,33)
高明,GAO Ming(西北工业大学,陕西,西安,710072)
神经网络控制 篇3
【关键词】BP神经网络；PID控制；直流电机调速系统
1.引言
PID控制以其算法简单，鲁棒性好和可靠性高等优点，广泛地应用于工业生产当中，成为衡量各行各业现代化水平的一个重要标志。随着科学技术的发展，生产工艺的日益复杂化，生产系统具有非线性，时变不确定性，在实际生产中，常规PID控制器参数往往整定不良、性能欠佳，对运行工况的适应性很差[1]。
BP神经网络具有良好的自学习、自适应能力和鲁棒性，可以用来处理高维、非线性、强耦合和不确定性的复杂控制系统。本文结合BP神经网络的优点和传统PID控制的优势，对PID控制器进行优化，使其具有很强的自适应性和鲁棒性。通过对直流电机调速系统仿真，结果表明，这种方法是有效的。
2.PID控制原理
PID是工业生产中最常用的一种控制方式，PID调节器是一种线性调节器，它将给定值r（t）与实际输出值c（t）的偏差的比例（P）、积分（I）、微（D）通过线性组合构成控制量，对控制对象进行控制。传统的PID控制系统原理框图如图2.1所示，系统主要由PID控制器和被控对象组成。它根据给定值rin（t）与实际输出值yout（t）构成控制偏差额e（t）：
图2.1为PID控制系统原理框图。
3.基于BP神经网络的PID整定原理
PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系[2]。BP神经网络具有良好的自学习、自适应能力和鲁棒性，将PID和BP神经网络结合起来，建立参数自学习的PID控制器。其结构如图3.1所示。
经典增量式数字PID的控制算式为：
式中，是与、、、u（k-1）、y（k）等有关的非线性函数，可以用BP神经网络通过训练和学习找到这样一个最佳控制规律。
假设BP神经网络NN是一个三层BP网络，其结构如图3.4所示，有M个输入节点、Q个隐层节点、三个输出节点。输出节点分别对应控制器的三个可调参数，，。其激发函数为非负的Sigmoid函数。而隐含层的激发函数可取正负对称的Sigmoid函数。
神经网络的前向算法如下：设PID神经网络有M个输入，3个输出（，，），上标（1）（2）（3）分别代表输入层、隐含层和输出层，该PID神经网络在任意采样时刻k的前向计算公式（3-3）如下所述：
基于BP神经网络PID控制算法可以归纳为：①选定BPNN的结构，即选定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值，选定学习速率和惯性系数；②采样得到和，计算；③对进行归一化处理，作为BPNN的输入；④计算BPNN的各层神经元的输入和输出，输出层的输出即为PID控制器的3个参数，，；⑤计算PID控制器的输出，参与控制和计算；⑥计算修正输出层的加权系数；⑦计算修正隐含层的加权系数：⑧置，返回②[3]。
4.仿真实例
仿真试验中所用的直流电机参数Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，电枢电阻Ra=0.5Ω，V-M系统主电路总电阻R=1Ω，额定磁通下的电机电动势转速比=0.1925V.min/r，电枢回路电磁时间常数Ta=0.017s，系统运动部分飞轮距相应的机电时间常数Tm=0.075，整流触发装置的放大系数=44，三相桥平均失控时间Ts=0.00167s，拖动系统测速反馈系数=0.001178V.min/r，比例积分调节器的两个系数T1=0.049s，T2=0.088s。BP神经网络的结构采用4-5-3，学习速率和惯性系数，加权系数初始值取区间[-0.5，0.5]上的随机数。利用simulink模块建立模型如图4.1所示。
从上面的仿真结果中，进行比较分析后，可以得出常规PID控制系统BP神经网络PID控制系统两者对于在零时刻加幅度为1的阶跃信号，它们有着不同响应曲线。为了便于比较，可以将两者的响应结果列表，见表4.1。
5.结论
由仿真结果可知，BP神经网络控制系统的最大超调量和调整时间均比常规PID控制系统的最大超调量要小。这说明利用BP神经网络对PID控制器进行优化具有有良好的自学习、自适应能力和鲁棒性，在工业生产中，具有更高的价值。
参考文献
[1]王敬志，任开春，胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机，2011（3）：72-75.
[2]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2004.
神经网络控制 篇4
传统的温室控制系统虽然简单、易操作, 但是由于实际环境的复杂性, 使得其控制性能停滞不前。随着智能控制理论以及控制技术的日益成熟, 科研人员正试图将一些工业领域内的智能控制技术应用到温室环境的控制中来, 希望以此来解决温室环境控制系统中的最优控制问题。然而实际的情况是温室环境所特有的性质使得温室环境的控制复杂得多。鉴于此, 国内外研究者开始深入地对影响温室环境的因子进行研究, 普遍的控制方法主要有传统的PID控制、模糊控制以及神经网络的控制等等。
一、神经网络自适应控制
带有时滞的连续非线性系统一般可以描述为:
其中x (t) =[x1 (t) , x2 (t) , ……, xn (t) ]T∈Rn表示状态向量, 这里有有界时变时滞状态向量和系统的有界输入向量以及未知的光滑连续非线性函数。这里需要假设每个未知的子系统都有一个独立的系统输入进行控制作用, 在数学表达上可以描述为:
非线性系统可以通过下面的连续神经网络进行辨识:
辨识误差可以定义为:e (t) =y (t) -x (t)
L是对角实数矩阵, 对于误差系统, 可以描述为:
其中, 当e (t) =0, t∈[-τ, 0]
根据下面的自适应算法对神经网络权值系数进行调节, 辨识误差系统是一致渐近稳定的, 控制器可以使系统达到理想的状态, 其中
设计控制器的目的是将系统的输出控制到跟踪一个之前设定好的轨迹。不失一般性, 选取光滑的曲线yd (t) 作为被跟踪的轨迹。为了使系统状态能够跟踪设定的曲线, 表示成下面的形式:
选取一个Lyapunuv-Krasovskii泛函:
这里V1沿着系统求导可得:
由于包含不确定项, 在下一步中可以消除。
这里对V2进行求导可得:
于是就有:
通过李雅普诺夫稳定性理论可以对上述控制方法的收敛性进行证明, 通过收敛性分析可以得到控制闭环系统有界稳定。
二、仿真与系统
系统描述为:
系统的初始条件选取为xT (0) = (3, -3) T, 系统的结构是两个输入两个输出, 在辨识与控制过程中, 只需要得到系统的输入和输出数据, 对系统的结构未知。首先选取用于逼近非线性系统合适的神经网络, 并用于辨识和控制中。
对于控制的任务是使系统的状态x (t) =[x1 (t) , x2 (t) ]T能够跟踪上预先指定的轨迹yd (t) =[sin (t) , cos (t) ]T。
本课题设计的温室控制系统, 其中PC机为上位机, 单片机、温度传感器以及湿度传感器为下位机, 通过Zig Bee技术来实现上、下位机之间通讯的温室环境控制硬件系统。这种设计方式既克服了单片机控制模式中可靠性差、故障率高、自动化程度低等的缺点, 也合理地控制了整个温室系统的成本。
三、结论
论文针对多输入、多输出温室温度控制系统的控制问题, 研究了神经网络自适应控制, 提出来一种可以用于带有时滞的多输入、多输出非线性系统神经网络自适应控制方法, 神经网络权值在线调整, 实现非线性系统的神经网络控制, 通过Lyapunuv稳定性理论验证了算法的有效性, 通过搭建温室温度控制系统实现在温室温度控制的应用。
参考文献
[1]聂毅, 聂晖.植物温室单片机控制系统[J].微计算机信息, 2002, 18 (8) :36—39
[2]汪永斌, 吕昂, 孙荣高, 等.温室群全数字式温度和湿度综合控制系统[J].农业机械学报, 2002, 33 (5) :71—74
[3]胥芳, 张立彬, 陈教料, 等.玻璃温室小气候温湿度动态模型的建立与仿真[J].农业机械学报, 2005 (11)
[4]余泳昌, 薛文芳, 马建民.改进型PID控制算法在现代温室环境参数控制中的应用[J].河南农业大学学报, 2007 (2)
[5]李善军, 张衍林, 艾平, 等.温室环境自动控制技术研究应用现状及发展趋势[J].农业工程技术, 2008 (2) :20—21
[6]于秀丽, 于朝刚.现代温室计算机控制系统的研究[J].农机化研究所, 2006, 1 (6) :94—96
[7]何世钧, 张路, 张弛, 等.智能温室自动控制系统的设计与应用[J].河南农业大学学报, 2000, 34 (4) :399—401
[8]M.Krstic, I.Kanellakopoulos, and P.Kokotovic, Nonlinear and Adaptive Control Design[J].New York:Wiley, 1995.
神经网络控制 篇5
研究了一种基于自适应神经网络补偿的平流层飞艇前向速度与姿态控制系统设计方法.针对近似模型进行常规线性动态补偿器设计,并引入自适应径向基函数(RBF,radial basis function)神经网络对模型误差进行补偿.根据Lyapunov方法得到神经网络权值自适应律,保证了闭环系统误差信号一致最终有界.仿真结果表明对于两类不同的`飞艇模型,所设计的控制器在响应性及对未知环境风速作用的鲁棒性方面均具有良好的效果.
作 者：刘其睿 李勇 LIU Qirui LI Yong 作者单位：刘其睿,LIU Qirui(北京控制工程研究所,北京100190;空间智能控制技术国家级)
李勇,LI Yong(中国空间技术研究院研究发展中心,北京,100094)
网络接入控制将退出市场 篇6
使用瘦客户机能减少二氧化碳排放
英国的科学家称，如能用瘦客户机代替PC机，整个英国的商界一年能节省1.54亿美元的电费，减少49.5万吨的二氧化碳排放。这里面包含了服务器的耗电，他们是按每20用户有一部服务器计算的。工作时，一台瘦客户机的耗电为40至50W，而一台PC机平均耗电85W，所以使用瘦客户机能节省50％的电力。按一天8小时、一年220天计算，每个桌面能减少50kg的二氧化碳排放。如果考虑使用瘦客户机还能减轻空调等系统的负担，实际省电的效果更好，减少更多的二氧化碳排放。科学家称，减少二氧化碳的排放没有什么灵丹妙药，要靠所有地球人的自觉。这里节省0.5％、那里节省0.25％，总的下来，就能减少大量的温室气体排放，保护我们自己的家园。
复杂性正在扼杀IT
IT变得越来越复杂，没有一个人能完整地描绘出一个单位的IT系统。随着发展和形势的变化，需要的硬件、软件、应用不断增加，IT系统逐步变得越来越复杂，如有一家银行现有3万台服务器和20万台PC机。同时，不同部门的人都从他们各自的立场出发处理问题，也使问题变得更复杂。已有的解决方案和开发工具没有得到充分使用，使问题一而再、再而三地发生，增加了IT系统的复杂性，处理这些问题的难度也越来越高。随着IT系统越来越复杂，它们的脆弱性也在不断增加，有一天可能会使IT系统崩溃。为此，在最近召开的IBM复杂性会议上，有专家提出，我们需要一種能回答合理要求的对付复杂性的方法，加上良好的软件习惯，也许能减缓IT复杂性。
iPod播放器对公司的安全是个威胁
基于神经网络的模糊控制 篇7
自从1965年美国自动控制理论专家Zadeh LA提出用模糊集合描述客观世界中存在的不确定性信息以来, 模糊逻辑理论有了飞跃性的发展, 并得到了广泛的应用。模糊控制 (fuzzy control) 是以模糊集理论、模糊语言变量和模糊控制逻辑推理为基础的一种智能控制方法, 从行为上模拟人的思维方式, 对难建模的对象实施模糊推理和决策的一种控制方法, 实际上是一种非线性控制。模糊控制作为智能领域中最具有实际意义的一种控制方法, 已经在工业控制领域、家用电器自动化领域和其他很多行业中解决了传统控制方法无法或者难以解决的问题, 取得了令人瞩目的成效, 引起了越来越多的控制理论研究人员和相关领域广大工程技术人员的极大兴趣[1]。但是在传统的模糊控制系统中, 控制规则的获取完全按照设计者和操作人员的经验进行。在某些系统中, 由于设计者和操作人员经验的局限性, 造成了模糊控制器的设计无法保证最优和次优的控制性能。而神经网络具有自适应的学习能力, 能通过训练学习给定的经验, 并由此生成模糊控制规则。因此, 在控制应用中, 再不必进行复杂的规则搜索和推理, 只需要通过高速并行的分布计算就可以产生输出结果[2]。
1 神经网络模糊控制的结构及特征
传统的模糊控制器的结构如图1所示[3]。
植入了神经网络的模糊控制器的结构如图2所示。
这种植入了神经网络的模糊控制器的控制规则为:如果E=Ai, dE=Ai, 那么U=Ci。其中E和dE为两个输入变量, 分别对应着神经网络的两个输入结点;U为输出变量, 对应着神经网络的所有输出结点。
神经模糊控制器的特征作者以BP网络为例, 设有一个单隐层多层前馈BP网络。设Xk=[x0k, x1k, …, xnk] (x0k=1) 为网络的第k个输入的样本, 则第j个隐含层神经元的输出Zjk可表示为:
其中, wij为第i个输入神经元和第j个隐层神经元之间的连接权值, φ为S型函数。
为了训练网络, 建立模糊关系, 需要借助数值样本来描述输入/输出模糊子集。假定两个输入A和B, 一个输出变量C, 都是由图3所示的模糊子集来定义的。
模糊规则如表1所示。
网络输入空间对应于变量A, B, 被划分为两个部分。由于网络的每个单元都对应着输入变量的某个模糊子集, 因此每个变量都有7个输入单元和7个模糊子集相对应[2]。
2 神经网络模糊控制器应用实例
由于引入了神经网络的模糊控制器具有很强的自适应性, 所以比起传统的模糊控制器其可以应用于更多的领域, 如家电领域的洗衣机, 电冰箱里的模糊控制, 医学领域的小脑关节模型控制器, 如通信领域的自适应噪声消除等等。
本文以简单的仓库温度调节系统为例, 以Matlab为基础对此系统进行建模仿真。
仓库温度调节系统的主要被控参量为温度调节度, 而影响这一输出参量的主要因子是仓库存储物的种类和通风。因此仓库存储种类和通风可以作为控制系统的输入, 而温度调节度可作为控制量, 即作为输出。其输入为存储物种类和通风, 输出为温度调节度。假设室外温度为22°恒温。考虑到适当的控制性能需要和简化程序, 定义输入量存储物种类的模糊词集{需要20°～25°恒温, 需要15°～20°恒温, 需要4°～15°恒温}, 定义通风的模糊词集{小, 中, 大}, 定义输出量温度调节度的模糊词集{较大调节, 适度调节, 基本不需要调节}。其控制器的控制框图如图4所示。
仓库温度调节系统模糊控制的输入和输出变量的隶属函数如图5所示, 由此可确定它们的模糊子集。
仓库温度调节系统的模糊控制规则可以归纳为9条, 如表2所示 (假设室外温度为22°恒温) 。
由Matlab编程得出其训练结果及其训练误差曲线如图6所示。
由图可知, 其网络最大误差不超过0.2, 说明网络性能可以满足控制要求。且网络经过244次训练达到要求。
3 结束语
对神经模糊控制的结构及特征作了简要的概述, 并对其在仓库温度调节系统中的应用进行了分析论证。
参考文献
[1]葛新成, 胡永霞.模糊控制的现状与发展综述[Z].2008.
[2]葛哲学, 孙志强.神经网络理论与matlab2007实现[M].电子工业出版社, 2005.
神经元网络控制 篇8
人们试图用物理器件或计算机模拟人脑, 以便用机器代替人脑的部分劳动。迄今为止, 人们已提出几百种人工神经元模型。
最典型的人工神经元模型。人工神经元可看成是生物神经元的结构与功能的模拟与近似。这种神经元模型的输入输出关系 (数学表达式) 为:
其中θj称为阈值, wji称为连接权系数, f (·) 称为输出变换函数。
一般说来, 不同的应用场合采用不同的变换函数。图3.3表示了在自动化领域常用的几种变换函数。
(1) 线性函数 (比例函数)
(2) 符号函数 (硬限幅函数)
(3) Sigmoid函数 (S型函数)
曲线的曲率可以通过改变μ值的大小来调整。
2、人工神经网络
人工神经网络用许多人工神经元按某种结构连接构成的, 是人脑神经网络的某种简化、抽象和模拟。
影响人工神经网络的特性与能力的几个主要因素是:人工神经元模型及其变换函数、网络的拓扑结构、学习方法等。
人工神经网络的典型结构主要有:前馈型网络 (例如BP网络) 、反馈型网络 (例如Hopfield网络) 、互连网络。
3、人工神经网络的学习方法
3.1 人工神经网络连接权的确定方法
主要有如下二种:直接计算;通过学习。学习方法是人工神经网络研究中的核心问题, 学习方法归根结底就是网络连接权的调整方法。
3.2 几种基本的规则
(1) Hebb学习规则;根据生理学中条件反射机理, 如果两个神经元同时兴奋 (即同时被激活) , 则它们之间的突触连接被加强。
连接权调整量的表达式为:
其中:wji为神经元i到神经元j的连接权;yj和yi分别为神经元j和神经元i的输出 (激活值) ;η为学习速率。
(2) δ学习规则;δ学习规则利用已知样本对神经元之间的连接权和阈值进行学习和调整, 这种方法又称为误差校正规则。这种学习规则实质上是一种梯度方法, 这里的样本相当于“教师”, 所以这是一个有监督的学习问题。
连接权的调整量为:
其中:wji为神经元i到神经元j的连接权;
yi为神经元i的输出, 即神经元j的输入;
Yj-yj为误差, 即网络期望输出Yj与实际输出yj之差;F (·) 所表示的函数关系应根据具体情况而定。
3.3 人工神经网络的主要研究课题
网络的基本特性、结构以及快速学习算法等;网络的工程应用;网络的硬件实现。
3.4 人工神经网络在控制工程中的应用
(1) 基于神经网络的系统辩识, 实质上是选择一个适当的网络模型来逼近实际系统, 可用于非线性系统的辨识。
(2) 系统控制, 主要针对系统的非线性与不确定性。
第一、具有不确定性和时变性 (包括环境) 的非线性系统的自适应控制问题, 可单独应用人工神经元网络。例如:单神经元自学习控制器。
第二、融合多种智能技术的智能控制系统, 可将神经网络与专家控制、模糊控制相结合。例如, 模糊神经网络控制。
第三、基于常规控制算法的神经网络控制, 可将神经网络与常规控制算法相结合。例如, 神经网络预测控制。
(3) 控制系统的故障诊断与容错控制。
4、优化计算
神经元控制系统是一种能在其运行过程中逐步获得被控对象及其环境的未知信息, 积累经验, 并在一定的评价标准下进行估计、分类、决策, 从而使系统品质逐步改善的自动控制系统。通过本文的讲解学习控制通过对被控对象及其环境的未知信息来估计和逐步改善而导致系统品质的逐步改善。
参考文献
[1]孙增圻等编著.智能控制理论与技术.清华大学出版社, 1997年.
[2]蔡自兴, 徐光佑.人工智能及其应用.清华大学出版社, 2000年.
[3]邵军力等编著.人工智能基础.电子工业出版社, 2000年.
神经网络控制 篇9
目前, 温室农业已经成为维持民计民生的重要部分, 提高温室大棚的生产水平是确保人民基本生活的重要途经。作物的生长状况要求温室设施对作物生长环境的各种因子 (包括温度、光照、湿度、CO2浓度和施肥等) 进行精细控制, 以此来提高温室作物的产量和品质。传统的温室温度控制采用典型PID控制算法, 该算法在最小模型假设的前提下, 采用一定PID参数整定方法得到常规控制算法。但是这种方法有一定的局限:若系统参数是时变的, 控制性能将严重变坏, 控制有较大滞后。可见, 常规PID控制不尽如人意, 因此必须采用改进措施来改善其控制效果。神经网络具有自适应和自学习能力, 利用神经网络对传统PID控制器进行改造后, PID控制系统的控制效果变好, 且参数实现在线整定。本文采用BP人工神经网络对PID控制进行改进, 构成温度控制系统, 通过控制热风机来达到恒定室内温度的目的。
1 智能温度控制系统
智能温室控制系统应用现代计算机自控技术和智能传感技术等, 采用先进的传感器对室内的参数 (温度、湿度、CO2、土壤水分、光照和水流量等) 进行实时检测, 并采用中央控制系统, 使温室内的环境接近人工理想值, 以满足温室作物生长发育的需求。系统由检测系统、控制系统和中央控制室等3大部分组成, 见图1所示。
1.1 检测系统
检测系统都是采用与要检测的物理量相对应的传感器完成物理量检测, 包括温度检测、湿度检测、土壤水分检测、灌溉水流量检测、CO2浓度检测以及光照检测。
1.2 控制系统
控制分机 (下位机) 接受中央控制系统 (上位机) 的指令, 通过一定的控制算法对执行机构进行适当操作, 完成对控制系统多个物理量的控制操作。
1) 升降温控制。
通常温度控制是采用改变太阳光照来完成, 也可采用强制改变温度的措施, 使用暖气或加热炉完成温室加温。降温方式一般有通风降温和加湿降温两种, 采用的设备分别为通风降温设备和降温加湿设备。
2) 加湿与排湿控制。
湿度控制主要采用加湿设备和大风机等来完成。
3) 补充CO2控制。
其补充方式主要有钢瓶CO2、燃烧法产生CO2设备、化学反应法和有机物分解法。
4) 补光与遮光控制。
补光主要采用日光灯、生物效应灯和农用钠灯来完成。
5) 灌溉流量控制。
灌溉流量控制主要由灌溉阀和喷头完成。
任何变量的控制都是由下位机 (MCU) 作为控制核心, 完成对执行结构 (各种设备) 的控制, 进而控制温室被控参数改变的过程。
1.3 中央控制系统
智能控制系统的中央控制系统一般都运行有针对温室作物生长的专家系统。该系统主要完成的任务:一是设备管理 (运行状态及参数控制) ;二是人机交互功能, 控制人员可以通过专家系统的人机交互界面完成人机交互。
1.4 温度控制子系统
在智能控制系统中, 温度变量是多个被控变量之一, 是个典型的数字控制系统, 其结构如图2所示。本文以温度变量的控制为例, 介绍基于BPNN的PID控制在温室控制系统中具体应用。控制要使室内温度不随室外温度变化而变化, 始终维持在作物当前生长需要的恒定温度下。环境中的实际温度值通过传感器反馈给控制器 (控制分机) , 一般为微处理器。控制器根据设定值和测量值输出调节量, 送给温度调节装置 (热风机) 一个信号, 通过该执行元件实现温湿度的调节控制, 从而保持温室内作物适宜的温湿度。
2 BP网络控制器结构
经典PID控制要取得较好的控制效果, 就必须通过一定的参数整定方法得到比例、积分、微分环节的系数, 形成控制量既相互配合又相互制约的关系。这种关系并非简单的线性组合, 而是从无数非线性组合中找出的一组使PID算法控制效果最佳的组合。因此, 本文利用神经网络所具有的任意非线性表达能力, 将最优参数选择任务交给BP网络完成, 建立参数自学习的PID控制器。控制器结构见图3所示。
这个控制器包含两部分内容:一是经典PID控制器, 直接实现对控制对象的闭环控制, 并且3个参数kP, kI和kD为在线调整方式。二是神经网络部分, 根据系统的运行状态完成PID控制器的参数整定, 以期望达到某种性能指标的最优化, 使输出层神经元输出状态对应于PID控制器的3个可调参数kP, kI和kD。通过神经网络自学习与加权系数调整, 使神经网络输出对应于某种最优控制下的PID控制器参数。
2.1 数字PID控制算法
数字PID表达形式有多种, 本文仅给出增量式数字PID控制算法, 即
式中, kP, kI, kD分别为比例、积分和微分系数。
传统的数字PID控制器参数的选择方法有两种:一是理论计算法整定, 这种方法计算麻烦, 计算出的数据未必能直接用, 还必须通过工程实际进行调整和修改;二是工程整定法, 主要依赖工程设计在现场调试时最后确定。这些方法都依赖于现场调试, 整定过程繁杂, 付出的代价较高。
本文比例、积分和微分系数依赖于BP网络状态, 它们的变化直接影响系统的运行情况。因此, 控制问题的重点变成如何得到最优的kP, kI和kD组合, 以使系统运行在最优状态。
2.2 BP神经网络PID控制算法
基于BP神经网络的PID控制算法[2]是采用了BP神经网络来实现kP, kI, kD参数整定的一种最优选择算法。一般来说, BP神经网络包含3层, 即输入层、隐含层和输出层, 其结构见图4所示。
有M个输入节点、T个隐含节点和3个输出节点。输入节点对应温室控制系统的运行状态量, 输出节点分别为PID算法的3个可调参数kP, kI和kD。本文也采用这种常用的3层BP网络模型[3,4], 神经网络的结构选择为3-4-3, 即输入层为3个神经元分别代表
隐含层4个神经元, 输出层3个神经元, 其输出为kP, kI和kD。
由神经网络的结构可以得出网络输入层的输入为
网络隐含层的输入为
undefined (4)
网络中隐含层神经元的激活函数为
undefined (5)
因此, 网络隐含层的输出为
Oundefined (k) =f (netundefined (k) ) (6)
输出层的输入为
undefined (7)
网络输出层神经元激活函数为Sigmoid函数, 即
undefined (8)
则输出层的输出为
通过分析网络, 满足性能指标函数小于一个较小值, 即
undefined (10)
采用梯度下降法修正网络的权系数, 可得到网络输出层的权值学习算法, 即
ωundefined (k) =α△ωundefined (k-1) +ηδ (3) lOundefined (k) (11)
其中, undefined;ϕl=Oundefined;undefined。
隐含层的权值学习算法为
ωundefined (k) =α△ωundefined (k-1) +ηδ (2) iOj (k) (12)
其中, undefined。因此, 对以上算法归纳如下:
1) 确定BP网络结构。本文采用3-4-3结构的BP神经网络, 初始权系数矩阵有两个, 分别是Wi (4*3) 和Wo (3*4) 。为了使网络训练结果达到最佳, 正弦输入和阶跃输入采用不同的初始权系数矩阵。选定学习速率η和惯性系数α。
2) 采用数字控制理论, 得到rin和yout及计算误差error;输入分别取正弦和阶跃序列, 序列以0.001为周期。
3) 根据式 (3) ～式 (9) 计算BPNN各层神经元的输入和输出, 最终输出PID控制器3个可调参数, 即kP, kI和kD。
4) 根据式 (1) , 计算PID控制器输出。
5) 根据式 (11) 和式 (12) 进行神经网络学习, 在线调整加权系数, 实现PID控制参数的自适应调整。
6) 使k=k+1, 返回到1) 。
3 温室控制系统MATLAB仿真
为了验证神经网络PID控制系统的性能, 必须要对系统进行仿真实验。本文该对简单温室温度控制系统进行数学建模[5], 得到传递函数为
undefined (13)
matlab将该函数描述为
sys=tf (num, den, ’inputdelay’, 1)
num=[2], den=[3.25, 4.25, 1].
采样时间ts=1s, 调用matlab函数c2d ( ) 将连续函数离散化, 即sysc=c2d (sys, 1) , 离散化结果为
undefined (14)
对该结果进行Z逆变换, 结果为
y (k) =1.103y (k-1) -0.270 4y (k-2) +0.203 3u (k-2) +0.131 6u (k-3) (15)
根据所述算法, 采用两种典型输入对系统仿真, 它们分别是阶跃输入和正弦输入。选定学习速率η=0.25和惯性系数α=0.05, 编写基于BP神经网络的PID控制器仿真程序。
另外, 考虑到实际应用中控制变量因受执行元件机械和物理性能的约束而限制的有限范围内, 即umin≤u≤umax。本文在编程过程中, 采用饱和抑制措施, 使其变化率也有一定的限制范围, 即|u|≤umax。
图5为系统正弦输入、响应及误差曲线, 从图5能够看出响应的起始阶段误差值较大, 但随着神经网络整定参数过程的进行, 误差在0.005～-0.005之间振荡。由此可知, BP神经网络的PID控制算法能够使系统参数很快选择为最优, 最终使误差到达最小, 使输出完全跟踪输入。
分析图6误差曲线可以看出, 响应过程分为3个阶段[6]:一是开始 (网络开始参数调整) 。此时误差较大, PID参数不能达到较优, 响应的超调振荡较大, 系统工作在振荡状态。二是中期 (网络逐步调整) 。此时误差较小, 响应曲线也有振荡但振荡较小, 系统运行较优, 但误差不能达到最小, 控制系统输出不能完全跟踪输入。三是末期 (参数调整完成, 参数检验) 。此时误差没有振荡, 值为0, 系统输出完全跟踪输入, 系统运行在最佳的稳定状态。
经过以上3个过程的分析可以看出, 基于该种算法的参数整定过程实际上就是神经网络的权系数优化过程及参数检验过程。反应在曲线上就是误差从很大到较大, 再逐渐为0的过程。又由于神经网络调节过程较快, 从而使阶跃响应调节时间短, 稳定速度快, 当达到最终稳定后误差基本为0, 系统被神经网络整定为最优。
为了验证神经网络PID算法对外来扰动的自适应能力, 本文设计在k=500到550采样时刻, 使阶跃输入信号出现一个方波扰动, 扰动值为0.3, 扰动信号的波形见图7中的rin所示。
当该扰动信号经过神经网络的PID算法后, 响应曲线见图7中的yout。从该曲线可以看出, 系统启动后, 算法完成参数整定过程, 但是当外部扰动出现后, 系统出现不平衡状态, 神经网络重新启动参数整定过程, 再次完成分析图6时出现的3个过程。
结合图6和图7可以看出, 基于BP神经网络的PID算法能够随着外部扰动或系统参数的变化自动调整PID控制参数。当在第500个采样时刻出现0.3的外部扰动时, PID算法能根据输入随之调整, 从而使外部干扰对系统的影响很小, 很快达到系统稳定。
4 结束语
从仿真结果可以看出, BP神经网络利用其本身较强的自学习能力, 能够很好地解决PID控制中的参数在线整定。整定过程即是神经网络的建立和神经网络建立后的参数检验过程。经整定后的PID参数在出现外部干扰信号时, 又会重新启动参数整定过程, 在线完成PID参数的调节, 从而可以随时保证温室温度始终为中央控制系统设定的值。
智能温室系统要完成的不只是温度控制, 该算法可以进一步应用到温室湿度、光照和CO2等环境参数的控制中, 从而使作物不同阶段的生长环境达到最佳状态。随着精准农业技术的发展, 算法的鲁棒性也可以进一步加强, 使其更好地应用到田间精准农业中。
摘要：以温度参数控制为例, 结合传统PID控制规律, 利用BP神经网络完成温室温度控制系统的PID控制系统设计。通过阐述基于BP神经网络的PID控制算法, 完成温度控制系统中的BP神经网络PID控制参数在线整定。采用MATLAB对基于BP网络的PID温度控制系统进行了仿真, 结果表明, PID控制算法能够实现控制参数的自适应调整, 使系统对输入的响应达到小误差。
关键词：智能温室控制系统,PID控制,BP神经网络,温度调节
参考文献
[1]罗鑫, 沈大中, 冯冬青.神经网络算法在暖通空调控制中的应用[J].微计算机信息, 2009 (1) :26-28.
[2]周开利, 康耀红.神经网络模型及其MATLAB仿真程序应用[M].北京:清华大学出版社, 2004:1-9.
[3]任安坤.基于BP神经网络的PID控制在反应釜温度控制中的应用[J].中国科技信息, 2010 (6) :26-28.
[4]张学燕, 高培金, 刘勇.BP神经网络PID控制器在工业控制系统中的研究与仿真[J].自动化技术与应用, 2010, 5 (29) :9-12.
[5]高磊.温室PID控制实验统的研究[D].天津:天津大学, 2008.
神经网络控制 篇10
目前,辊道窑已经发展成为新型快烧连续式的先进窑炉,如果要烧出优良合格的产品,对辊道窑的控制显得尤为关键。由于窑炉控制系统较为复杂,影响窑炉工况的因素有很多,例如,窑炉系统的非线性和时变性等等,传统的PID控制已无法满足当前的需求,而目前新型的神经网络控制器能够好的满足要求。
1 神经网络PID控制器
神经网络具有自学习和适应不确定系统的动态性能,有较好的容错性和鲁棒性,如将PID控制器与神经网络组合,可以处理一些较难用规则和模型描述的控制过程。
近年来,我国逐步将神经网络技术应用到陶瓷行业,解决一些复杂工况的控制,例如炉温控制。神经网络算法本身具有很强的非线性逼近任意函数功能,且结构简单,因此可以将神经网络和传统的PID控制结合建立新型神经网络PID控制器。通过BP神经网络的自学习功能,找到最佳的P、I、D控制参数,可进一步减少控制系统输出值与期望值之间的误差,以提高控制精度。BP神经网络PID控制器如图1所示。
2 设计辊道窑温度控制仿真系统
2.1 仿真系统界面
仿真系统在VB 6.0环境下开发,主要用来模拟仿真辊道窑生产中炉温的变化,从而实现辊道窑温度的监控,仿真界面如图2所示。此外,还可以通过本系统查看煤气燃烧情况、设定温度点的温度曲线和燃气阀门开度曲线。
2.2 仿真设计
仿真系统采用辊道窑运行1个月中温度和燃气流量等数据为研究对象进行仿真。
在运行过程中,采集辊道窑10个温度点进行监测,分别是预热带:25℃和570℃,烧成带:900℃、950℃、1000℃、1100℃、1200℃,冷却带:700℃、400℃和40℃,将采集的数据取平均值后做为辊道窑温度仿真系统的样本值。仿真过程首先使用10个温度点的样本值对训练神经网络,训练结束后开始采集温度信号,将其与温度设定值进行对比并计算e(k),控制器将偏差值e(k)作为输入量,经过计算输出到系统进行控制,并将结果转变成为温度值显示在仿真界面上,仿真程序框图如图3所示。
2.3 仿真结果及分析
仿真结果如图4所示,与图2中设定温度值对比,神经网络PID控制辊道窑温度接近设定值。此外,通过仿真系统查看烧成段中5个温度点对应的燃料状况、温度曲线和阀门开度曲线,结果如图5、6所示。
为验证该神经网络PID控制器的稳定性和抗干扰能力,在系统运行过程中加入一响应,如图7(a)所示,使炉内温度突然降低50℃,温度差变为-50℃,经神经网络PID控制后的结果如图7(b)所示,温差变小,燃体阀门相应变大。
从以上结果看,神经网络PID控制器可以更好地控制辊道窑温度,当控制系统受到突然变动时,系统可以更好地克服变动,使其温度趋于稳定。
3 电炉仿真实验
由于辊道窑是快烧式连续性窑炉,其温度控制是对整个窑炉温度进行控制,而在实验过程中是采集其中10个温度点控制,目前暂时无法在生产线上完成。因此在实验过程中使用电炉进行模拟,将电炉升温至采样点温度并趋于稳定,替代的辊道窑采样点温度,其波动可等效于辊道窑相应的温度波动。窑炉阀门开度大小控制可通过对电炉可控硅通断时间控制进行模拟。这样通过对电炉采用神经网络PID控制其温度来模拟对辊道窑温度控制的效果。
3.1 硬件设计
首先使用S型热电偶采集温度数据,采集信号放大后由模数转换成数字信号,然后通过总线传送给计算机进行处理,输出数据经采集卡的开关量控制可控硅的通断时间,最终用于控制炉温。硬件设计框架如图8所示。
3.2 软件设计
(1)控制界面设计
本次实验在VB 6.0环境下设计了三个界面,分别是:主控制界面,烧成曲线界面,开关量控制界面。分别如图9、10、11所示。
主控制界面是在预定的烧成曲线基础上实时绘制实际烧成曲线以及显示温度和P、I、D参数值;并将结果存储到计算机中。当控制效果较差时,也可以手动改变主控制界面的P、I、D值,达到手动、自动间的切换,使其控制效果更好。
烧成曲线输入界面是绘制设定的温度与时间关系曲线。
开关量控制界面是控制可控硅的通断。通断关系是以开关量占空比表示,当“开”时,开关输入量工作周期值>开关输入量“开”周期值,当“全开”时,开关输入量工作周期值=开关输入量“开”周期值;当“全关”时,输入开关工作周期值为0。
(2)程序设计及处理
在编程前需把S型热电偶采集的电势信号转变成温度,在此运用MATLAB将热电偶电势和温度拟合成一函数关系。
当温度≥200℃时采用3阶拟合函数
当温度<200℃时采用7阶拟合函数
其中T—热电偶检测温度,℃;
x—热电偶输出电势,mv。
(3)实验调试及结果分析
在调试和控制过程中,系统将根据采样周期自动储存温度和控制参数等值,并将实时绘制的温度曲线和设定烧成曲线进行比较。图12、13分别为神经网络PID控制器在1000℃和常规PID控制器在570℃设定曲线与实际烧成曲线的比较结果。
从对比结果可以看出,采用神经网络PID控制器的实际烧成曲线更好地接近设定烧成曲线,以实现温度的自动控制。仔细从图13中可以看出炉内温度控制前期是相对稳定的,后期出现了较大的波动。经过对实验数据和曲线在分析,得出原因是:1、电炉的体积较小,炉内和炉外之间传热属于非稳态传热,使得炉温度出现波动;2、可能是由于热电偶受到外界干扰。在今后的实验中可以通过软、硬件加入滤波程序或增加滤波器来消除干扰加以改进。
5 结论
(1)通过辊道窑控制系统仿真,神经网络PID控制器更佳适合较为复杂的控制系统,可以提高系统控制精度。另外,当有突然干扰时,系统能很好的克服扰动,保持系统的稳定。
(2)电炉实验结果表明:控制程序运行稳定,对电炉温度实时监测,实时烧成曲线能较好地跟踪给定的温度,温度控制效果达到了预期的目的。
摘要：在深入分析辊道窑特点及其热工过程的基础上,运用新型智能神经网络PID控制器设计开发了“基于神经网络PID控制器的辊道窑温度控制仿真系统”,通过对辊道窑温度控制仿真和电炉模拟实验,证明设计开发的PID控制器是可行的。
关键词：辊道窑,温度控制,神经网络,PID控制器
参考文献
[1]蒋鉴华,刘海芳胡国林陈功备.应用AI人工智能调节器对梭式窑温度控制的探索.中国陶瓷,2005.10
[2]董宏丽.神经网络PID控制系统的研究[硕士论文].大庆石油学院,2003
[3]曾令可,张明,王慧,罗民华.陶瓷辊道窑宽断面需解决的问题.中国陶瓷工业.2002.2
[4]谢立春.基于改进BP神经网络算法的PID控制器应用研究[硕士论文].浙江:浙江工业大学.2006
神经网络控制 篇11
【关键词】 网络环境；初中生；网络成瘾；心理控制
网络成瘾属于一种类似于赌博的强迫行为，是指在没有成瘾的物质条件下，人们产生的一种失控的上网冲动现象。目前，快速发展的互联网影响到了人们的心理，产生了一种新的心理问题——网络成瘾。尤其是对青少年的心理健康具有很大的危害。在当今，教育界、心理学界、以及社会各个阶层中都非常关注青少年的心理健康问题。
一、初中生网络成瘾的特征
网络成瘾对人的身心健康和学习生活造成了很大的危害。这些年来，初中生由于沉溺于网络，发生了很多辍学、猝死甚至自杀的事件。初中阶段具有人生奠基的意义，是网络成瘾问题的高发阶段，因此社会各界非常关注初中生网络成瘾的问题。按照我国颁布的《网络成瘾诊断标准》中的规定，初中生网络成瘾主要有以下几个特征：①初中生沉迷于网络关系成瘾中，通过一些即时性的聊天工具、网站等等进行人际交流，浪费掉了很多的时间，沉迷于其中不能自拔。②初中生很容易对网络上各种互动升级游戏成瘾，将大量的时间投入到网络游戏中，每天都魂不守舍，无法上课学习，想尽办法上网游戏。③由于初中生好奇心理作祟，他们通过一些游览网上一些色情文字、动画以及电影等等吗，很容易对网上一些色情成瘾，难以控制上网的时间。④由于初中生的心智还处于发育阶段中，分不清各类信息的好和坏，因此，有的初中生，无法抑制从网上下载各类信息，造成了网络信息成瘾，强迫性的从网上收集一些暂时不需要地信息，并且进行传播或者堆积。
二、初中生在网络环境下网络成瘾的现状分析
1.初中生网络成瘾的现状。根据相关资料显示，在重庆市随机抽取的258名年龄在15.45岁地初中生中，就有8名被评估出具有网络成瘾的问题，检出率为3.1%。有22.1%的学生在逃避问题或者环节不良情绪的时候去上网。30.6%的学生感觉上网的时间要比计划的时间要长很多，20.9%的学生为了减少上网的时间，或者停止上网，经过很多次的努力控制，但是不能成功。11.2%的学生认为上网丧失了受教育的机会，妨碍了重要的人际关系，5.9%的学生对上网产生了依赖，一心只想着上网。在初中生中，男生的网络成瘾率要比女生高很多，存在着性别上的差异。在年龄上，初一的学生网络成瘾率要低于初二、初三的学生，尤其是初二阶段中的初中生，网络成瘾的学生要比其他两个时期高很多，因此，对于这个时期中的初中生要合理的科学的引导上网，对他们实施教育。
2.初中生上网成瘾的条件比较。首先，根据相关资料显示，89.34%的初中生喜欢自己在家里上网，10.66%的初中生在外面的网吧上网。初中生在网吧上网的成瘾率要比自己在家里上网的高处很多。在自己家上网的网络成瘾率在5.20%左右，而在外面网吧上网的初中生网络成瘾率在26.15%左右。其次，目前，随着留守青少年的不断增多，留守青少年的心理健康问题也引起了社会各界的关注。根据相关调查的资料显示，城市中，留守的初中生网络成瘾，要比非留守的初中生高很多。留守的青少年网络成瘾率在14.07%左右，而非留守的青少年在5.40%左右。总之，在外面网吧上网的初中生网络成瘾率要比自己在家里上网的初中生网络成瘾率高，留守的初中生网络成瘾率要比非留守的初中生网络成瘾率高很多。
三、网络环境下初中生网络成瘾心理控制的建议措施
网络成瘾会给初中生的身心健康造成严重的危害，初中生过度使用网络会影响他们的正常生活和学习。因此，学校、教师、家长以及社会要有效地对初中生网络成瘾的问题进行干涉，并采取有效地措施敢于初中生网络成瘾的不良行为。
1.目前，网络已经成了人们生活中不可缺少的部分。而初中阶段是青少年形成个体世界观、价值观、人生观的重要时期。网络会影响到初中生的人生观、世界观以及价值观的形成，为了保证初中生的健康成长，学校、家庭和社会各界就要针对初中生的网络成瘾，进行干预和防范，合理的教育青少年，引导他们正确的上网，规范初中生网络的使用效率，加强青少年的网络文明行为。
2.初中生的心理控制源是一个发生和发展的过程，不是天生经过遗传而来的。可见预防初中生网络成瘾要训练初中生的心理控制，增强防范和干预初中生网络成瘾的心理行为，通过训练初中生的心理控制源，改变其个人的行为取向。目前，大多数的初中生能够采用积极地应对方式，约束自己，防范网络成瘾，但是在遇到问题和困难的时候，仍旧有部分初中生试图网络、休息等方式，想把问题和烦恼暂时的抛开，因此，通过自己安慰自己的校际应对方式，来处理自己预见的问题和困难，由此，充分的说明了初中生要进一步的提高自己健康的应对方式，寻找一个更好的途径来解决自己的问题和困难，从而避免自己网络成瘾。
综上所述，初中生的网络成瘾，主要是一种自我控制力很差，调节能力差的缺失，他们缺自我约束的能力。家长、学校、教师以及社会各界要充分的做好初中生网络使用的心理疏导工作，积极地组织学生参加社会实践活动，使青春期的初中生身心健康得到良性的发展，预防学生具有网络成瘾的倾向，加强网络道德教育，加强网络信息监控和管理，加强教育网络科学化的建设，为了减少不良的应对方式，为了避免消极的态度，要鼓励和教育初中生利用积极地应对方式处理问题，从而避免初中生网络成瘾的倾向。
【参考文献】
[1]高代林，杨曦.初中生网络成瘾与家庭功能的关系研究[J]. 北方药学. 2011（07）
[2]冯如，王希华.福建省中学生网络成瘾与心理健康关系研究[J]. 南昌高专学报. 2011（01）
基于神经网络的交流电机控制 篇12
1.1 神经网络
神经网络 (Neural Network) 是人工神经网络的简称, 它是对人脑神经网络的结构、功能和特性进行理论抽象、简化和模拟后构成的一种信息处理系统。因此, 神经网络是一种信息处理系统, 它是由大量的“神经元” (神经网络中的子节点) 通过非常丰富且复杂的连接构成的自适应非线性动态系统。神经网络特有的非线性自适应信息处理能力使其在信息分布存储、并行处理、模式识别、智能控制、组合优化、预测等领域被广泛应用。近年来, 神经网络在电机学领域也受到了重视, 并在交流电机控制应用中快速发展。
1.2 无刷直流电机
随着电子技术的迅速发展, 无刷直流电机应运而生。它是一种直接使用电子换向器的新型电机, 是由永磁材料制造的转子、带有圈绕组的电子和位置传感器 (可有可无) 组成的。无刷直流电机的定子是由许多硅钢片经过叠压和轴向冲压而成的, 每个冲槽内都有一定的线圈组成了绕组。与三相异步电动机的绕组结构类似, 它的绕组结构采用的也是常见的对称星形接法。通常情况下, 无刷直流电动机的转子由2~8对永磁体按照N极和S极交替排列在转子四周的。在实际操作中, 操作者为了能够及时检测无刷电动机转子的极性, 通常会在电动机内部装配一个位置传感器。
2 无刷直流电机的控制特性
2.1 调速控制
与一般有刷直流电机的运行原理类似, 在实际操作中, 操作者只简单地改变无刷直流电机的输入电压和励磁电流的大小 (强弱) 就可以对它进行非常自由的调速。调速的空间幅度是由无刷电动机实际速度的最低、最高值决定的。由于无刷直流电机的转子上粘有永磁体, 所以, 它的励磁一般是固定不变的。也就是说, 操作者在实际操作时不能通过改变无刷直流电机的输出电压来对它进行调整, 只能通过改变输入电压达到调速的目的。由此可知, 无刷直流电机控制远比有刷直流电机灵活、简便得多。
2.2 转矩控制
一般情况下, 操作者是通过改变无刷直流电机的电流方向获得稳定、持续的转矩。这个改变的过程是非常迅速的。由于无刷直流电机的内部装配有位置传感器, 当改变它的电流方向时, 位置传感器会第一时间“发现”, 并做出回应——向操作者发出转子位置信号。当然, 操作者还可以检测无刷直流电机的定子绕组的三相端电压大小、振荡幅度来检测转子位置信号。这种检测方法不仅简化了无刷直流电机的系统结构, 还提高了系统运行的准确性和可靠性。同时, 这种控制方式有效避免了无刷直流电机位置传感器在高温、冷冻和有腐蚀性物质等非正常环境下发生的硬件损伤。
3 基于神经网络的无刷直流电机控制
3.1 控制原理
以离线训练中速度控制为例, 在无刷直流电机速度控制系统中, 转子位置直接决定了逆变器功率器件的导通顺序和实践情况。操作者通过对RBF网络 (全称为“径向基函数网络”, 一个具有3层结构的前向网络) 进行离线、在线训练, 可以获取无刷直流电机电子电压、绕组电流等在导通状态下的非线性映射 (Non-Linear Mapping) 。随后, 操作者通过这些非线性映射可以控制无刷直流电机的绕组电流。
操作者对RBF网络进行离线训练, 可以使它在不同转速和转矩下产生优化电流波形, 进而获得训练样本。由于无刷直流电机是一种永磁同步电机, 它受电机参数、负载变化的影响比较大。如果忽视这个问题, 操作者实施离线训练就无法得精确的数据。为此, 绝大多数操作者在对RBF网络进行离线训练时, 所采用的训练样本大多来自实验数据。这样做, 能保证离线训练得到RBF网络更接近无刷直流电机的实际运行状态。
操作者获得训练样本后, 可以按照自适应训练算法对RBF网络进行离线训练。在自适应训练算法的选择方面, 操作者可以选择径向小波基神经网络的自适应训练算法、映射数据库的摄动法与遗传算法等。但是, 无论选择何种算法, 都要进行有效性验证。一般来说, 操作者可利用计算机中的MATLAB实现。MATLAB是一种强大的数学软件, 它的基本数据单位是矩阵, 指令表达式与工程、数学中常用的形式类似。
训练完成后, 操作者可以确定RBF网络隐层单元数和位置信息等, 进而获取RBF网络的初始结构。
3.2 控制要点
通常情况下, 操作者利用神经网路原理控制无刷直流电机的速度时, 可以直接利用文中提到的自适应训练算法, 以轻松地达到控制目的。在这一过程中, 操作者没有必要把太多的时间和精力投入到计算无刷直流电机系统的各项具体参数上, 即使获取了相关参数, 对于实际速度的控制也起不到很大的作用。
在实际控制过程中, 操作者习惯用小波变换的方法提高神经网络对无刷直流电机的控制效果。因此, 操作者可以有效利用小波变换的多分辨率特性 (也称为“多尺度特性”) 。在控制过程中, 操作者可以由粗到细地观察无刷直流电机位置传感器的位置信号, 准确把握瞬时发出的位置信号, 分析信号产生的时间点和时长。
神经网络具有很强的自学适应能力, 操作者应当发挥它的这一特性解决无刷直流电机单闭环系统动态过程中的转矩控制问题, 进而使电机构成转速、电流双闭环调速系统。
在在线状态下, 神经网络能够自主学习各种控制标准、先进算法、函数与模型等。这对操作者利用它控制无刷直流电机是非常有利的。因此, 操作者应当尽可能地让无刷直流电机中的神经网络处于在线状态。
参考文献
[1]王富春.基于神经网络的无刷直流电机自适应控制[J].煤矿开采, 2014 (z1) .
[2]夏长亮, 王娟, 史婷娜, 等.杨荣基于自适应径向基函数神经网络的无刷直流电机直接电流控制[J].中国电机工程学报, 2003 (06) .