1。3。2 单神经元结构的 PID 控制器 3

1。4  本文的主要任务及研究内容 4

1。4。1 分析了传统控制的局限性 4

1。4。2 分析了神经网络应用于控制中的不足之处 4

1。4。3 分析了传统 PID 控制的特点及其改进方法的研究现状 5

第二章 神经网络 6

2。1  神经网络的基本概念 6

2。1。1 时空整合功能 6

2。1。2 动态极化性 6

2。1。3 兴奋与抑制状态 6

2。1。4 结构的可塑性 7

2。1。5 脉冲与电位信号的转换 7

2。1。6 突触延期和不应期 7

2。1。7 学习、遗忘和疲劳 7

2。2  人工神经元模型 7

2。3  神经网络的结构 9

2。3。1 前馈型网络 9

2。3。2  反馈型网络 10

2。4  神经网络的工作方式 11

2。5  神经网络的学习 11

2。5。1  学习方式 11

2。5。2  学习算法 11

2。5。3  学习与自适应 12

第三章 PID 控制器 13

3。1  传统控制理论的局限性 13

3。1。1  不适用于不确定性系统的控制 13

3。1。2  不适应非线性系统的控制 13

3。1。4  不适应多变量系统的控制 13

3。2  PID 控制概述 14

3。3  PID 控制的原理和特点 15

3。4  PID 控制的预置和参数整定 16

3。4。1  比例增益 16

3。4。2  积分时间 16

3。4。3  微分时间 16

3。5 PID 参数的调整原则 16

3。6 使用 PID 控制器时应注意问题 17

3。7 PID 控制的意义及其应用 17

第四章 神经网络自学习 PID 控制器 19

4。1 神经网络控制器 19

4。2 学习样品的选取和处理 20

4。3 误差反向传播（BP）神经网络 21

4。3。1  BP 网络 21

4。3。2  BP 神经网络的前向计算