第五章 仿真实例 26

结 语 30

致 谢 31

参考文献 32

附 录 33

第一章 绪论

从上世纪四十年代以来，经典控制理论进入了飞速发展的时期。并且形成了比较 完整且详细的理论体系。在这段时间，其身影频频出现在人们的日常生活中，尤其是 在工业生产中。在最近的半个世纪以来，为了解决军事、航天、工业系统等领域中复 杂的控制问题，控制理论以日新月异的速度飞快的发展起来，先后经过了现代控制理 论以及大系统理论这两个重要的发展阶段【1】。然而，这些理论的应用十分的依赖被控 对象的精确数学模型且在具体的运用中要考虑实用性，这就使它们的应用范）受到了 很大的限制。不论是采用现代控制理论还是大系统控制理论来设计控制系统，如果要 对其进行分析以及综合设计，我们就需要有一个高度精确的数学模型。随着科技水平 不断提高和生产力的不断发展，越来越多的被控对象具有非线性、多变及不稳定等特 性，它们精确的数学模型往往非常复杂或难以获得。因此，高度依赖被控对象的准确 数学模型的控制理论的局限性也日益突出）。为了更好的适应时代的发展以及控制技 术的要求，需要研究能够对复杂的、无法获得精确数学模型的受控对象取得较好控制 效果的控制算法。另一方面，PID 控制由于具有鲁棒性比较好、计算简便且可靠性高 等重要优点，使其在多数过程与运动的控制系统中得到了良好且大范围的使用。然而， 由于传统的 PID 控制对复杂的被控对象仍然难以达到理想的控制效果，且在实际应用 中需要对控制器的参数进行整定，以达到最优的控制效果，在实践中经常出现由于参 数不易确定而导致控制效果不够理想的情况。不仅如此，当被控对象自身发生变化时， PID 控制器的控制效果也会因此而受到影响。针对 PID 控制的这些缺点，人们已经提 出一些改进措施，例如自校正 PID 控制、广义预测 PID 控制、模糊 PID 控制、基于专 家系统的 PID 控制以及智能 PID 控制等【2】。这些改进措施往往目标不同，并且依据的 理论也不同，但它们都需要解决 PID 控制器参数的确定与修改这一关键问题。随着神 经网络技术的飞速发展与其在实际中的应用范围不断扩大，目前已经有很多研究工作 试图将神经网络技术与传统的 PID 控制结合起来以改良传统的 PID 的缺点，目前这种 方法已取得了一定的效果。论文网

1。1 课题研究背景

神经网络和 PID 控制技术，都是最初起源于国外的思想和技术。神经网络的思想 最早由理论领域的研究者提出。自 1943 年提出的 M-P 模型开始，到之后将近二十年的时间，神经网络发展迎来第一次热潮，这一阶段也被称作是其发展的初期阶段。1957 年 Rosenblantt 提出了感知器（Perceptron）理论模型，1962 年 Widrow 提出了自适 应（Adaline）线性元件理论模型等等【3】。这几种模型及其算法丰富了神经网络系统 的理论。第二次热潮是在 1982 年，在这一年里，科学家在美国科学院的刊物上发表 著名的“Hopfield 模型理论”，顿时引起了各国科学家的关注，并试图将这一数学模 型应用在电子学或者光学的硬件中，这也成为了人工神经网络的研究重点之一。目前 的神经网络研究可分为三大方向。第一、探究人脑神经系统中的生物结构以及大脑机 制，这也是人们研究神经网络理论的最基本的原因。第二、应用微电子学或者光学器 件形成特殊功能网络，这个是与计算机科学领域密切相关的一个难题。第三、把神经 网络技术看作是处理一定范围内的难题的关键技术，这类难题一般无法用之前的方法 获得解决。 MATLAB神经网络自学习的PID控制算法研究(3):http://www.youerw.com/zidonghua/lunwen_95352.html