基于改进型BP神经网络的模型参考自适应控制系统

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于改进型BP神经网络的模型参考自适应控制系统范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器，组成新的模型参考神经网络自适应控制系统，利用改进型BP神经网络的优点弥补传统自适应方法的不足，使系统具有更强的鲁棒性，收敛更快，逼近精度更高的优点。仿真结果表明，该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。

【关键词】改进型BP型神经网络；模型参考；BP算法

引言

在现代化的工业生产中，随着生产率的不断提高，对产品质量品种提出了越来越高的要求，使得生产过程变得日益复杂，要在越来越复杂的动态系统及过程与环境高度不确定的情况下获得更好的的控制效果，这就使得控制面临新的挑战。

1、BP神经网络及其改进算法

1.1BP神经网络及传统BP算法存在的问题

BP神经网络是基于误差反向传播算法（BP算法）的多层前向神经网络，BP算法也已成为目前应用最为广泛的神经网络学习算法，其三层前馈神经网络拓扑结构如图1所示。

其中，网络响应函数为：（1）

BP算法按梯度下降的原则多次修改输入层至隐含层，隐含层至输出层的相应权值，直到满足精度要求或网络不收敛。众所周知，BP网络的学习过程是对一个高度非线性函数求全局最优问题，网络训练中存在两个比较典型的问题。一是收敛速度慢，二是容易陷入局部极小。对此已有很多学者提出了各种解决方案和修正算法，如累计误差校正算法、S函数输出限幅算法、结合遗传算法的优化权值算法等。

1.2传统BP算法的改进

BP算法存在的上述两个问题，其原因在本质上是相同的，都是由于网络的响应函数造成的。BP算法中每次调节网络权值的幅度均按与响应函数导数成正比进行，这样，在误差曲线平面较平坦处，网络误差大，偏导数值小，权值参数的调节幅度也较小，致使需多次调整才能降低误差曲面；而在误差曲面曲率较高处偏导数数值较大，权值参数调节的幅度也较大，致使在误差函数最小点附近发生过冲现象，产生振荡，难以收敛到最小点。现通过惯性校正方法及重新构造响应函数法来克服这两个问题。

1.2.1惯性校正法

分别对这些情况进行仿真，得到图3和图4所示的仿真结果，图3是基于传统的BP神经网络作为控制器而得出的波形图对比，图4是基于改进型bp神经网络作为控制器得出的波形图对比。

图3中的曲线为参考模型输出和改变参考模型参数时的波形输出对比.其中，波形幅值最小的是参考模型输出结果，改变系统模型的参数，输出基本上能够跟随系统输出，改变参数过大时，结果也可以在接受的范围之内.实验结果表明，当系统的数学模型和参考模型有较大差异时，采用传统BP神经网络而建立的自适应控制器，尽管利用这种控制策略可以获得比较满意的结果，但是，系统的稳定性较差，收敛性也比较慢些。

图4中的曲线也是参考模型输出和改变参考模型参数时的波形输出对比，其中，波形幅值最小的是参考模型输出结果，改变系统模型的参数，输出基本上跟随系统输出，改变参数过大时，结果仍然在接受的范围之内.实验结果表明，当系统的数学模型和参考模型有较大差异时，采用改进型BP神经网络而建立的自适应控制器，要比传统的BP神经网络而建立的自适应控制器具有更好的稳定性和更好的跟踪效果。

4、结论

借助BP神经网络的优点而建立的自适应控制器策略，不需被控对象的数学模型，只需对神经网络进行训练，然后利用训练结果进行控制系统设计。仿真结果可以看出，改进型BP网络结合自适应控制设计出的控制器，比传统的BP网络结合自适应控制设计出的控制器能够更好的跟踪被控对象.

参考文献

[1]李界家.基于BP神经网络的中央空调温度自适应控制系统[J].仪表技术与传感器，2007，12（16）：26：29.

[2]王赞松，许洪国.快速收敛的BP神经网络算法[J].吉林大学学报，2003，4（33）：12-18.