当前位置：文档库 › 一种改进型DRNN神经网络自学习PID控制

一种改进型DRNN神经网络自学习PID控制

龙源期刊网 https://www.wendangku.net/doc/0814819525.html,

作者：刘甘霖沈玲左是

来源：《湖北工业职业技术学院学报》2016年第06期

摘要：本文针对多变量耦合系统，采用DRNN神经网络对PID控制器参数进行自学习，提出了将学习因子在学习过程中进行动态调整，与传统DRNN神经网络自学习PID控制整定结果进行比较，使用matlab进行仿真，仿真结果表明，学习因子动态调整后的参数结果在超

调量、调节时间、稳态性能上明显优于传统DRNN算法。

关键词： DRNN；收敛；学习速率；matlab；仿真

中图分类号： TP183 文献标识码： A 文章编号： 2095-8153（2016）06-0104-04

在工业被控对象中，具有多变量强耦合特性的较多，对其进行控制必须采取一定的解耦措施，否则难以取得满意的控制效果，现代控制理论提供的一般方法是需要知道被控对象的相关参数，进行解耦再设计控制器[1][2]。其控制器设计方法较复杂，而且依赖被控对象精确的数学模型，在实际现场中很难获得。

本文采用一种优化学习速率的对角递归神经网络（DRNN）对多变量耦合系统进行动态辨识，学习算法采用梯度下降法，在传统DRNN算法的网络学习过程中对学习速率？浊I、？浊D、？浊O进行动态调整，使得比传统算法具有更快的收敛速度。由DRNN获得敏感信息？

坠y/？坠u可以在线调整PID控制器参数，从而利用传统的PID控制器输出控制量到被控对象，并完成系统的解耦与控制工作。使用matlab对其进行仿真，仿真结果表明对学习速率进

行动态调整后PID参数调整时间有所降低，使系统的动态性能有所加强。

1 对角神经网络（DRNN）及其算法改进

1.1 DRNN基本结构

DRNN是在部分递归网络Elman网的基础上，将隐含层权值矩阵WD进一步简化为对角

矩阵，即隐含层的每一个神经元仅接受自己输出反馈，而与其他神经元无反馈连接。DRNN的模型结构如图1所示。

在DRNN神经网络中，设I=[I1，I2，…In]为网络输入向量，Ii（k）为输入层第i个神经元的输入，网络回归层第j个神经元的输出为Xj（k），Sj（k）为第j个回归神经元输入总和，f（*）为S函数，O（k）为DRNN网络的输出。DRNN神经网络算法为：