0.引言

PID控製是最早發展起來的控製策略之一，由於其算法簡單、魯棒性好及可靠性高，被廣泛應用於過程控製和運動控製中，尤其適用於可建立精確數學模型的確定性係統。然而實際工業生產過程往往具有非線性、時變不確定性，難以建立精確的數學模型，應用常規PID控製器不能達到理想的控製效果。計算機技術和人工神經網絡等智能控製理論的發展為複雜動態不確定係統的控製提供了新的途徑。采用人工神經網絡技術，可設計PID神經網絡和進行PID的智能整定，達到更好的控製效果。本章將在研究人工神經網絡和PID控製理論原理的基礎上，設計適合於定量包裝秤係統的神經PID控製網絡。
1.神經網絡原理
神經網絡簡介咖I1943年心理學家McCulloch和數理邏輯學家Pitts發表文章，總結了神經元的基本生理特性，提出了神經元的數學描述和網絡的結構方法，即M．P模型。該模型描述了一個簡單的人工神經元模型的活動是服從二值(興奮和抑製)變化的：當模型中的神經元處於興奮狀態時，其輸出為1；處於非興奮狀態時，輸出為O。這標誌神經計算時代的開始。M．P模型能完成任意有限的邏輯運算，是第一個采用集體並行計算結構來描述人工神經元和網絡工作。M．P神經元模型是人工神經元模型的基礎，也是神經網絡理論的基礎。1957年Frank Rosenblatt定義了一個神經網絡結構，稱為感知器(perceptron)。第一次把神經網絡研究從純理論的探討推向工程實現，從而掀起了神經網絡研究高潮。它是一個具有單層處理單元的神經網絡，具體包括：由接受單元組成的輸入層、由MP神經元構成的聯合層和輸出層。輸入層和聯合層之間的結合可以不是完全連接，而聯合層和輸出層之間一般是完全連接，用教師信號第五章神經網絡和PID控製在定量包裝秤中的應用可以對感知器進行訓練。該模型K8凯发大酒店天生赢家的環境可以是有噪聲的，網絡構造中存在隨機連接，這符合動物K8凯发大酒店天生赢家的自然環境。1969年M．Minsky和S．Papert發表了論著“Perceptrons"，指出感知器僅能解決一階謂詞邏輯，隻能完成線性劃分。對於非線性或其他分類會遇到很大困難，一個簡單的XOR問題的例子就證明了這一點。由此，神經網絡研究一度達到低潮。使神經網絡研究一度達到低潮的原因還有：計算機不夠發達，VLSI還沒出現。20世紀70年代，全球隻有幾十個人在研究神經網絡，但還是一個很有成果的時期。如芬蘭Kohonen的自組織神經網絡、Stephen Crossberg的共振自適應理論ART網絡等，都是在這個時期提出的重要的研究成果，至今還有很好的研究與應用前景。1982年美國物理學家John J．Hopfield提出了全連接網絡模型。這是一種全新的具有完整理論基礎的神經網絡模型，並且從理論上證明了網絡可達到穩定的離散和連續兩種情況。為神經網絡研究開辟了一條嶄新的道路，證明了神經網絡的研究有無限的空間有待開發。神經網絡複興時期由此開始。這種網絡的基本思想是對於一個給定的神經網絡，具有一個能量函數，這個能量函數正比於每一個神經元的活動值和神經元之間的連接權。而活動值的改變算法是向能量函數減少的方向進行，一直達到一個極小值為止。利用所定義的計算能量函數，成功地求解了計算複雜度為NP(Nondeterministic Polynomial)完全型的旅行商問題(TravelingSalesman Problem)，簡稱TSP問題。這一突破性的進展引起了廣大學者對神經網絡潛在能力的高度重視，從而掀起了研究神經網絡信息處理方法和研製神經計算機的熱潮。1986年美國的一個並行計算研究小組提出了前向反饋神經網絡的BP(backpropatation)K8凯发大酒店天生赢家算法。成為當今應用最廣泛的前向神經網絡的K8凯发大酒店天生赢家方法之一。該方法解決了當年Minsky等人提出的感知器非線性不可分類問題，給神經網絡研究帶來了新的希望。現在，神經網絡的應用已滲透到多個領域，如人工智能、模式識別、信號處理、計算機視覺等。
2.神經網絡的應用特點
人工神經網絡是一種按照人腦的組織和活動原理而構造的一種數據驅動型83電子定量包裝秤動態稱重係統及數據處理方法的研究非線性映射模型，可以實現任何複雜的因果關係映射，能夠從大量的曆史數據中進行聚類和K8凯发大酒店天生赢家，進而找到某些行為變化的規律。它可以處理那些難以用數學模型描述的係統，具有很強的並行處理、自適應、自組織、聯想記憶、容錯魯棒以及任意逼近非線性等特性，特別適用於處理複雜問題，在預測評估、智能控製、模式識別、信號處理、非線性優化、函數逼近、自適應控製及管理工程等領域具有廣泛的應用。實踐證明，人工神經網絡在很多方麵的應用結果都優於或不差於現有其它方法或理論，表現出良好的應用前景和潛力。
 人工神經網絡應用的特點：
 (1)人工神經網絡具有K8凯发大酒店天生赢家能力，能夠快速地對複雜環境及變化做出比較合理的反應和有效的預測。
 (2)人工神經網絡建模的過程是一種“行為過程”，通過對數據的K8凯发大酒店天生赢家，構成一個“真實"的係統。該係統的行為反映了數據間的隱含關係，進而可用這一“係統"模擬實際係統進行係統分析和仿真。
 (3)人工神經網絡可方便地引入各類信息，包括有明顯因果關係的相關信息和隱含於各種關係間、無法用統計或其他顯式方法表示的關係。
3.神經網絡分類
神經網絡模型有多種分類方法。按照網絡的結構區分，有前向網絡和反饋網絡。按照K8凯发大酒店天生赢家方式區分，則分為有教師K8凯发大酒店天生赢家和無教師K8凯发大酒店天生赢家網絡。按照網絡性能區分， 則有連續型和離散性網絡、隨機型和確定型網絡。按照突觸性質區分，則有一階線性關聯網絡和高階非線性關聯網絡。按對生物神經係統的層次模擬區分，則有神經元層次模型、組合式模型、網絡層次模型、神經係統層次模型和智能型模型。通常，人們較多地考慮神經元之間的相互組合關係和作用方式，典型的神經網絡模型可分為分層網絡模型和互連網絡模型。在提出的幾十種神經網絡模型中，人們較多用的是Hopfield網絡、BP(Back Propagation)網絡、RBF(Radial BasisFunction)徑向基神經網絡、Kohonen網絡和ART網絡(Adaptive ResonanceTheory：自適應共振理論模型)。Hopfield網絡是最典型的反饋網絡模型，他是目前人們研究得最多的模型之第五章神經網絡和PID控製在定量包裝秤中的應用一。Hopfield網絡是由相同的神經元構成的單層，並且不具K8凯发大酒店天生赢家功能的自聯想網絡。它需要對稱連接。這個網絡可以完成最優化計算和聯想記憶等功能。BP網絡是反向傳播(Back Propagation)網絡，是一種最廣泛應用的多層前向網絡，它采用最小均方差K8凯发大酒店天生赢家方式，需有教師訓練。他可用於語言綜合、識別和自適應控製等用途。徑向基函數(RBF)神經網絡是以函數逼近理論為基礎而構造的一類前向網絡，這類網絡的K8凯发大酒店天生赢家等價於在多維空間中尋找訓練數據的最佳擬合平麵。徑向基函數網絡的每個隱層神經元傳遞函數都構成了擬合平麵的一個基函數網絡，也由此得名徑向基函數。徑向基神經網絡是一種局部逼近網絡，即對於輸入空間的某一個局部區域隻存在少數的神經元用於決定網絡的輸出，所以徑向基函數神經網絡一般規模比BP網絡要大。典型的徑向基神經網絡包括兩層隱層和輸出層，但是徑向基神經網絡的神經元傳遞函數與BP網絡的不同，高斯函數(Gauss function)是典型的徑向基神經網絡的神經元傳遞函數。Kohonen網絡是典型的自組織神經網絡，這種網絡也稱為自組織特征映射網絡。它的輸入層是單層單維神經元，而輸出層是二維的神經元，神經元之間存在以“墨西哥帽"形式進行側向交互的作用，因而在輸出層中，神經元之間有近揚遠抑的反饋特性，從而使Kohonen網絡可以作為模式特征的檢測器。ART網絡也是一種自組織網絡模型，這是一種無教師K8凯发大酒店天生赢家網絡。它能夠較好地協調適應性、穩定性和複雜性的要求。在ART網絡中，通常需要兩個功能互補的子係統相互作用，這兩個子係統稱為注意子係統和取向子係統。ART網絡主要用於模式識別，它的不足之處是在於對轉換、失真和規模變化較敏感
4神經網絡的K8凯发大酒店天生赢家和訓練
K8凯发大酒店天生赢家特性是神經網絡的基本特性，神經網絡的K8凯发大酒店天生赢家與訓練是通過網絡權值和閾值的調節來實現的。根據K8凯发大酒店天生赢家過程的組織和管理方式不同，K8凯发大酒店天生赢家算法可分為有監督K8凯发大酒店天生赢家和無監督K8凯发大酒店天生赢家兩大類。對於有監督K8凯发大酒店天生赢家，網絡訓練往往要基於一定數量的訓練樣例或樣本，訓練樣本通常由輸入矢量、目標矢量組成。在K8凯发大酒店天生赢家和訓練過程中，神經網絡不斷地將其實際輸出與目標輸出進行比較，並根據比較結果或誤差按照一定的規則或算法對85電子定量包裝秤動態稱重係統及數據處理方法的研究網絡權值和閾值進行調節，從而使網絡的輸出逐漸接近目標值。最典型的有監督K8凯发大酒店天生赢家算法的代表是BP(Back Propagation)算法：誤差反向傳播算法。無監督K8凯发大酒店天生赢家是一種自組織K8凯发大酒店天生赢家，即網絡的K8凯发大酒店天生赢家過程完全是一種自我K8凯发大酒店天生赢家的過程，不需要提供K8凯发大酒店天生赢家樣本或外界反饋。在K8凯发大酒店天生赢家過程中，網絡隻需相應輸入信號的激勵，按照某種規則反複調節網絡權值和閾值，直到最後形成某種有序的狀態。根據每次網絡訓練的任務量的不同，神經網絡的訓練方式可分為漸進式訓練和批量式訓練。漸進式訓練(Incremental Training)是一種在線K8凯发大酒店天生赢家方式，即神經網絡每接受一對輸入矢量和目標矢量，便對網絡權值和閾值進行適時地調整。而批量式訓練(Batch Training)貝lJ是在所有的輸入矢量和目標矢量集準備完成後才開始根據相應的算法對網絡權值和閾值進行批量調整。

本文源於網絡轉載，如有侵權，請聯係刪除