随着科学技术的不断发展和进步，受控对象变得越来越复杂，传统的PID控制器通常对时变系统和系统没有良好的控制效果。线性的。文重点研究单神经元自适应PID控制器，分析学习规则，并对控制对象的监测特性进行仿真研究。
真结果表明，该控制器不仅具有PID控制的优点，而且具有自适应特性和良好的控制性能。Mononone; PID;自适应;仿真[中文分类] G420单声道独特的单神经元自适应PID控制器作为神经网络的基本单元，具有自学习和自适应能力，且结构易于计算。
统的PID控制器还具有以下特点：结构简单，调谐方便，配置参数和技术指标紧密连接。果两者结合，这可以解决传统PID控制器不易实时调整的问题，并且难以有效地控制一些复杂的过程和缓慢变化的系统。
过神经元实现的自适应PID控制器的框图中示出了图1-1：该控制系统中的单一神经元的结构如图1所示。
图中的转换器的输入是所述值定义R（k）和输出y（k）和所述转换器输出是状态X1，X2，X3的量，所需的K中学习神经元是神经元的比例系数。
适应神经控制器控制算法如下：单神经元控制算法的加权系数wi（k）可以通过自学习功能自适应调整，而单个神经元的自适应PID控制器使用加权系数。整适应性自学习能力。权系数的调整可以使用不同的学习规则来形成不同的控制算法。
神经元自适应PID控制器学习规则监督Hebb学习规则监督Hebb学习规则由于加权因子wi（k）和输入偏差的相关函数，输出和神经元的输出，它受到监督。Hebb学习算法基于Hebb学习规则的无监督推导。可以获得具有单个神经元的自适应控制的学习算法的收敛性和鲁棒性，以及标准化处理（1-15）。）。
中，（1-17）是输出误差信号，表示比例，积分和差分学习率。以从上面的公式，对于单个神经元的控制算法是基本上等同于自适应PID控制可变参数，并且推导出它的重量W1，W2和W3分别等同于积分系数Ki，比例系数kP和PID控制的微分系数kD。Hebb改进的学习规则通过实践表明，PID参数的在线学习校正主要与e（k）和Δe（k）有关。
此基础上，可以修改自适应神经元PID控制算法中加权系数学习的校正部分，也就是说xi（k）被e（k） Δe代替。
（k），改进的算法是：，（1-20），其中，恒温阀芯，，分别代表比例，积分和差分学习率。用上述改进算法后，权重系数的在线校正并不完全基于神经网络学习原理，而是依赖于实践经验。
神经元自适应PID控制器搜索和仿真鉴于大多数生产过程中受控对象的普遍性和典型性，使用二阶对象加上纯偏移，采样时间是ts = 1s，变换z用于离散化。Z变换后离散的目的是：在本文的仿真，自适应PID控制算法中的神经元被写入在Matlab，它选择不同的权重的两种学习规则和集中于单个神经元。适应PID控制器适应该步骤。用三种不同学习规则对普通PID响应图与单神经元自适应PID控制器响应图进行详细比较，用于说明自适应PID对单个神经元的优越性。过上述各种算法的模拟结果和对俯仰信号跟踪的分析表明，单神经元PID控制器的控制性能得到了显着提高，并且它们在上升时间方面表现出来。车和设定时间。好的控制性能。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com