对于真正的工业过程控制的对象和时间的变量的时间延迟，本文有一个神经网络能够充分逼近复杂的非线性关系，并严重不确定的动态系统，适应，更好的情报学基于灰色预测控制的先进预测特点，提出了一种基于血压神经网络的灰色预测控制算法。真结果的对比分析表明，与传统控制器相比，本文的控制算法具有控制简单，适应性强的特点，适用于纯移动物体的控制。
时间变化的模型。后，通过xPC技术在实际设备上验证了算法，得到了满意的结果。
经网络BP，灰色预测，关于艺术xPC CLC：U675.79; TP273文献标识码：AApplication并在周控制水平富恩神经网络自适应灰色控制器的研究（正常吉林大学计算机科学学院，四平，吉林，136000学院，中国）摘要：针对目前的字符受控对象随着时间和时间的延迟而变化，我们发现NN的优点非常适合各种非线性，学习系统不确定，适应性强，智能优秀并结合灰色预测控制算法的预测特征，提出了基于BP神经网络理论的灰色预测控制算法。模拟结果的比较和分析表明：与传统控制器相比，该算法是简单实用，在适应性强，虽然它解决问题的时间和变化的在时间上的图案。后，我们通过xPC技术方法中提出的算法进行实时控制验证。键词：BP神经网络，灰色预测，xPC技术工业对象模型往往具有纯时变延迟特性，纯延迟问题，传统PID控制方法等。主要是基于该系统的行为特征进行控制，即事后。
控制时间模型变量问题，PID控制必须调整三个控制功能的比例，积分，微分网上，供更好的控制效果协调和相互制约关系，但这种关系不一定是简单的“线性组合”，而是要找到无限非线性组合的最佳关系。经网络具有非线性表达任意的容量，并且可以通过学习BP网络系统。能实现PID控制的最佳组合可以建立三个控制器参数KID，KI，KD自学习[1-2] 。本文中，神经网络与具有高级预测函数的灰色预测理论相关联，并且神经网络用于调整在线PID控制器的参数以满足可变对象模型要求。时间和滞后方面。于BP网络的灰色PID控制系统图1示出了基于BP网络的灰色PID控制系统的结构。制器由三部分组成:)经典PID控制器：直接控制对象过程的闭环控制和三个参数kp，ki，kd是在线调整方法;）灰色预测部分：工具先进的预测控制模型克服了转变的要求：灰色系统理论，提出了由中国学者邓聚龙于1982年。种类型的控制被设计成预控系统的未来行为。是一个高级控件，可以帮助避免问题发生并及时控制它们。色预测控制方法不需要提前输入对象的数学模型，而是在线实时建模。
的连续预测不仅可以进行“近期”预测，而且还适用于“长期”预测，这非常适合克服纯变换对系统的不利影响[3]。于图1（BP）智能网的PID灰色控制系统是神经网络的一部分：神经网络的输出状态根据系统的运行状态，设置控制器参数PID达到一定的性能优化，对应于三个可调节的参数KP，KI，KD PID控制器的输出层神经元是由自学习系数和神经网络的权重，使得调整后的网络神经递送对应于最优控制律的PID控制器的参数。伴网络的结构在图2中示出：[4]图2中的伙伴网络的结构，其中x（1）=误差（K） – 错误（K-1）中，x（2）=误差（k）的中，x（3）=误差（k）的-2erreur（K-1） ERROR（K-2）中，x（R）= 1使用传统的增量式数字PID和控制算法的系统的PID是如下： U（k）的= U（K-1） KP（误差（K） – 错误（K-1） k误差（K） KD（误差（K）-2误差（K-1） ERROR（其中kp，ki，kd是比例积分微分系数，在图2的网络架构中。1）j= x（j），j = 1，2，…，M，输入变量的数量取决于受控系统的复杂程度。
络隐藏层的输入和输出是净（2）i（K）=ΣMj= 1W（2）ijO（1）jO（2）I（K）= F（净（2）I（k））的（I = 1，.. 。Q）（1-2）其中w（2）ij：隐藏层权重系数，指数（1） ，（2），（3）代表输入层，隐藏层和隐藏层神经元输出层的激活函数取平衡输出正负S形函数网络。（3）l（K）=ΣQi= 1秒（3）liO（2）i（k）的O层O（3）l（K）= G（净（3）l（k）的）（L = 1，2，3）节点输出的输出层对应于三个可调节的参数KP，KI，KD，分别因为KP，KI，KD不能为负，所以这里所述功能层输出神经元激活发生非负S形函数：对于性能指数E（k）的函数= 12（RIN（k）的-yout（k））的2按照下降网络的校正重量的梯度系数和惯性项胡（3）li（K）= – ηE（K）（3） LIαΔw（3）立（K），其中η是学习速率，α是惯性系数。E（k）的w（3）=E李（K）W（K）•Y（K）U（K）•U（k）的O（3）L（k）的•O（3）1（K ）净（3）L（k）的净•（3）L（k）的瓦特（3））linet（3）L（k）的W（3）里（K）= O（2）I（K ）（1-3）因为Y（K）U（k）是未知的，通过sgny近似顺应函数（K）u（K）取代，产生的影响的不精确性，从而计算可以通过调整学习速度η来补偿。供了一种用于网络胡（3）li（K）=αΔw的输出层的重量上述训练算法的分析（3）li（K-1） ηδ（3） lO（2）i（K）δ（3）l=错误（k）的SNG（y（K）U（K））Y（k）的O（3）L（k）的克（净（3- l（k））（1-4）与隐藏层学习算法的加权系数相同。公式中：系数越高，权重系数调整的惯性越大，并且尽快从饱和区移除调整。AW（2）ij（K）=αΔw（2）ij（K-1） ηδ（2）iO（1）j（K）δ（2）i= F“（网（2） i（K））=Σ3l1δ（3）LW（3）里（K）（I = 1，2，…，Q）（在编程学习过程1-5），神经输入元件NNP是数字4，由取最大值的形成的步骤max_epoch = 10000，目标错误err_goal = 0.002，初始学习速率LR = 0.02的值，递增该乘法因子lr_inc = 1.05，乘法因子减少lr_dec = 0.7，误差率err_ratio = 1.04，应用程序trainbpa函数执行神经元权重系数的学习。过启发式方法确定NNP隐层神经元的数量。取不同的隐藏层神经元的数目和训练他们学习时间的几个fois.Selon比较，隐藏层神经元的NNP数量可以等于5。后，BP网络在本文中是在4-5-3结构确定。过研究分析仿真结果，现有的船级工业数学模型模型为5.59（s 29.5）（s 0.41）e-τs，时间为时间在模型级别上延迟增加（模型实际延迟时间τ的范围为0.3到0.35 min，相当于0.3 0.05×（1-exp（-0.02×） k））使用MATLAB工具进行模拟实验。拟结果如图3所示：3（a）图3（b）kp的模拟结果， ki，kd模拟结果的变化分析表明，引入灰度预测控制可以提前做预测延迟纯对象求解，经过神经网络控制器，即使是模型是修改的，但神经网络可以自适应地调整在线PID控制器的三个参数kp，ki，kd，所以控制效果更好液位过程控制系统的设计和实现不足以提高算法的效率，也不足以进行模拟搜索从理论上讲，必须在材料本身上进行验证。验的EFPT-1B复合过程控制装置是一种很好的实验过程控制装置，能够模拟各种工业过程的液位控制，适用于所提算法的验证。（RTW代表实时工作，被称为“活的工作室”）在MATLAB中产生程序这是使用的xPC技术的基础上的Simulink / RTW技术实现实时控制。
置在Simulink模拟算法的框图直接转换成在实时控制程序编译的C代码，并执行实时操作系统内核一种32位保护模式利用Matlab提供，解决控制算法的基本有效性验证和控制参数的调整问题具有实时性和高执行效率。是控制算法研究的一个很好的平台[5]。工作在一个“双模式电脑”之称目标主机，主机正在运行的实时开发环境MATLAB和目标计算机，运行的内核和系统应用程序的计算机的计算机实时操作。机和目标通过RS232串行接口或以太网卡建立通信连接。4实时液位控制曲线最后，在目标机器上，获得实时控制曲线，如图4所示。析结果表明本文采用的算法具有更好的控制效果，具有更小的超调量，更高的控制精度和几乎无差错的跟踪，恒温阀芯证明了所提算法的有效性。工业过程容器的目标水平结论本文有一个延迟和模型变得难以控制非线性函数近似能力特征基于神经网络BP有一个提出的神经网络和预测灰色具有高级预测功能控制组合控制模式以克服模型的纯时间偏移的不利影响。真结果表明，所提出的算法能够克服由滞后和industriels.Il模型的时间滞后的不利影响的更好的控制器被适用于许多不同的系统的自适应通用控制器。后，通过xPC技术在实际设备上验证了算法，得到了满意的控制效果。文还需要解决的另一个问题是BP算法需要进一步改进，以提高其学习速度并克服局部最小问题。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com