智能控制課程論文Word版

整理為word格式整理為word格式整理為word格式TOC\o"1-3"\h\u8025一、引言 321066二、軋機(jī)液壓AGC數(shù)學(xué)模型 36293三、基于BP神經(jīng)網(wǎng)絡(luò)的軋機(jī)AGC過程控制 519657（一）人工神經(jīng)網(wǎng)絡(luò)基本思想及其發(fā)展 628063（二）人工神經(jīng)網(wǎng)絡(luò)的工作原理 76842（三）人工神經(jīng)網(wǎng)絡(luò)的主要功能特點(diǎn) 819652四、神經(jīng)網(wǎng)絡(luò)辨識 94613（一）擴(kuò)展BP神經(jīng)算法 922999（二）基于時間序列的動態(tài)模型辨識 1132404五、辨識結(jié)果 124850（一）軋制力辨識 1210379（二）液壓AGC參數(shù)辨識 138274六、結(jié)果檢驗(yàn) 1415669（一）模型檢驗(yàn) 144119（二）辨識結(jié)果對比 1414407七、結(jié)論 15整理為word格式整理為word格式整理為word格式17636八、參考文獻(xiàn): 15整理為word格式整理為word格式整理為word格式先進(jìn)過程控制技術(shù)在軋機(jī)液壓領(lǐng)域的應(yīng)用摘要:軋機(jī)液壓AGC控制過程的力控精度直接影響帶鋼的組織性能和力學(xué)性能，是保證板帶質(zhì)量和板形良好的關(guān)鍵因素。所以對軋機(jī)液壓AGC的力控制，成為熱軋生產(chǎn)中的重要環(huán)節(jié)，對其過程進(jìn)行分析和研究具有深遠(yuǎn)的現(xiàn)實(shí)意義。本文以國內(nèi)某熱軋廠軋機(jī)液壓AGC控制為背景，對如何提高軋機(jī)液壓AGC控制的力控精度從控制方法上入手進(jìn)行了較深入系統(tǒng)的研究。在分析液壓AGC的組成元件及其動態(tài)特性的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)具有逼近任何非線性函數(shù)且具有自學(xué)習(xí)和自適應(yīng)的能力,建立基于時間序列的前饋動態(tài)模型辨識結(jié)構(gòu),應(yīng)用擴(kuò)展BP算法對軋機(jī)液壓AGC力控制系統(tǒng)進(jìn)行非線性預(yù)測,將預(yù)測結(jié)果應(yīng)用最小二乘辨識方法進(jìn)行線性系統(tǒng)的特征參數(shù)辨識,仿真及實(shí)測結(jié)果表明此方法行之有效,為軋機(jī)液壓AGC的控制提供了新途徑。關(guān)鍵詞:自適應(yīng)辨識;板帶軋機(jī);液壓AGC;神經(jīng)網(wǎng)絡(luò)整理為word格式整理為word格式整理為word格式整理為word格式整理為word格式整理為word格式AdvancedprocesscontroltechnologyinthefieldofrollingmillhydraulicapplicationsAbstract:IntheprocessofrollingmillhydraulicAGCcontrolforcecontrolprecisiondirectlyaffectstheorganizationperformanceandmechanicsperformanceofthesteelstrip,isguaranteethequalityofstripandplateshapeofthekeyfactors.SotheforcecontrolofrollingmillhydraulicAGC,becometheimportantlinkbetweenthehotrollingproduction,analyzesitsprocessandresearchhasfar-reachingpracticalsignificance.Thispaper,takingawarmwalzwerkdomesticmillhydraulicAGCcontrolasthebackground,onhowtoimprovetheforcecontrolprecisionoftherollingmillhydraulicAGCcontrolfromthecontrolmethodsofconductedin-depthstudyofthesystem.BasedontheanalysisofdynamiccharacteristicsofhydraulicAGCcomponentsand,onthebasisofusingtheneuralnetworkhasanynonlinearfunctionapproximation,andhastheabilityofselflearningandadaptivefeedforwarddynamicmodelidentificationbasedontimeseriesstructure,extendtheBPalgorithmwasappliedtorollingmillhydraulicAGCforcecontrolsystemfornonlinearprediction,andthepredictedresultsusingleastsquaresidentificationmethodforcharacteristicparametersofalinearsystemidentification,simulationandexperimentalresultsshowthatthismethodiseffective,forrollingmillhydraulicAGCcontrolprovidesanewway.Keywords:adaptiveidentification;stripemill;hydraulicAGC;neuralnetwork整理為word格式整理為word格式整理為word格式引言由于軋機(jī)自動化水平及對板帶材的質(zhì)量要求越來越高,對軋機(jī)執(zhí)行機(jī)構(gòu)及控制系統(tǒng)性能的要求也越來越高。液壓AGC(automaticgaugecontrol)是現(xiàn)代化軋機(jī)設(shè)備的核心技術(shù),液壓AGC系統(tǒng)運(yùn)行狀態(tài)的好壞,直接決定了軋機(jī)的工作狀態(tài)?；谙冗M(jìn)過程控制的思想，開展液壓AGC系統(tǒng)辨識的研究對提高軋機(jī)設(shè)備的技術(shù)水平和設(shè)備的生產(chǎn)率有著重要的意義。構(gòu)成一個完整液壓AGC系統(tǒng)的主要動態(tài)元件具有高度非線性的特點(diǎn),其系統(tǒng)必然也具有高度非線性的特點(diǎn)[1]。近年來,基于神經(jīng)網(wǎng)絡(luò)的控制作為一個新興領(lǐng)域,引起了人們的廣泛關(guān)注[2,3]。本文應(yīng)用神經(jīng)網(wǎng)絡(luò)能夠逼近任何非線性函數(shù)及具有自學(xué)習(xí)和自適應(yīng)的能力,利用大量的歷史數(shù)據(jù),建立神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)矩陣,用于非線性預(yù)報軋制力,將得到的預(yù)報結(jié)果作為軋制力計(jì)算模型中軋制力的設(shè)定值,然后應(yīng)用最小二乘法辯識出軋機(jī)AGC力控制線性系統(tǒng)模型的各個基本參數(shù)，實(shí)現(xiàn)控制過程的優(yōu)化。軋機(jī)液壓AGC數(shù)學(xué)模型一個完整的AGC系統(tǒng)由若干個厚度自動控制環(huán)路組成,通常由液壓壓下位置閉環(huán)、軋制壓力補(bǔ)償系統(tǒng)、測厚儀前饋及監(jiān)控系統(tǒng)組成,其中液壓壓下位置閉環(huán)可以用液壓壓下力(或壓力)閉環(huán)代替,因?yàn)榱﹂]環(huán)具有可以消除軋輥偏心等機(jī)械系統(tǒng)的問題對板厚干擾的優(yōu)點(diǎn)。其功能是進(jìn)行空載輥縫設(shè)定和軋制過程中向各模塊提供軋制壓力值、輥縫值和板厚。主要動態(tài)元件為控制調(diào)節(jié)器、伺服閥、液壓缸、軋機(jī)負(fù)載、傳感器等。本文是基于力控制系統(tǒng)的辨識。其動態(tài)元件定量描述如下:伺服閥基本方程G1(s)式中,Ksv為伺服閥的靜態(tài)流量放大系數(shù);Xa為伺服線圈的固有頻率;Xa為伺服閥固有頻率。液壓缸基本方程G2(s)$F=$Fp-$Fb=$pLAp-$pbAb式中,$Fp為作用于油缸無桿腔壓力的變化;$Fb為作用于油缸有桿腔壓力的變化;$pL為控制容積內(nèi)壓力變化;$pb為油缸有桿腔壓力(背壓)的變化;Ap為液壓缸無桿腔活塞面積;Ab為油缸有桿腔的工作面積。整理為word格式整理為word格式整理為word格式軋機(jī)基本方程G3(s)式中,Me為軋機(jī)運(yùn)動部件的等效總質(zhì)量;Bp為活塞及負(fù)載等部件的粘性系數(shù);K為負(fù)載運(yùn)動時的彈性負(fù)載剛度系數(shù);FL為作用在活塞上的其它負(fù)載;xp為液壓缸活塞的位移?？刂普{(diào)節(jié)器G4(s)G4(s)=Kp(1++Tds)式中,Kp為PID調(diào)節(jié)器的比例系數(shù);Ti為PID調(diào)節(jié)器的積分時間常數(shù);Td為PID調(diào)節(jié)器的微分時間常數(shù)。背壓回油管道G5(s)式中,pdo為初始背壓;Ar為回油管道截面積;Mor為回油管道中油液的質(zhì)量;Rr為油液的粘性系數(shù)。傳感器G6(s)式中,Ks為位移反饋系數(shù);Ts為位移傳感器的時間常數(shù)。根據(jù)液壓AGC力閉環(huán)系統(tǒng)主要元件的方程,建立液壓AGC力控制系統(tǒng)動態(tài)模型,見圖1,結(jié)合某型軋機(jī)液壓AGC力控制系統(tǒng)數(shù)據(jù),建立液壓AGC力控制系統(tǒng)理論特征數(shù)學(xué)模型為整理為word格式整理為word格式整理為word格式式中,K0為空載時的開環(huán)增益;KI為積分常數(shù);Xr為慣性環(huán)節(jié)的轉(zhuǎn)折頻率;Fsv為伺服閥阻尼系數(shù);X0為綜合固有頻率;F0為綜合阻尼比。G6(s)PbAbG5(s)FdFbF0整理為word格式整理為word格式整理為word格式F－IcQsvoFpFxpΔFiG4(s)G1(s)G2(s)G3(s)++－+－+－+－－+sApΔFjFoutF1ΔFFinW圖1液壓AGC系統(tǒng)力閉環(huán)的動態(tài)模型基于BP神經(jīng)網(wǎng)絡(luò)的軋機(jī)AGC過程控制人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks,簡稱ANN)的發(fā)展給我們提供了新的方法。由于人工神經(jīng)網(wǎng)絡(luò)具有處理信息速度快、計(jì)算能力強(qiáng)、容錯性高和魯棒性強(qiáng)的特點(diǎn)，能夠完成自學(xué)習(xí)、自適應(yīng)、歸納推理等智能型任務(wù)，可被用于非線性、動態(tài)、強(qiáng)干擾、強(qiáng)耦合、強(qiáng)時滯、難于建模的復(fù)雜系統(tǒng)的控制，它作為信息智能處理的現(xiàn)代化工具已日益普及。在實(shí)際生產(chǎn)中軋機(jī)AGC控制與各種影響因素之間的關(guān)系是一種非線性映射關(guān)系，各影響因素對控制目標(biāo)作用權(quán)重不同。人工神經(jīng)網(wǎng)絡(luò)所具有的功能特別是處理非線性復(fù)雜過程的能力，無疑為求解基本提供了一種好的方法。本章結(jié)合某國內(nèi)熱軋廠的實(shí)際情況，采用BP(BackPropagation)神經(jīng)元網(wǎng)絡(luò)來在線預(yù)報軋制過程中向各模塊提供軋制壓力值、輥縫值和板厚。通過控制調(diào)節(jié)器、伺服閥、液壓缸、軋機(jī)負(fù)載、傳感器等主要動態(tài)元件。應(yīng)用最小二乘法辯識出軋機(jī)AGC力控制線性系統(tǒng)模型的各個基本參數(shù)的策略來更進(jìn)一步的提高軋機(jī)AGC力控制精度及均勻性。人工神經(jīng)網(wǎng)絡(luò)基本思想及其發(fā)展人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks)起源于神經(jīng)生物學(xué)，特別是對腦神經(jīng)系統(tǒng)的研究。對于人腦神經(jīng)系統(tǒng)一自然進(jìn)化最杰出的產(chǎn)物的研究，使人們抓住了它在結(jié)構(gòu)上最重要的特殊性質(zhì)；由低層次的大量簡單單元的確定性運(yùn)算，通過復(fù)雜的接觸和相互間的競爭協(xié)作，產(chǎn)生宏觀層次的群體行為的潛在運(yùn)算過程。正是這些連接的復(fù)雜性和適應(yīng)性決定了生命體的智能行為。不過，今天對于人工神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容已遠(yuǎn)遠(yuǎn)超出了模擬這樣一種初始愿望，而是從更普遍的角度來看待這樣的潛運(yùn)算行為。整理為word格式整理為word格式整理為word格式人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生和發(fā)展大約經(jīng)歷了一個世紀(jì)的時間，其發(fā)展?fàn)顩r分為以下四個時期。(1)初始發(fā)展時期(1890年?1969年)。1890年美國生理學(xué)家W.James出版了《生理學(xué)》一書，該書首次闡明了有關(guān)大腦結(jié)構(gòu)及其功能，以及一些相關(guān)的學(xué)習(xí)、聯(lián)想記憶的基本原則。1943年，美國心理學(xué)家W.Mcculloch和數(shù)學(xué)家W.Pitt在他們的文章中提出了M-P模型。1958年F.Rosenblatt提出了感知機(jī)（Perceptron)模型。1959年，斯坦福大學(xué)的教授BernardWidrow和Marcian發(fā)表了“自適應(yīng)開關(guān)電路”的論文，他們從工程的觀點(diǎn)出發(fā)，不僅在計(jì)算機(jī)上模擬了這種神經(jīng)網(wǎng)絡(luò)，而且還做成了硬件。(2)低潮時期(1969年?1982年)。1969年M.Minsky和S.Papert發(fā)表了對神經(jīng)元網(wǎng)絡(luò)發(fā)展產(chǎn)生重要影響的《感知機(jī)》（《Perceptron》）一書。書中提出了感知機(jī)網(wǎng)絡(luò)的局限性，指出Perceptron僅適合于線性樣本地情況，對非線性問題如X0R問題，不能解決。它大大地影響了人們對祌經(jīng)元網(wǎng)絡(luò)研究地興趣。使人工祌經(jīng)元網(wǎng)絡(luò)地研究在70年代處于低潮。盡管處于低潮的這一時期，仍有一些學(xué)者堅(jiān)持從事神經(jīng)元的研究。如日本的甘利俊一，美國的M.A.Arbib等人對人工神經(jīng)網(wǎng)絡(luò)的動態(tài)過程的數(shù)理分析，德國學(xué)者對自組織理論的研究，芬蘭的TeuroKohomen和美國的J.A.Anderson等人提出的聯(lián)想記憶等。(3)復(fù)興時期(1982年?1986年）。1982年，美國加州學(xué)院的物理學(xué)家J.J.Hopfield發(fā)表了一篇突破性的學(xué)術(shù)論文，他提出了一種新的神經(jīng)元網(wǎng)絡(luò)模型，并指出可以用微電子器件來實(shí)現(xiàn)它，這個神經(jīng)元網(wǎng)絡(luò)是基于磁場的結(jié)構(gòu)特征而提出來的，很容易被工程技術(shù)人員理解，引起了人們的普遍關(guān)注。后來人們稱它為Hopfield神經(jīng)元網(wǎng)絡(luò)。在其網(wǎng)絡(luò)模型中，定義了神經(jīng)元網(wǎng)絡(luò)的“能量函數(shù)”，并給出了網(wǎng)絡(luò)穩(wěn)定性的判據(jù)，使所提出的網(wǎng)絡(luò)具有聯(lián)想記憶和對優(yōu)化問題求解的能力。特別是Hopfield將這種網(wǎng)絡(luò)成功地運(yùn)用于著名的“旅行商問題”的求解，取得了很好的效果。Hopfield神經(jīng)元網(wǎng)絡(luò)的出現(xiàn)為神經(jīng)計(jì)算機(jī)的研制奠定了基礎(chǔ)，可以說Hopfield的研究掀起了人工神經(jīng)元網(wǎng)絡(luò)的第二次研究熱潮。1984年美國公司貝爾實(shí)驗(yàn)室宣布了利用Hopfield網(wǎng)絡(luò)原理實(shí)現(xiàn)了第一個基于硅片的硬件神經(jīng)元網(wǎng)絡(luò)。1986年，D.E.Rumelhart與L丄.McClelland提出了使用于多層網(wǎng)絡(luò)學(xué)習(xí)的誤差逆?zhèn)鞑ニ惴?，簡稱BP算法，為解決多層網(wǎng)絡(luò)學(xué)習(xí)難的問題開辟了一條道路。BP算法是迄今為之應(yīng)用最普遍的神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)算法。同一時期，不少學(xué)者也提出了很多成功的神經(jīng)網(wǎng)絡(luò)模型，這些成果大大的促進(jìn)了神經(jīng)元網(wǎng)絡(luò)的發(fā)展。整理為word格式整理為word格式整理為word格式高潮時期(1987年?現(xiàn)在)。1987年6月，在美國圣地亞哥召開了第一屆國際神經(jīng)網(wǎng)絡(luò)會議，與會代表達(dá)1600人。會上成立了神經(jīng)網(wǎng)絡(luò)學(xué)會(_S)。隨后幾年，在許多工業(yè)國家，紛紛成立了專門研究機(jī)構(gòu)，政府和企業(yè)投入大量資金，制定和實(shí)施神經(jīng)網(wǎng)絡(luò)研究計(jì)劃。關(guān)于人工神經(jīng)元網(wǎng)絡(luò)理論、模型和算法方面的論文大量涌現(xiàn)，神經(jīng)網(wǎng)絡(luò)模擬軟件和實(shí)用芯片不斷推出，應(yīng)用領(lǐng)月不斷擴(kuò)大，標(biāo)志著世界范圍內(nèi)幵始了神經(jīng)網(wǎng)絡(luò)研究的熱潮。人工神經(jīng)網(wǎng)絡(luò)的工作原理人工神經(jīng)網(wǎng)絡(luò)是人腦及其活動的一個理論化的數(shù)學(xué)模型，它由大量的處理單元通過適當(dāng)?shù)姆绞交ミB構(gòu)成，是一個大規(guī)模的非線性自適應(yīng)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的建立是基于這樣一種認(rèn)識：即人腦對客觀世界的認(rèn)識、信息的提取、存儲等都反映在大量神經(jīng)元之間的聯(lián)系方式上。它用簡單的數(shù)據(jù)處理單元模擬神經(jīng)元作為網(wǎng)絡(luò)的一個結(jié)點(diǎn)，用權(quán)值模擬神經(jīng)元之間的突觸連接強(qiáng)度。正權(quán)值起興奮型突觸的作用，負(fù)權(quán)值則起抑制型突觸的作用。一個結(jié)點(diǎn)有許多輸入，類似于神經(jīng)細(xì)胞的樹突，接受來自其它神經(jīng)元的興奮或抑制信號。計(jì)算處理單元對所有輸入值進(jìn)行加權(quán)求和，并將加權(quán)和通過內(nèi)部轉(zhuǎn)換函數(shù)產(chǎn)生一個輸出值，其作用相當(dāng)于神經(jīng)細(xì)胞中傳出神經(jīng)沖動的軸突。下面我們以McCulIoch-Pitts模型為例，簡要介紹一下單個神經(jīng)元的工作原理。McCulloch-Pitts模型如圖5.1所示。對于第i個神經(jīng)元，接受其它多個其它神經(jīng)元的輸入信號各突觸強(qiáng)度以系數(shù)表示，這是第j個神經(jīng)元對第i個神經(jīng)元作用的加權(quán)值。利用某種運(yùn)算把輸入信號的作用結(jié)合起來，給出它們的總效果，稱為“凈輸入”，以或表示。凈輸入表達(dá)式有多種類型，最簡單的一種形式是線性加權(quán)求和，即此作用引起神經(jīng)元i的狀態(tài)變化，而神經(jīng)元i的輸出是當(dāng)前狀態(tài)的函數(shù)。整理為word格式整理為word格式整理為word格式圖5.1McCulloch-Pitts模型結(jié)構(gòu)示意圖Fig.5.1SketchmapofMcCulloch-Pittsmodel利用大量的神經(jīng)元相互連接組成人工神經(jīng)網(wǎng)絡(luò)將顯示出人腦的若干特征，從而形成結(jié)構(gòu)復(fù)雜，功能強(qiáng)大的神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)的主要功能特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)由于“仿真”了人腦的生物神經(jīng)系統(tǒng)，因而其功能也具有了某種智能特點(diǎn)。下面對神經(jīng)網(wǎng)絡(luò)的基本功能進(jìn)行簡要介紹。(1)聯(lián)想記憶。由于神經(jīng)網(wǎng)絡(luò)具有分布存儲信息和并行計(jì)算的性能，因此它具有對外界刺激信息和輸入模式進(jìn)行聯(lián)想記憶的能力。神經(jīng)網(wǎng)絡(luò)通過其突觸權(quán)值和連接結(jié)構(gòu)來表達(dá)信息的記憶，這種分布式存儲使得神經(jīng)網(wǎng)絡(luò)能存儲較多的復(fù)雜模式和恢復(fù)記憶的信息。神經(jīng)網(wǎng)絡(luò)通過預(yù)先存儲信息和學(xué)習(xí)機(jī)制進(jìn)行自適應(yīng)訓(xùn)練，可以從不完整的信息和噪聲干擾中恢復(fù)原始的完整信息，這一能力使其在圖像復(fù)原、圖像和語音處理、模式識別、分類等方面具有巨大的潛在應(yīng)用價值。非線性映射。在客觀世界中，許多系統(tǒng)的輸入與輸出之間存在復(fù)雜的非線性關(guān)系，對于這類系統(tǒng)，往往很難用傳統(tǒng)的數(shù)理方法建立數(shù)學(xué)模型。設(shè)計(jì)合理的神經(jīng)網(wǎng)絡(luò)。通過對其輸入輸出樣本對進(jìn)行自動學(xué)習(xí)，能夠以任意精度逼近復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這一優(yōu)良性能使其可以作為非線性函數(shù)的通用數(shù)學(xué)模型。該模型的表達(dá)是非解析的。輸入輸出數(shù)據(jù)之間的映射規(guī)則由神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)階段自動提取并分布式存儲在網(wǎng)絡(luò)的所有連接中。具有非線性映射功能的神經(jīng)網(wǎng)絡(luò)應(yīng)用十分廣泛，幾乎涉及所有領(lǐng)域。(3)分類與識別。神經(jīng)網(wǎng)絡(luò)對外界輸入具有很強(qiáng)的識別與分類能力，對輸入樣本的分類實(shí)際上是在樣本空間中找出符合分類要求的分割區(qū)域，每個區(qū)域內(nèi)的樣本屬于同一類。傳統(tǒng)分類方法只適合解決同類相聚，異類分離的識別與分類問題。但客觀世界中的許多事物在樣本空間上的區(qū)域分割曲面是十分復(fù)雜的，相近的樣本可能屬于不同的類，而遠(yuǎn)離的樣本可那同屬一類。神經(jīng)網(wǎng)絡(luò)可以很好地解決對非線性曲面的逼近，因此比傳統(tǒng)的分類器具有更好的分類與識別能力。整理為word格式整理為word格式整理為word格式(4)優(yōu)化計(jì)算。優(yōu)化計(jì)算是指在已知的約束條件下，尋找一組參數(shù)組合，使由該組合確定的目標(biāo)函數(shù)達(dá)到最小值。某些類型的神經(jīng)網(wǎng)絡(luò)可以把待求解的可變參數(shù)設(shè)計(jì)為網(wǎng)絡(luò)的狀態(tài)，將目標(biāo)函數(shù)設(shè)計(jì)為網(wǎng)絡(luò)的能量函數(shù)。神經(jīng)網(wǎng)絡(luò)經(jīng)過動態(tài)演變過程達(dá)到穩(wěn)定狀態(tài)時對應(yīng)的能量函數(shù)的值最小，從而其穩(wěn)定狀態(tài)就是問題的最優(yōu)解。這種優(yōu)化計(jì)算不需要對目標(biāo)函數(shù)求導(dǎo)，其結(jié)果是網(wǎng)絡(luò)自動給出的。(5)知識處理。知識是人們從客觀世界的大量信息以及自身的實(shí)踐中總結(jié)歸納出來的經(jīng)驗(yàn)、規(guī)則和判據(jù)。神經(jīng)網(wǎng)絡(luò)獲得知識的途徑與人類似，也就是從對象的輸入輸出信息中抽取規(guī)律而獲得關(guān)于對象的知識，并將知識分布在網(wǎng)絡(luò)的連接中予以存儲，神經(jīng)網(wǎng)絡(luò)的知識抽取能力使其能夠在沒有任何先驗(yàn)知識的情況下自動從輸入數(shù)據(jù)中提起特征，發(fā)現(xiàn)規(guī)律，并通過自組織過程將自身構(gòu)建成適合于表達(dá)所發(fā)現(xiàn)的規(guī)律。另一方面，人的先驗(yàn)知識可以大大提高神經(jīng)網(wǎng)絡(luò)的知識處理能力，兩者相結(jié)合會使神經(jīng)網(wǎng)絡(luò)智能得到進(jìn)一步提升。綜上所述人工神經(jīng)元的特點(diǎn)可簡要概括為如下幾點(diǎn)：(1)對復(fù)雜不確定性問題的自適應(yīng)和自學(xué)習(xí)能力（作為控制系統(tǒng)中的補(bǔ)償環(huán)節(jié)、自適應(yīng)環(huán)節(jié)）；(2)對任意非線性系統(tǒng)的表示能力（用于非線性系統(tǒng)辨識、控制等）；(3由網(wǎng)絡(luò)的非線性動力學(xué)帶來的快速優(yōu)化計(jì)算能力（復(fù)雜問題的控制優(yōu)化計(jì)算等）(4)對大量定性或定量信息的分布存儲能力、并行處理與合并能力；(5)由并行分布式處理結(jié)構(gòu)帶來的容錯能力等。神經(jīng)網(wǎng)絡(luò)辨識擴(kuò)展BP神經(jīng)算法在擴(kuò)展BP算法[4]中,神經(jīng)網(wǎng)絡(luò)采用了廣義S(sigmoid)型變換函數(shù)來描述神經(jīng)元的輸入輸出特性。廣義S型變換函數(shù)與一般S型變換函數(shù)最大的不同在于它有兩個可調(diào)參數(shù)A和B,對于不同的神經(jīng)元這兩個參數(shù)是不同的,而且在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,這兩個參數(shù)也是根據(jù)梯度下降法不斷進(jìn)行調(diào)整,其定義為整理為word格式整理為word格式整理為word格式式中,Aik為控制神經(jīng)元節(jié)點(diǎn)的輸出值域范圍;Bik為用于調(diào)節(jié)廣義S型變換函數(shù)的斜率;Oik為第k層第i個神經(jīng)元節(jié)點(diǎn)的輸出;netik為第k層第i個神經(jīng)元節(jié)點(diǎn)的內(nèi)部狀態(tài)或稱輸入;wijk為第k-1層第j個神經(jīng)元對第k層第i個神經(jīng)元連接取值;tik為第k層第i個神經(jīng)元節(jié)點(diǎn)的閾值。同標(biāo)準(zhǔn)BP算法類似,定義誤差為式中,n為神經(jīng)網(wǎng)絡(luò)的層數(shù);q為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù);dj為給定的訓(xùn)練樣本輸出。學(xué)習(xí)過程通過梯度下降法調(diào)整參數(shù)wijk、tik、Aik和Bik使E趨向于最小實(shí)現(xiàn)。這就需要計(jì)算E關(guān)于各個參數(shù)的偏導(dǎo)數(shù)。定義將式(4)代入有關(guān)E學(xué)習(xí)參數(shù)得整理為word格式整理為word格式整理為word格式從式(4)和式(5)可知,只有Dik和Nik不可知,對于輸出層,應(yīng)用以上公式得Nin可由下式計(jì)算:-Nin=(di-Oin)(7)對于較低層,利用式(7),得Njk=6jDjk-1wijk-1(8)而Dik為在式(8)中,Nik僅取決于第(k+1)層中D,因此在同一層里N可以并行計(jì)算。在得到誤差E相對于各個神經(jīng)元參數(shù)的偏導(dǎo)數(shù)的基礎(chǔ)上,就可以沿導(dǎo)數(shù)的反向按照以下公式分別調(diào)整神經(jīng)元參數(shù)wijk、tik、Aik和Bik了:基于時間序列的動態(tài)模型辨識根據(jù)非線性動態(tài)系統(tǒng)模型和系統(tǒng)辨識定義,可以知道,無論是對基于時間序列描述的動態(tài)系統(tǒng)進(jìn)行辨識還是對基于狀態(tài)空間方程的動態(tài)系統(tǒng)進(jìn)行辨識,其目的都是為了找到一種過去的狀態(tài)和系統(tǒng)的輸入輸出到現(xiàn)在的系統(tǒng)輸出的一種映射關(guān)系f(?),將系統(tǒng)過去m時刻的輸入和過去n時刻的輸出映射到當(dāng)前的系統(tǒng)輸出。系統(tǒng)動態(tài)辨識的關(guān)鍵在于構(gòu)造這一非線性映射關(guān)系。下面我們就在m、n已知的前提下[5,6],采用前饋神經(jīng)網(wǎng)絡(luò)獲取這一非線性映射。選取神經(jīng)網(wǎng)絡(luò)的輸入為y(k-1),y(k-2),…,y(k-n),u(k),u(k-1),…,u(k-m),即系統(tǒng)的歷史數(shù)據(jù),輸出為y(k),這樣就構(gòu)成了輸入層m+n個輸入神經(jīng)元節(jié)點(diǎn),輸出層有一個輸出神經(jīng)元節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò),隱層的層數(shù)和神經(jīng)元的個數(shù)可以根據(jù)具體穩(wěn)態(tài)和需要選定[5,6]。本文根據(jù)原有的模型先驗(yàn)知識選擇m=6,n=3,隱層為1層,節(jié)點(diǎn)為15個,得到基于時間序列前饋動態(tài)模型辨識結(jié)構(gòu)[7],見圖2。整理為word格式整理為word格式整理為word格式同基于神經(jīng)網(wǎng)絡(luò)的靜態(tài)建模類似,神經(jīng)網(wǎng)絡(luò)的動態(tài)建模也存在神經(jīng)網(wǎng)絡(luò)的輸入輸出域與辨識系統(tǒng)輸出輸入不匹配的問題,也可以用同靜態(tài)系統(tǒng)辨識類似的方法,采用擴(kuò)展的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法。整理為word格式整理為word格式整理為word格式y(tǒng)辨識模型u誤差e神經(jīng)網(wǎng)絡(luò)Z-1Z-1Z-1Z-1Z-1圖2基于時間序列的前饋動態(tài)模型辨識結(jié)構(gòu)和訓(xùn)練算法。整理為word格式整理為word格式整理為word格式辨識結(jié)果軋制力辨識確定好神經(jīng)網(wǎng)絡(luò)模型,然后用以上神經(jīng)網(wǎng)絡(luò)模型完成系統(tǒng)非線性部分的辨識,再用傳統(tǒng)的遞推算法對系統(tǒng)線性部分參數(shù)進(jìn)行估計(jì),并將得到的模型進(jìn)行仿真,數(shù)據(jù)采用寶鋼2030mm軋機(jī)的軋制力數(shù)據(jù),辨識結(jié)果見圖3。圖3神經(jīng)網(wǎng)絡(luò)辨識與實(shí)測曲線液壓AGC參數(shù)辨識辨識出軋制力后然后利用最小二乘法辨識出系統(tǒng)的參數(shù)模型,離散化的數(shù)學(xué)模型為y(t)-0.238y(t-1)-0.337y(t-2)+0.220y(t-3)+0.055y(t-4)-0.139y(t-5)+0.153y(t-6)=0.整理為word格式整理為word格式整理為word格式295u(t-1)+0.366u(t-1)+0.055u(t-1)最終的特征參數(shù)模型為結(jié)果檢驗(yàn)?zāi)Ｐ蜋z驗(yàn)最常用模型檢驗(yàn)方法是通過檢驗(yàn)?zāi)Ｐ团c過程輸出殘差序列E(k)的白色性,模型檢驗(yàn)問題就歸結(jié)為“{E(k)}是否是白噪聲序列”這一命題的假設(shè)檢驗(yàn)問題。常用的方法有自相關(guān)函數(shù)檢驗(yàn)法[8]。根據(jù)上述模型檢驗(yàn)方法,計(jì)算輸出殘差序列{E(k)}的均值和自相關(guān)函數(shù)系數(shù),得E{E(k)}=0.00165和?Q(l)?≤0.1475,自相關(guān)曲線見圖4。圖4神經(jīng)網(wǎng)絡(luò)辨識輸出軋制力殘差自相關(guān)函數(shù)由于輸出殘差序列的均值近似為零,自相關(guān)函數(shù)系數(shù)全部落于置信區(qū)間內(nèi),我們可以判定殘差序列為白噪聲序列,模型可靠,仿真曲線也表明以上結(jié)論正確。辨識結(jié)果對比表1給出了模型特征理論值與辨識值及相對誤差,從表中可以看出參數(shù)辨識值的精度較高。表1模型特征理論值