[发明专利]基于PID调节的BP神经网络算法

摘要

基于PID调节的BP神经网络算法，对目标温度、实际温度、目标输出、实际输出建立数学模型，归一化后输入BP神经网络，进行PID参数的调节，达到更精准的温度控制，并通过对最速下降法的改进，实时调节控制步长P来使得目标输出逃离局部最优解，趋于稳定在全局最优解。本发明的有益效果：通过根据目标值与预期值的关系，实时调整学习速率，加快震荡的收敛。解决了传统BP神经网络学习速度慢，鲁棒性不强的关键技术问题。

主权项

1.基于PID调节的BP神经网络算法，其具体步骤如下：1)初始化选定BP神经网络控制器的结构，选定输入层节点数i和隐藏层节点数j，以及输出层节点数n，并给出范围在‑1～1之间的隐藏层的权系数v[i][j]和输出层的权系数w[j][n]的随机值，选定学习速率a和平滑因子b；2)采样得到实际温度r(k)和实际输出y(k)，计算误差e(k)＝r(k)‑y(k)；3)对实际温度r(k)、实际输出y(k)、目标输出u(k)、误差e(k)进行归一化处理，作为神经网络的输入；4)计算BP神经网络控制器各层神经元的输入值和输出值HO2[n]，输出值HO2[n]反归一化即为PID控制器的三个可调参数Kp，KI，KD，计算PID控制器的控制输出u(k)并送入被控制对象参与控制和计算；5)通过输入值与输出值的参数对比，用最速下降法调整学习速率a与权系数v[i][j]和w[j][n]，调整公式如下：其中P为一次调节所走的步长，γ1、γ2分别是学习速率与权系数改变量的变异系数，θ为阀值；当e(k)>e(k‑1)时，0＜γ1＜1，γ2＝1；当Δe(k)<Δe(k‑1),γ1＞1，并当|e(k)|>θ，γ2＞1；通过调整γ1的数值来调整步长P，再通过调整γ2的数值和调整后的步长P来调整权系数v[i][j]和w[j][n]使得最速下降法函数曲线接近全局最优解；6)将优化后的输出层的权系数w[j][n]和隐藏层的权系数v[i][j]以及学习速率a送入BP神经网络控制器，BP神经网络控制器输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。