基于BP神经网络的PID控制器的研究
与实现
课程名称：人工神经网络
目录
前言........................................................................................................2
一、BP 神经网络.................................................................................3
二、模拟 PID 控制系统......................................................................5
三、基于 BP 神经网络的 PID 控制器..............................................6
四、仿真程序.....................................................................................10
五、运行结果.....................................................................................17
六、总结.............................................................................................18
参考文献.............................................................................................19
前言
人工神经网络是以一种简单神经元为节点，采用某种网络拓扑结
构构成的活性网络，可以用来描述几乎任意的非线性系统。不仅如此，
人工神经网络还具有学习能力、记忆能力、计算能力以及各种智能处
理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和
检索的功能。不同领域的科学家，对人工神经网络有着不同的理解、
不同的研究容，并且采用不同的研究方法。对于控制领域的研究工作
者来说，人工神经网络的魅力在于：①能够充分逼近任意复杂的非线
性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或
控制器模型；②能够学习和适应不确定性系统的动态特性；③所有定
量或定性的信息都分布储存于网络的各神经单元，从而具有很强的容
错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运
算。对于长期困扰控制界的非线性系统和不确定性系统来说，人工神
经网络无疑是一种解决问题的有效途径。正因为如此，把人工神经网
络引入传统的 PID 控制，将这两者结合，则可以在一定程度上解决
传统 PID 调节器不易在线实时整定参数、难于对一些复杂过程和参
数慢时变系统进行有效控制的不足。
一、BP 神经网络
BP神经网络是一种有隐含层的多层前馈网络，其结构如图1-1所
示。如果把具有M个输入节点和L个输出节点的BP神经网络看成是从
M维欧氏空间到L维欧氏空间的非线性映射，则对于具有一定非线性
因数的工业过程被控对象，采用BP网络来描述，不失为一种好的选
择。在BP神经网络中的神经元多采用S型函数作为活化函数，利用其
连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使
网络的输出与期望输出的误差边向后传播边修正加权系数，以期使误
差均方值最小。BP神经网络的学习过程可分为前向网络计算和反向
误差传播——连接加权系数修正两个部分，这两个部分是相继连续反
复进行的，直至误差满足要求。不论学习过程是否已经结束，只要在
网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通
过每一层时要根据当时的连接加权系数和节点的活化函数与阈值进
行相应计算，所得的输出再继续向下一层传输。这个前向网络计算过
程，既是网络学习过程的一部分，也是将来网络的工作模式。在学习
过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，
则转入反向传播，将误差沿着原来的连接通路回送，作为修改加权系
数的依据，目标是使误差减小。
图1-1
二、模拟 PID 控制系统
PID控制是最早发展起来的控制策略之一，它以算法简单、鲁捧
性好、可靠性高等优点而梭广泛应用于工业过程控制中。
PID控制系统结构如图1-2所示：
积分
比例
微分
被控对象
—
e(t)
u(t)
c(t)
r(t)
图1-2
它主要由PID控制器和被控对象所组成。而PID控制器则由比例、
积分、微分三个环节组成。它的数学描述为：
