摘要：本文对具有神经网络结构的PID控制系统进行研究，目的是提高控制器的控制效果。PID控制是一种经典的控制方法，具有实现简单，抗干扰能力强等的优点。但它的输出对输入的响应有延迟，不能适应不确定系统与非线性系统的控制。因此将常规PID与神经元网络相结合便成了现代控制理论的一个发展方向。

多步预测性能指标函数下的神经网络PID控制系统对单变量系统来讲是把预测控制思想与神经网络PID控制思想两者结合起来，凭借性能指标函数去训练网络的权值。而本文采用新的多步预测性能指标函数。针对神经网络辨识器那一块也采用了更便于实时控制的动态神经网络。因此，仿真结果表明本文的改进方法响应性能更突出。对于多变量系统来讲，研究的内容主要包括对基于多步预测性能指标函数下的多变量的神经网络PID控制以及基于神经网络的PID控制，并对研究结果进行了仿真处理。而对于后者的研究又包括对其结构和计算方法。此控制系统由多个子网络并列组成。子网络的个数由控制系统中控制变量个数决定，即m个控制变量，m个子网络。每个子网络由输入层，隐含层和输出层组成。最终的仿真结果也表明了此系统具有良好的自学习和自适应的能力。

关键词：PID控制；神经元；单变量系统；多变量系统

目录

摘要

ABSTRACT

第一章  绪论-1

1.1课题研究的背景与意义-1

1.2 课题当今的研究现状-1

1.3 本课题的章节安排与内容-2

第二章 PID控制器的基本原理-3

2.1 PID控制器-3

2.2 PID控制原理-3

2.3 PID控制基本规律-4

2.4 PID参数整定-6

第三章 神经网络的基本原理-8

3.1 神经网络的概述-8

3.2 神经网络的类型-8

3.2.1 单层前向神经网络-8

3.2.2 多层前向神经网络-9

3.2.3 反馈网络-9

3.3 神经元的基本模型结构形式-10

3.4 神经网络的几种学习规则-12

3.4.1 Hebb学习规则-12

3.4.2 Delta学习规则-12

3.5 几种典型的神经网络-12

3.5.1 BP神经网络-12

3.5.2 RBF神经网络-14

3.5.3 CMAC神经网络-15

第四章 神经网络PID控制基本原理以及应用-16

4.1 基于BP神经网络PID控制器-16

4.1.1 BP神经网络整定原理-16

4.1.2 常规PID控制系统-19

4.1.3基于BP神经网络的PID控制系统-20

4.2 RBF神经网络和 CMAC神经网络PID控制-23

4.2.1 RBF 神经网络 PID 控制-23

4.2.2 CMAC 神经网络PID控制-24

结束语-26

致  谢-27

参考文献-28