神经网络控制大作业南航智能控制文档格式.docx

神经网络控制大作业南航智能控制文档格式.docx

《神经网络控制大作业南航智能控制文档格式.docx》由会员分享，可在线阅读，更多相关《神经网络控制大作业南航智能控制文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

学号：

专业：

201年月日

一、题目要求

考虑如下某水下航行器的水下直航运动非线性模型：

其中

为水下航行器的前进速度，

为水下航行器的推进器推力，

为水下航行器的输出，航行器本体质量、附加质量以及非线性运动阻尼系数分别为

。

作业具体要求：

1、设计神经网络控制器，对期望角度进行跟踪。

2、分析神经网络层数和神经元个数对控制性能的影响。

3、分析系统在神经网络控制和PID控制作用下的抗干扰能力（加噪声干扰、加参数不确定）、抗非线性能力（加死区和饱和特性）、抗时滞的能力（对时滞大小加以改变）。

二、神经网络控制器的设计

1.构建系统的PID控制模型

在Simulink环境下搭建水下航行器的PID仿真模型，如下图1所示：

图1水下航行器的PID控制系统

其中，PID控制器的参数设置为：

Kp=800，Ki=100，Kd=10。

需要注意的一点是，经过signaltoworkspace模块提取出的数据的Saveformat为Array格式。

2.BP神经网络控制器的训练

首先将提取出的训练数据变为标准的训练数据形式，标准的训练数据分为输入和目标输出两部分。

经过signaltoworkspace模块提取出的数据为一个训练数据个数乘以输入（或输出）个数的矩阵，因此分别将x、u转置后就得到标准训练数据x’,u’。

然后，新建m文件，编写神经网络控制器设计程序：

%----------------------------------------------------------------

p=x'

;

%input

t=u'

net=newff（p,t,3,{'

tansig'

'

purelin'

},'

trainlm'

）;

net.trainparam.epochs=2500;

net.trainparam.goal=0.00001;

net=train（net,x'

u'

%trainnetwork

gensim（net,-1）;

%generatesimulinkblock

上述m文件建立了如下图所示的神经网络，包含输入层、1个隐含层和输出层，各层神经元节点分别为1、3和1。

图2神经网络控制器结构及训练方法

神经网络控制器的训练过程如下：

图3神经网络训练过程

由gensim（net,-1）;

%generatesimulinkblock语句生成了Simulink神经网络控制模块，如下图所示。

图4神经网络控制模块

对神经网络训练完成后，生成了Simulink仿真模块，将其取代了PID控制器，得到神经网络控制系统模型如下图所示。

图5水下航行器神经网络控制系统仿真模型

三、仿真结果与分析

1.PID控制器和神经网络控制器的仿真效果

对比采用PID控制器和神经网络控制器的仿真效果：

图6系统阶跃相应曲线

由图6的对比可知，神经网络控制达到了很好的控制效果。

2.神经网络层数和神经元个数对控制性能的影响

考察神经网络层数和神经元个数对控制效果的影响。

（1）分别采用1隐层、5隐层和10隐层BP神经网络，仿真结果如下：

图7采用1、5、10隐层BP神经网络仿真结果

（2）分别采用5隐层各3各神经元、10个神经元的BP神经网络，仿真结果如下：

图8采用5隐层各3各神经元、10个神经元的BP神经网络

综上所述，神经网络层数和神经元节点数目对控制效果具有重要影响，增加神经网络层数或者增加神经元节点数目均可提高精度。

3.神经网络的抗干扰、非线性和时滞能力

（1）抗噪声和不确定干扰的能力：

图9系统阶跃响应曲线（加白噪声）

从图9可以看出，神经网络控制器比PID控制具有更好的抗噪声和不确定干扰的能力。

（2）抗饱和和死区非线性干扰的能力：

图10系统阶跃响应曲线（饱和非线性）

图11系统阶跃响应曲线（死区非线性）

从图中可以看出，神经网络控制器在抗饱和、死区非线性方面，并不比PID控制有更佳的性能，这与控制器设计方式是有关的。

（3）抗输入时滞的能力：

图12系统阶跃响应曲线（0.1s输入时滞）

由图可知，神经网络控制与PID控制对时滞均比较敏感。

4.总结

神经网络控制作为一种智能控制方法，与PID控制相比，表现出它的优越性，如自组织、自适应和自整定能力等。

将神经网络和PID控制合理地结合起来构成复合控制策略，可实现高性能的控制系统。