基于CMAC神經(jīng)網(wǎng)絡(luò)的PID參數(shù)自整定方法的研究

圖4CMAC訓(xùn)練誤差曲線
Fig.4TrainingerrorcurveofCMAC

　　圖5所示為1620組訓(xùn)練數(shù)據(jù)送入CMAC神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，訓(xùn)練數(shù)據(jù)在各個誤差區(qū)間中的個數(shù)，可看出超過90%的訓(xùn)練數(shù)據(jù)具有較高的誤差精度，即誤差精度0.1。

圖5訓(xùn)練數(shù)據(jù)在各誤差區(qū)間中的個數(shù)
Fig.5Numbersoftrainingdataindifferentsectionoferror

　　把選取的2000種特征參數(shù)模塊中剩下的380組作為測試集，對訓(xùn)練后的CMAC參數(shù)整定網(wǎng)絡(luò)進(jìn)行測試。輸出的控制參數(shù)變化值與學(xué)習(xí)樣本期望結(jié)果進(jìn)行對比，錯誤率為7.8%，說明CMAC網(wǎng)絡(luò)訓(xùn)練比較成功，具有一定的泛化能力。圖6所示為CMAC神經(jīng)網(wǎng)絡(luò)的測試誤差曲線。圖7所示為測試數(shù)據(jù)在各誤差區(qū)間中的個數(shù)。

圖6CMAC測試誤差曲線
Fig.6TestingerrorcurveofCMAC

圖7測試數(shù)據(jù)在各誤差區(qū)間中的個數(shù)
Fig.7Numbersoftestingdataindifferentsectionoferror

5仿真結(jié)果

　　選取被控對象為：，原控制器對此對象的控制性能達(dá)到要求，階躍擾動曲線如圖8中線1所示。當(dāng)進(jìn)行PID參數(shù)自整定，整定后的響應(yīng)曲線為圖8中線2，把特征參量送入CMAC參數(shù)整定網(wǎng)絡(luò)，整定后參數(shù)為。從仿真圖中，我們可以看出PID參數(shù)的整定效果比較理想，且CMAC神經(jīng)網(wǎng)絡(luò)的達(dá)到穩(wěn)定的訓(xùn)練時間也比較短。

圖8整定前后的響應(yīng)曲線

6結(jié)論

　　仿真結(jié)果表明，CMAC神經(jīng)網(wǎng)絡(luò)的特性使其適合在PID參數(shù)自整定中使用。CMAC神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)整是局部的，學(xué)習(xí)速度快，收斂性好，而且PID參數(shù)的整定效果也滿足整定要求。文章的創(chuàng)新點(diǎn)：在基于模式識別的PID參數(shù)自整定系統(tǒng)中，直接利用CMAC網(wǎng)絡(luò)獲取整定規(guī)則，避免了傳統(tǒng)的大量專家整定經(jīng)驗(yàn)的建立。