0.引言

PID控制是最早发展起来的控制策略之一，由于其算法简单、鲁棒性好及可靠性高，被广泛应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性系统。然而实际工业生产过程往往具有非线性、时变不确定性，难以建立精确的数学模型，应用常规PID控制器不能达到理想的控制效果。计算机技术和人工神经网络等智能控制理论的发展为复杂动态不确定系统的控制提供了新的途径。采用人工神经网络技术，可设计PID神经网络和进行PID的智能整定，达到更好的控制效果。本章将在研究人工神经网络和PID控制理论原理的基础上，设计适合于定量包装秤系统的神经PID控制网络。
1.神经网络原理
神经网络简介咖I1943年心理学家McCulloch和数理逻辑学家Pitts发表文章，总结了神经元的基本生理特性，提出了神经元的数学描述和网络的结构方法，即M．P模型。该模型描述了一个简单的人工神经元模型的活动是服从二值(兴奋和抑制)变化的：当模型中的神经元处于兴奋状态时，其输出为1；处于非兴奋状态时，输出为O。这标志神经计算时代的开始。M．P模型能完成任意有限的逻辑运算，是第一个采用集体并行计算结构来描述人工神经元和网络工作。M．P神经元模型是人工神经元模型的基础，也是神经网络理论的基础。1957年Frank Rosenblatt定义了一个神经网络结构，称为感知器(perceptron)。第一次把神经网络研究从纯理论的探讨推向工程实现，从而掀起了神经网络研究高潮。它是一个具有单层处理单元的神经网络，具体包括：由接受单元组成的输入层、由MP神经元构成的联合层和输出层。输入层和联合层之间的结合可以不是完全连接，而联合层和输出层之间一般是完全连接，用教师信号第五章神经网络和PID控制在定量包装秤中的应用可以对感知器进行训练。该模型学习的环境可以是有噪声的，网络构造中存在随机连接，这符合动物学习的自然环境。1969年M．Minsky和S．Papert发表了论著“Perceptrons"，指出感知器仅能解决一阶谓词逻辑，只能完成线性划分。对于非线性或其他分类会遇到很大困难，一个简单的XOR问题的例子就证明了这一点。由此，神经网络研究一度达到低潮。使神经网络研究一度达到低潮的原因还有：计算机不够发达，VLSI还没出现。20世纪70年代，全球只有几十个人在研究神经网络，但还是一个很有成果的时期。如芬兰Kohonen的自组织神经网络、Stephen Crossberg的共振自适应理论ART网络等，都是在这个时期提出的重要的研究成果，至今还有很好的研究与应用前景。1982年美国物理学家John J．Hopfield提出了全连接网络模型。这是一种全新的具有完整理论基础的神经网络模型，并且从理论上证明了网络可达到稳定的离散和连续两种情况。为神经网络研究开辟了一条崭新的道路，证明了神经网络的研究有无限的空间有待开发。神经网络复兴时期由此开始。这种网络的基本思想是对于一个给定的神经网络，具有一个能量函数，这个能量函数正比于每一个神经元的活动值和神经元之间的连接权。而活动值的改变算法是向能量函数减少的方向进行，一直达到一个极小值为止。利用所定义的计算能量函数，成功地求解了计算复杂度为NP(Nondeterministic Polynomial)完全型的旅行商问题(TravelingSalesman Problem)，简称TSP问题。这一突破性的进展引起了广大学者对神经网络潜在能力的高度重视，从而掀起了研究神经网络信息处理方法和研制神经计算机的热潮。1986年美国的一个并行计算研究小组提出了前向反馈神经网络的BP(backpropatation)学习算法。成为当今应用最广泛的前向神经网络的学习方法之一。该方法解决了当年Minsky等人提出的感知器非线性不可分类问题，给神经网络研究带来了新的希望。现在，神经网络的应用已渗透到多个领域，如人工智能、模式识别、信号处理、计算机视觉等。
2.神经网络的应用特点
人工神经网络是一种按照人脑的组织和活动原理而构造的一种数据驱动型83电子定量包装秤动态称重系统及数据处理方法的研究非线性映射模型，可以实现任何复杂的因果关系映射，能够从大量的历史数据中进行聚类和学习，进而找到某些行为变化的规律。它可以处理那些难以用数学模型描述的系统，具有很强的并行处理、自适应、自组织、联想记忆、容错鲁棒以及任意逼近非线性等特性，特别适用于处理复杂问题，在预测评估、智能控制、模式识别、信号处理、非线性优化、函数逼近、自适应控制及管理工程等领域具有广泛的应用。实践证明，人工神经网络在很多方面的应用结果都优于或不差于现有其它方法或理论，表现出良好的应用前景和潜力。
 人工神经网络应用的特点：
 (1)人工神经网络具有学习能力，能够快速地对复杂环境及变化做出比较合理的反应和有效的预测。
 (2)人工神经网络建模的过程是一种“行为过程”，通过对数据的学习，构成一个“真实"的系统。该系统的行为反映了数据间的隐含关系，进而可用这一“系统"模拟实际系统进行系统分析和仿真。
 (3)人工神经网络可方便地引入各类信息，包括有明显因果关系的相关信息和隐含于各种关系间、无法用统计或其他显式方法表示的关系。
3.神经网络分类
神经网络模型有多种分类方法。按照网络的结构区分，有前向网络和反馈网络。按照学习方式区分，则分为有教师学习和无教师学习网络。按照网络性能区分， 则有连续型和离散性网络、随机型和确定型网络。按照突触性质区分，则有一阶线性关联网络和高阶非线性关联网络。按对生物神经系统的层次模拟区分，则有神经元层次模型、组合式模型、网络层次模型、神经系统层次模型和智能型模型。通常，人们较多地考虑神经元之间的相互组合关系和作用方式，典型的神经网络模型可分为分层网络模型和互连网络模型。在提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP(Back Propagation)网络、RBF(Radial BasisFunction)径向基神经网络、Kohonen网络和ART网络(Adaptive ResonanceTheory：自适应共振理论模型)。Hopfield网络是最典型的反馈网络模型，他是目前人们研究得最多的模型之第五章神经网络和PID控制在定量包装秤中的应用一。Hopfield网络是由相同的神经元构成的单层，并且不具学习功能的自联想网络。它需要对称连接。这个网络可以完成最优化计算和联想记忆等功能。BP网络是反向传播(Back Propagation)网络，是一种最广泛应用的多层前向网络，它采用最小均方差学习方式，需有教师训练。他可用于语言综合、识别和自适应控制等用途。径向基函数(RBF)神经网络是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。径向基函数网络的每个隐层神经元传递函数都构成了拟合平面的一个基函数网络，也由此得名径向基函数。径向基神经网络是一种局部逼近网络，即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出，所以径向基函数神经网络一般规模比BP网络要大。典型的径向基神经网络包括两层隐层和输出层，但是径向基神经网络的神经元传递函数与BP网络的不同，高斯函数(Gauss function)是典型的径向基神经网络的神经元传递函数。Kohonen网络是典型的自组织神经网络，这种网络也称为自组织特征映射网络。它的输入层是单层单维神经元，而输出层是二维的神经元，神经元之间存在以“墨西哥帽"形式进行侧向交互的作用，因而在输出层中，神经元之间有近扬远抑的反馈特性，从而使Kohonen网络可以作为模式特征的检测器。ART网络也是一种自组织网络模型，这是一种无教师学习网络。它能够较好地协调适应性、稳定性和复杂性的要求。在ART网络中，通常需要两个功能互补的子系统相互作用，这两个子系统称为注意子系统和取向子系统。ART网络主要用于模式识别，它的不足之处是在于对转换、失真和规模变化较敏感
4神经网络的学习和训练
学习特性是神经网络的基本特性，神经网络的学习与训练是通过网络权值和阈值的调节来实现的。根据学习过程的组织和管理方式不同，学习算法可分为有监督学习和无监督学习两大类。对于有监督学习，网络训练往往要基于一定数量的训练样例或样本，训练样本通常由输入矢量、目标矢量组成。在学习和训练过程中，神经网络不断地将其实际输出与目标输出进行比较，并根据比较结果或误差按照一定的规则或算法对85电子定量包装秤动态称重系统及数据处理方法的研究网络权值和阈值进行调节，从而使网络的输出逐渐接近目标值。最典型的有监督学习算法的代表是BP(Back Propagation)算法：误差反向传播算法。无监督学习是一种自组织学习，即网络的学习过程完全是一种自我学习的过程，不需要提供学习样本或外界反馈。在学习过程中，网络只需相应输入信号的激励，按照某种规则反复调节网络权值和阈值，直到最后形成某种有序的状态。根据每次网络训练的任务量的不同，神经网络的训练方式可分为渐进式训练和批量式训练。渐进式训练(Incremental Training)是一种在线学习方式，即神经网络每接受一对输入矢量和目标矢量，便对网络权值和阈值进行适时地调整。而批量式训练(Batch Training)贝lJ是在所有的输入矢量和目标矢量集准备完成后才开始根据相应的算法对网络权值和阈值进行批量调整。

本文源于网络转载，如有侵权，请联系删除