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

圖4CMAC訓練誤差曲線(xiàn)
Fig.4TrainingerrorcurveofCMAC

　　圖5所示為1620組訓練數據送入CMAC神經(jīng)網(wǎng)絡(luò )訓練后，訓練數據在各個(gè)誤差區間中的個(gè)數，可看出超過(guò)90%的訓練數據具有較高的誤差精度，即誤差精度0.1。

圖5訓練數據在各誤差區間中的個(gè)數
Fig.5Numbersoftrainingdataindifferentsectionoferror

　　把選取的2000種特征參數模塊中剩下的380組作為測試集，對訓練后的CMAC參數整定網(wǎng)絡(luò )進(jìn)行測試。輸出的控制參數變化值與學(xué)習樣本期望結果進(jìn)行對比，錯誤率為7.8%，說(shuō)明CMAC網(wǎng)絡(luò )訓練比較成功，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(xiàn)。圖7所示為測試數據在各誤差區間中的個(gè)數。

圖6CMAC測試誤差曲線(xiàn)
Fig.6TestingerrorcurveofCMAC

圖7測試數據在各誤差區間中的個(gè)數
Fig.7Numbersoftestingdataindifferentsectionoferror

5仿真結果

　　選取被控對象為：，原控制器對此對象的控制性能達到要求，階躍擾動(dòng)曲線(xiàn)如圖8中線(xiàn)1所示。當進(jìn)行PID參數自整定，整定后的響應曲線(xiàn)為圖8中線(xiàn)2，把特征參量送入CMAC參數整定網(wǎng)絡(luò )，整定后參數為。從仿真圖中，我們可以看出PID參數的整定效果比較理想，且CMAC神經(jīng)網(wǎng)絡(luò )的達到穩定的訓練時(shí)間也比較短。

圖8整定前后的響應曲線(xiàn)

6結論

　　仿真結果表明，CMAC神經(jīng)網(wǎng)絡(luò )的特性使其適合在PID參數自整定中使用。CMAC神經(jīng)網(wǎng)絡(luò )權值的調整是局部的，學(xué)習速度快，收斂性好，而且PID參數的整定效果也滿(mǎn)足整定要求。文章的創(chuàng )新點(diǎn)：在基于模式識別的PID參數自整定系統中，直接利用CMAC網(wǎng)絡(luò )獲取整定規則，避免了傳統的大量專(zhuān)家整定經(jīng)驗的建立。