文摘

复合控制器由小脑模型网络和网络主要用于PID控制系统,特别是在机器人控制。它可以实现实时动态轨迹非线性跟踪控制,具有良好的逼近效果。根据复合控制器的结构和原理,介绍了忆阻器小脑模型网络的复合控制器。新的PID控制器基于记忆性小脑模型网络建立代替记忆电阻器的突触在原来的控制器。曲线近似的效果是通过MATLAB仿真实验。这个网络可以提高系统的响应和学习速度和流程更好的鲁棒性和抗干扰性能。

1。介绍

小脑模型关节控制器(小脑)神经网络的自适应学习网络多维连续系统或视为多维表系统寻找外部函数。是一种适应性学习网络类似于联想记忆网络的感知器,可以近似随机非线性动力学模型。阿不思·提出的1975年,小脑模型控制器模型,可以模仿大脑连接(1,2]。LMS算法引入到小脑模型由米勒和凿,并成功地应用于多自由度机器人关节控制在干预后1998年(3- - - - - -5]。当时,学术研究人员遭受找到一个人工神经网络模型具有良好的实时性能。尽管BP网络有良好的非线性映射的能力,其收敛速度太慢,以满足实时控制的要求。伟大已经注意到小脑模型因其良好的实时和非线性特征,快速算法计算,输出叠加,功能表示,学习速度快,局部泛化能力,和易于硬件实现6]。广泛应用于模式识别、信号处理、机器人控制。许多研究者致力于研究小脑后不久。巷等人提出了高阶小脑模型神经网络,使多层小脑模型网络体系结构构造(7]。金和刘易斯提出了优化设计机器人机械手的小脑模型神经网络控制器,这有很好的性能即使在大型建模不确定性和外部干扰的存在(8]。自适应小脑模型用于监控的不确定非线性系统(9]。然而,小脑模型网络中有一些缺陷,比如学习精度低,穷人的近似性能和收敛速度慢。小脑模型神经网络的发展和应用程序在一定程度上是有限的。

忆阻器是一种非线性(10,11和非易失性12)电路装置于1971年由蔡教授提出了根据电路理论的完整性(13),并于2008年实现了惠普(14]。忆阻器可以用来作为控制系统的可调参数,因为它有一个天然的优势,取代神经突触(15,16]。

根据其定义和性质,忆阻器被认为是一种纳米变阻器。摘要记忆电阻是用来取代突触小脑模型网络的构建一个新的神经网络复合控制。这种新的控制网络具有较高的学习精度,误差小,更好的逼近性能和更快的收敛速度。这一理论的可行性证明数值模拟。

2。基于小脑模型自调优参数PID控制器

基于小脑模型的PID控制器可以被描述为图结构1。通过小脑模型网络的自适应学习,PID控制器可以实现参数self-tune,使终端输出趋于零。因此,小脑模型网络的输出往往总输出。它实现了在线实时控制的非线性网络。

PID反馈控制器,可以抑制系统扰动,保证系统的稳定性。小脑模型是一个前馈控制可以保证系统的响应和控制速度。小脑模型网络是一种联想记忆神经网络感知器相似,当地的泛化能力。它的输入信号可以通过输入层进行编码。其输出层可以完成地址计算和输出地图。因此,相似的输入产生类似的输出和网络可以近似任意非线性关系。

3所示。基于记忆性小脑模型的PID控制器

PID控制器基于记忆性小脑模型具有相同的原理和结构如上所示。小脑模型部分利用监督学习规则来实现网络前馈控制。PID控制器实现反馈控制的网络。我们用记忆电阻代替突触权重,得到小脑模型的输出: 在哪里是网络的泛化参数或关联单位的数量。总产出等于小脑模型输出和PID输出的总和。为了使总产出和小脑模型输出的不同趋向于零,输出PID控制网络应该趋向于零。

PID控制器的控制算法基于记忆性小脑模型如下:

小脑模型网络的映射公式如下: 在输入空间小脑模型分为量化间隔。在这篇文章中,是小脑模型的虚拟存储空间的数量(),小脑模型网络的泛化参数,是选择二进制向量。

首先,控制网络使学习小脑模型网络进入当地的重量调整过程通过比较总输出和小脑模型输出。通过学习和反复调整权重,最后系统的总产出等于小脑模型的输出。小脑模型网络的权重调整公式如下: 在哪里是学习效率,是动力因素,体重变化。

为了进一步证明PID控制器基于记忆性小脑模型有更好的控制效果,MATLAB仿真实验完成如下。我们将小脑模型的学习效率,动量因子泛化参数,PID控制参数的初始值,,PID控制器的初始值,误差信号为零,和三个神经元PID控制器的初始值是0在模拟的过程中。输入方波信号控制对象的传递函数和采样时间是0.001秒。PID控制器的Matlab仿真结果基于记忆性小脑模型图所示2,3,4。

实验结果表明,PID控制器开始时起着重要的作用;过了一会儿,小脑模型成为了主要的控制,其控制效果优于PID控制器。整个系统有一个小的输出误差,并实时鲁棒性和良好的特点。网络中的PID控制器的主要功能是评判小脑模型控制器的性能,提高稳定性和减弱扰动。

4所示。比较研究的模拟块记忆性小脑模型和小脑

上述同样的原理和算法用于模拟PID控制器基于记忆性小脑模型和PID控制器基于小脑模型。变量的初始值和采样值是常数。输入信号(蓝色曲线)是信号步:。跟踪曲线模拟图(绿色曲线是基于记忆性小脑模型的PID控制器跟踪曲线,红色是PID控制器基于小脑模型)的跟踪曲线和误差曲线模拟图(蓝色曲线是基于记忆性小脑模型的PID控制器的误差曲线,红色是PID控制器基于小脑模型)的误差曲线如图5,6,7。

从above-amplified误差曲线,蓝色曲线的误差值小于红色的。也就是说,错误值基于记忆性小脑模型的PID控制器迅速减少,所以它有学习和更新权速度更快。系统错误,越少越好系统输入-输出曲线跟踪的影响。PID控制器基于记忆性小脑模型不仅满足输入和输出的要求,但也有一个适应和快速学习的能力。与此同时,系统响应和收敛速度都有所改善,和系统稳定性有更好的保证。

5。应用基于记忆性小脑模型的PID控制器

本文的仿真分析PID控制器基于记忆性小脑模型进行干式变压器的绕线机。绕线机是一种非线性的偏差信号与多个谐波信号。重要的是生产过程的响应速度和控制精度是否能识别和检测信号快速和精确。实验参数设置:采样时间是0.001秒,最大偏差信号之间的时间间隔是6.36 s,和相应的频率是0.1573秒。然后最大偏差信号的离散公式如下: 小脑模型的权重更新公式如下: 在哪里的重量吗th时刻,是联想的数量单位。学习误差公式如下: 在哪里通常学习因子和其值变化范围从0.02到0.1;老师被称为信号(系统)的输入信号。选择不同的参数,可以得到不同的输入输出和错误模拟图(绿色的星号代表了学习结果的输出,和蓝色的曲线是输入信号)。

上面的输入-输出拟合曲线得到的模拟。错误只存在在短时间的开始。检测信号识别效果越好,越快的速度PID控制器基于记忆性小脑模型。具有更快的学习速度和准确性在相同的实验条件下高于基于小脑模型的PID控制器。与此同时,因为记忆电阻是一个纳米级元素,可以实现更高的连接密度超大规模集成电路,和多维函数的精度更高的学习可以预期(见图8)。

6。结论

介绍了一种有效的方法来构造一个新的PID控制器基于记忆性小脑模型。它是由记忆电阻的小脑模型网络,PID控制器。从实验结果,误差更小的新的网络,学习速度,更快的收敛速度和更高的近似精度,和较强的局部泛化能力。在复杂、多变和干扰条件下,可以实现在线控制系统的实时控制。与此同时,纳米尺度的忆阻器作为神经突触可显著提高神经网络的神经元连接的数量和提高其连接密度。它使人们有可能的超大规模集成电路和记忆性突触神经网络可以最终实现。

确认

支持的工作是由中国国家自然科学基金批准号。60972155和60972155下,中央大学的基础研究基金批准号。XDJK2012A007 XDJK2013B011,重庆大学优秀人才支持基金会的批准号下2011 - 65年大学关键老师支持重庆的基础下批准号2011 - 65年科技活动优先资助留学人批准号2012 - 186年,美国国家科学基金会中国博士后科学家在批准号CPSF20100470116,“春天的阳光计划”下的中国教育部研究项目批准号z2011148。