[发明专利]两轴扫描镜

说明书

所属技术领域

本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于两轴扫描镜改造。

背景技术

两轴扫描镜是精密的机电伺服系统。红外仿真装置中利用它进行光路位置误差补偿，实现光标的二次精确跟踪定位。两轴扫描镜这种系统还可用于各种高精度跟踪设备，如射电望远镜、天文望远镜、雷达跟踪系统等。两轴扫描镜是一个具有复杂非线性和强耦合的系统。由于神经网络具有较好的学习能力和非线性逼近特性，以神经网络为基础的控制器在理论和实际应用上已有一定的研究，包括神经网络为基础的解耦控制器。由于神经网络的学习能力对整个解耦控制器的解耦性能具有很大的影响，因此本发明提出了一种改进的神经网络学习方法。

BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过程是一种误差后向传播修正权系数的过程。

一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。

发明内容

本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，其中控制器中解耦部分对角通道中一支采用PID控制方法，控制器中控制部分对应主通道中采用改进的神经网络方法，控制器中解耦部分对角通道中另一支采用改进的神经网络方法，控制器中控制部分对应主通道中采用PID控制方法，提出了一组填料塔装置改造方法。其中对角矩阵解耦方法和PID控制方法是传统方法，仅对改进的神经网络学习方法加以描述。

BP网络计算的主题步骤：

(a).置各权值和阀值的初始值(p＝1，2...Q)其中p为第若干层，Q表示总层数

(b).输入训练样本(I_q，d_q)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本计算输出和权值修正

(c).计算网络各层的实际输出x^p＝f(s^p)＝f(w^px^p-1)，式中f(*)为激活函数

若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个训练学习为止。

以下利用共轭梯度法对权值修正：

考虑二次型性能函数其梯度为其二阶梯度是Hessian矩阵于是，梯度的改变量是

Δg[k]＝g[k+1]-g[k]＝(Qw[k+1]+b)-(Qw[k]+b)＝QΔw[k]＝α[k]Hp[k]

式中，α[k]是在时刻延方向p[k]搜索使性能函数E(w)最小的学习率

对于二次型性能函数，最优学习率按下式确定于是，根据共轭条件，并由于学习率是一个标量，所以α[k]p^T[k]Hp[j]＝Δg^T[k]p[j]＝0。共轭条件就转变为搜索方向p[j]与梯度的改变量Δg[k]正交，而与Hessian矩阵无关。

初始搜索方向p[0]可以是任意的，第1个迭代方向p[1]只要与Δg[0]正交即可，通常以最速下降方向开始，后续的方向p[k]只要与梯度的改变量序列{Δg[0]，Δg[1]，...Δg[k-1]}正交即可。一种简要的方法是采用迭代P[k+1]＝β[k+1]P[k]-α[(1-μ^k)g[k+1]+μ^kg[k]]