[发明专利]基于神经网络逆辨识与自适应PID的声参量阵控制方法

说明书

技术领域

一种声参量阵控制系统设计方法，尤其涉及一种基于神经网络的逆辨识与自适应PID控制以减小声参量阵系统信号失真度的控制系统设计方法。

背景技术

声参量阵系统是利用声参量阵原理，产生高指向性声频信号的新一代扬声器。与传统扬声器发出的声波全向传播不同的是，该系统可以将可听生沿着一个指定的方向进行传播。在该方向以外区域的声音将很微弱甚至听不到。

作为一种新概念扬声器，目前声参量阵系统的相关基础理论与关键技术发展仍然不很成熟。这种理论与技术上的不成熟导致了声音失真成为制约参量阵系统发展的主要原因之一。解决声参量阵系统声音失真的根本途径在于其信号处理方法的研究。目前国内外众多学者提出了DSB法、SSB法、平方根法、双积分又平方根法和TDSB法等信号处理方法，但这些算法的理论依据均为Westervelt及Berktay提出的参量阵理论。这两种理论在理论推导过程在做了大量假设，且对声参量阵涉及的非线性项仅做了两阶非线性近似，很难精确描述声参量阵的非线性特性，尤其是二阶以上的非线性特性。这使得依据现有声参量阵理论开发的声参量阵信号处理方法存在先天缺陷。

神经网络作为一种研究非线性系统十分有效的手段，近年来得到了较好发展。理论上讲，采用神经网络可以以任意精度逼近非线性系统，这为解决现有参量阵理论只能二阶逼近声参量阵的非线性特性问题提供了一条新途径。在多年的研究基础上，申请人成功制作出了空气中的声参量阵样机，可以测试出声参量阵的输入信号与输出信号，这为采用神经网络方法对声参量阵进行系统辨识、建模与控制创造了条件。

发明内容

本发明的目的是，提供了一种基于神经网络逆辨识与自适应PID控制相结合的声参量阵控制系统设计方法，从而减小声参量阵系统的信号失真，获得良好的信号处理结果。

为实现所述的目的，本发明解决其技术问题所采用的技术方案是：

1.对于声参量阵的逆控制，经验证“Berktay远场解”的数学模型满足可逆的充分必要条件，系统可逆。于是用已测得的输入、输出数据通过BP算法对系统进行逆辨识。同时为了最大限度地激励系统内部模态，采用随机信号作为激励信号，用测得数据进行训练得到逆模型，然后将训练好的逆模块串接到对象之前，形成一个“伪线性系统”，如图1；

2.确定基于BP网络的PID控制器结构。本发明提出的自适应PID控制器包括两部分，一部分是BP神经网络，另一部分是PID控制器。BP神经网络通过系统反馈回来的信号使用BP算法对PID控制器的输出进行调节，若输出信号不是期望信号，则神经网络将通过调节网络权值来控制PID控制器的三个输出(比例部分、积分部分和微分部分)，直至系统输出信号达到最优。其控制算法归纳如下：

①确定BP网络的结构，即确定BP网络输入层节点数M和隐含层节点数Q，并且给出各层加权系数的初值和选定学习速率η和惯性系数α，且此时k＝1；(其中M和Q的值由系统的复杂程度决定，j表示网络输入层、l表示网络隐含层、i表示网络的输出层)；

②采样得到rin(k)和yout(k)，并计算该时刻误差error(k)＝rin(k)-yout(k)；(其中rin(k)为该系统第k次的输入，yout(k)为系统第k次输出)；

③计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数K_p，K_i，K_d；

④根据经典增量式数字PID的控制算法公式如下

u(k)＝u(k-1)+K_P(error(k)-error(k-1))+K_Ierror(k)+K_D(error(k)-2error(k-1)+error(k-2)

计算PID控制器的输出u(k)；

⑤进行神经网络学习，在线调整加权系数和实现PID控制参数的自适应调整；(其中为输入层加权系数、为隐含层加权系数)

⑥置k＝k+1，返回步骤1。

②根据②中所述的各个量之间的关系连接各模块即构成了本发明的主要核心系统，如图2所示，该系统主要由自适应PID控制器、神经网络逆模块组成。

由前述设计方法可以得出，本发明通过训练神经网络逆控制模块然后把辨识出来的逆模型串接到对象的前部，实现了一个“伪线性系统”，随之辅以自适应PID控制环节，由此可以得到较之当前技术更好的控制性能，能较大程度的改善声参量阵系统信号失真度过高的问题。

附图说明