[发明专利]一种粒子群优化RBF神经网络的PID控制方法

说明书

本发明涉及自动控制技术领域，公开了一种粒子群优化RBF神经网络的PID控制方法，包括：初始化粒子群优化算法；利用粒子群的进化规则进行寻优；将第一最优解进行码；确定BRF神经网络的网络结构；将所述BRF神经网络的参数的最优解进行解码；确定BP神经网络的网络结构；计算所述BP神经网络输入值和输出值；利用所述BP神经网络的迭代算法修正所述BP网络的加权系数持续调参，直至获取最优参。本发明通过对无人机姿态控制器的PID参数进行自适应控制，首先，利用粒子群优化算法改进的RBF神经网络PID控制比传统的BP神经网络PID控制的响应时间快，且超调小；其次，基于粒子群优化改进的RBF网络参数整定时间有效缩短；且基于粒子群PSO改进的RBF网络参数整定算法效率高。

技术领域

本发明属于技术自动控制技术领域，具体涉及一种粒子群优化RBF神经网络的PID控制方法。

背景技术

按比例、积分和微分进行控制的调节系统简称为PID控制系统，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式。然而，对于传统PID控制系统，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数：比例系数K_P、积分系数K_I、微分系数K_D，并依赖于精确的数学模型才能实现。

在无人机自动控制领域，传统的PID控制系统已经无法适应无人机复杂的控制过程，无法保证控制精度。为了克服上述技术问题，人们一直在寻找PID控制系统参数的自适应技术，以适应复杂系统的控制要求，神经网络理论的发展使得这种设想成为可能。神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，可以处理那些难以用模型和规则描述的过程。现有的利用神经网络对PID参数自整定的方法，主要是基于BP神经网络的PID参数自整定方法，利用神经网络的自学习和自适应能力来调整PID参数，进而对无人机模拟姿态控制模型进行仿真比较。

然而，上述利用BP神经网络对PID参数自整定的方法的响应时间和参数整定时间尚无法满足无人机控制的理想的控制需求。

发明内容

本发明的目的在于提供一种粒子群优化RBF神经网络的PID控制方法，用以解决现有技术中利用BP神经网络对PID参数自整定的方法的响应时间和参数整定时间尚无法满足无人机控制的理想的控制需求的技术问题。

为了实现上述目的，本发明采用以下的技术方案：

一种粒子群优化RBF神经网络的PID控制方法，所述方法包括：

步骤A：采集聚类样本，用减聚类算法对样本进行聚类分析，确定基函数的中心个数；

步骤B：初始化粒子群优化算法，确定变异粒子群优化算法的粒子群位数M，并给出粒子群惯性权重范围[Wmin，Wmax]、加速系数c1和c2、位置范围[Xmin，Xmax]、速度范围[Vmin，Vmax]；

步骤C：利用粒子群的进化规则进行寻优，并实时调整粒子的速度和位置，以获取粒子的最优解；

步骤D：将所述第一最优解进行码，以获取得到基函数的中心位置和宽度；

步骤E：计算BRF神经网络的隐含层的单元输出和输出层的单元输出；

步骤F：确定所述BRF神经网络的输入层节点数m和隐含层节点数s，并给出隐含层节点的中心矢量Cj(0)、基宽带参数的初值bj(0)、加权系数wj(0)、学习速率ρ、惯性系数此时计算次数k＝1；

步骤G：利用粒子群的进化规则对所述BRF神经网络的参数进行寻优，获取所述BRF神经网络的参数的最优解；

步骤H：将所述BRF神经网络的参数的最优解进行解码，并对解码后的所述BRF神经网络进行学习；