[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

摘要

本发明提供一种以神经网络逆辨识、控制与自适应PID控制器来改善声参量阵系统信号失真的控制系统设计方法。该方法主要是利用对已有声参量阵系统进行试验获得的大量数据训练出其神经网络模型，并通过反向训练出其逆模型。把辨识出来的逆模型串接到声参量阵系统的前部，实现一个“伪线性系统”。并通过增加辅助自适应PID控制器来实现对系统信号失真的预处理。与现有系统相比，该声参量阵系统控制系统设计方法可大幅减小系统的声音失真。该方法的优点在于采用随机信号进行训练，具有广泛性；通过自适应PID控制器使系统性能更优；系统硬件电路简单，运行过程可靠，处理结果理想，实现成本低廉。

主权项

1.基于神经网络逆辨识与PID自适应控制的声参量阵控制器设计方法，其基本特征在于设计方法，该设计方法包括如下步骤： (1)训练神经网络的逆模型；在训练前首先要考虑对象的可逆性，系统在某个领域内可逆的充分必要条件是在此邻域内存在相对阶α。参量阵系统的“Berktay远场解”的数学模型是：E(τ)＝1+mf(τ) 式中的E(τ)为调制包络函数，输出函数p(τ)对时间τ求两次倒数后，函数即含输入f(τ)，故函数相对阶是2，系统可逆。确定系统可逆后就可以利用现有声参量阵系统做实验时收集到的数据，整理之后对系统进行逆模型辨识了。具体方法是将系统的输入数据和输出数据进行互换，然后利用神经网络BP算法进行训练的到对象的逆模型。 (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，若输出的信号不是期望信号，则神经网络就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。 (3)以输入r(k)、y(k)和误差e(k)作为神经网络PID系统的BP网络的输入来对步骤2中的参数K_p，K_i，K_d进行调节，以此完成复合控制的设计方法。