毕业设计开题报告格式

毕业设计开题报告格式 湖北师范学院学士学位论文(设计)开题报告 学生所在控制科学与工程系所在指导万里 0702班 詹习生 姓名 院系 系 班级 教师 学生专业电气工程及其自动开题导师2007118010230 2011年3月8日 讲师 学号 方向 化 时间 职称 论文神经网络自整定PID控制器设计与应用 题目 文献综述: 前言部分 PID控制是一种应用很普遍的控制技术，目前在很多方面都有广泛的应用。然而，在工业上有许多无法建立精确数学模型的复杂控制对象，和比较复杂、非线性的控制对象，如果用传统的PID来进行控制的话，那么很难获得比较理想的控制效果。本课题提出神经网络自整定PID器的设计方法，而方法具有良好的控制效果，该控制器是将神经网络和PID控制技术融为一体，即具有常规PID控制器结构简单，物理意义明确之优点，同时又具有神经网络自学习、自适应的功能。 主题部分 目前已经提出的神经网络和PID控制相结合的方法可以归结为两种类型:1、神经元网络确定PID参数;2、单神经元结构PID控制器。 1、采用神经元网络确定PID参数 这种方法是在传统的PID控制器的基础上附加一个或者多个神经元网络，利用神经元网络的学习功能确定和调整PID参数，其结构如图1、2所示。 KP + + r y - K 被控对象 I? - d/dt K D 神经元网络 图1.1 控制器分为两个部分:一部分为虚线内部分，按传统PID控制器的结构，对系统偏差信息进行比例、积分和微分处理并加权重相加，这些权重值即比例、积分和微分系数;另一部分则为神经元网络，一般采用多层前向网，此网络根据系统的输入和输出信息，通过反复的学习和调整，提供第一部分所需的PID参数。 这种方法的主要缺点之一是它的结构比传统PID控制器要复杂的多，实现的难度和代 价较大;主要缺点之二是其不能避免一般神经元网络的弱点，如收敛速度慢、易陷入局部最小点、隐层单元个数和连接权值初值难以确定，等等。 2、单神经元结构PID控制器 单神经元结构PID控制系统的结构如图1、3所示，虚线内为单神经元网络，它不承担比例、积分、微分处理工作，它的输入信号分别为系统偏差、偏差的积分和微分，单神经元的输入权重值一一对应比例、积分、微分系数。 W1+ r y 被控对象 ? W 2 - W d/dt 3 图1.2 比较图1、1和图1、2可知，单神经元结构PID控制器的形式和传统PID控制器的形式是相同的，所不同的是传统PID控制器比例、积分、微分参数是预先设定的和固定不变的，而单神经结构PID控制器比例、积分、微分参数对应网络的连接权值，是可按某种算法改变的。 虽然单神经元结构PID控制器的结构简单、容易实现、也具备神经网络的一些优点，但它也有本质性的弱点。一方面，它仍然是一种选择PID控制器参数的方法。另一方面，这种单层网络只具备线性分类能力，甚至不能进行简单的异或逻辑运算，更不具备任意函数逼近能力，这种控制器在复杂系统的控制中难以达到良好的性能。 总结部分 在神经网络PID控制器中，神经网络辨识器作为PID控制器参数整定和优化的基础，必须选择辨别精度高的神经网络结构，才能为参数整定和优化提供可靠精确的对象模型。径向基函数神经网络(RBFNN)是一种具有单隐层的三层前馈网络，其网络结构和学习算法与BP网络有着很大的差别，在一定程度上克服了BP网络的缺点，因此本文就在RBF神经网络辨识的基础上实现神经网络PID参数的自整定。 参考文献 1、李广军。基于RBF神经网络的PID整定。硕士论文，2005年 2、任子武。基于神经网络的参数自整定PID控制算法研究。硕士论文，2004年 3、任子武，高俊山。基干神经网络的PID控制器。控制理论与应用，2004年 4、刘金馄。先进PID控制及其MATLAB仿真。北京:电子工业出版社，2003年 5、钟碧良等。基于神经网络参数自调整的PTD控制器。工业仪表与自动化装置，1999年 开题报告(正文):至少2500字 一、论文题目 神经网络自整定PID控制器设计与应用 二、研究目的和意义 PID控制是最早发展起来的、应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。其优点是算法简单、鲁棒性好和可靠性高。尽管如此，由于实际工业生产过程往往具有非线性、时变不确定性，难以确定精确的数学模型，常规的PID控制器就不能达到理想的控制效果。另外，在实际生产现场，由于受到参数整定方法烦杂的困扰，常规PID往往整定不良、性能欠佳，对运行工况的适应性很差。故实际的控制系统，设计仍然采用试凑的办法调整系数，因而控制精度必然受到制约。随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。人们一直在寻求PID控制器参数的自适应技术，以适应复杂的工况和高指标的控制要求，神经网络理论的发展，使这种设想成为可能。 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法(BP算法)的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元;中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 j i k XY1 1 2 XY2 3 XY3 图1.3 BP网络结构 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 (1)节点输出模型 隐节点输出模型:Oj=f{ij×Xi-qj) ) 输出节点输出模型:Yk=f(?Tjk×Oj-qk) f-非线形作用函数;q -神经单元阈值。 (2)作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数: f(x)=1/(1+e) (3)误差计算模型 误差计算模型是反映神经网络期望输出与计算输出之间误差大小:Ep=1/2×?(tpi-Opi) tpi- i节点的期望输出值;Opi-i节点计算输出值。 (4)自学习模型 神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为:?Wij(n+1)= h ×Фi×Oj+a×?Wij(n) h -学习因子;Фi-输出节点i的计算误差;Oj-输出节点j的计算输出;a-动量因子。 虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。 三、国内外现状和发展趋势与研究的主攻方向 对神经网络控制系统的研究，在过去的十几年中得到了广泛的关注，主要是因为:其一，神经网络表现出对非线性函数的较强逼近能力;其二，大多数控制系统均表现出某种未知非线性特性。但是，由于一般的神经网络，如BP网络，存在收敛速度慢、运算量大、易产生局部极小等问题，故神经网络理论一直没有得到广泛的实际应用，尤其很难适用于高精度要求的控制系统。然而，径向基函数网络，其中最具代表性的是高斯基函数神经网络(RBNFN)，具有运算量小、收敛快等优点，这使得神经网络理论在高精度控制系统中的应用成为可能，由神经网络构成的控制系统具有很强的自适应性。其缺点是算法的稳定性很难保证，尤其是参数迭代过程中初值的选取将直接影响系统的稳定性，而这一参数的选取又无任何 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 可寻，具有很大的盲目性。将神经网络与PDI结合，在常规PDI性能的基础之上，利用神经网络的自适应能力、微调系统的控制参数，构造一个具有自调整能力的、稳定的PID控制器是本文要研究的主要问题之一。 径向基函数神经网络(RBFNN一RadialBasiSFun。tionNeuralNetwork)是一种具有单隐层的三层前馈神经网络，由于它模拟了人脑中局部调整、相互覆盖接受域的神经网络，是一种局部逼近网络，己证明它能以任意精度逼近任意函数。很多文章中采用径向基神经网络来辨识非线性系统的模型，自适应地整定PID的三个参数，仿真结果显示该算法比传统的PID整定方法具有超调量小，较强的鲁棒性和适应性等特点。 其结构如图2所示，它很容易扩展到多输出节点的情形，在此只考虑一个输出变量Y。RBFNN包括一个输入层、一个隐含层和个输出层的最简模式。隐含层是有一组径向基函数构成，与每个隐含层节点相关的参数向量为Ci(即中心)和(即宽度)。径向基函数有多种形式，一般取高斯函数。 mm,,,XCi,,,,, &,exp,，，,,，，,,,yfxXC,,iiii2,,2,,1,1ii,, 上式中，m是隐含层结点数;是欧几里德范数;是第i个基函数与输出结点的连接权值(i=1,2,…，m)。 1 W1 X W2 X2 y W3 X3 图1.4 RFB神经网络结构 RBF神经网络是一种性能良好的前向网络。它具有最佳逼近性能，在结构上具有输出——权值线性关系，训练方法快速易行，不存在局部最优问题。该网络的学习算法有很多种，本文将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整 ]。即在考虑当前时刻即k时刻的网络状态的变化时，将前一个时刻即(后一1)时刻的网络参数变化也包括进去。 1122其具体算法如下: ，，，，，，J,,W,k,(Yk,yW,k)22 其中，J为误差函数，Y(k)代表希望的输出，Y(W,k)为网络的实际输出，W是网络的所有权值组成的向量。隐层一输出层连接权值矩阵的调整算法为: ,JW，，,, ，，，，，，，，，，，，，，Wk，1,Wk，,k,，akWK,WK,1,,,W,, 隐层中心值矩阵的调整算法为: ,J,, ，，，，，，C(k，1),C(k)，,k,，,k,(k),,(k,1),,,,,, ，，，，,k,k其中，为学习率，为动量因子，也称为遗忘因子，又称动量项或阻尼项。称为遗忘因子可从对于新旧信息的学习与遗忘的角度来理解;称为动量项或阻尼项，是因为在网络的学习训练中，此项相当于阻尼力，当训练误差迅速增大时(它使网络发散得越来越慢。总之，它使网络的变化趋于稳定，有利于网络的收敛。 近年来，随着神经网络理论的发展，将应用最广泛的PID控制器与具有自学习功能的神经网络相结合己成为智能控制研究的一个新方向，并且在这个方向上己取得了一些研究成果。特别在常规PID控制器的基础上增加一个RBF神经网络模块，利用神经网络来在线调节PID参数的例子特别多，在辨识过程中，可采用梯度下降法优化RBF神经网络。其缺点是:收敛速度慢，全局搜索能力弱，易陷入局部极小值，过度拟合而导致泛化能力差而且还要求误差函数必须连续、可导，致使神经网络的应用受到一定的限制，针对这些不足人们已经提出了许多改进算法。GA(遗传算法)的兴起伴随着神经网络的复活，现在神经网络已经成为GA应用最活跃的领域。GA也成为解决神经网络拓扑结构的优化和学习规则的 有力工具。将GA用于前向多层神经网络F(NN)动态建模的训练过程，该算法对FNN的权值和拓扑结构同时进行调整，不需要事先知道系统的阶数，克服了传统上经验设计网络拓扑结构的困难。采用该算法对一连续搅拌反应槽(CSTR)进行动态建模，仿真结果证明该算法的可行性。GA可以克服RBF神经网络的缺陷，提出了一种基于并行AG的RBF网络训练方法，并给出了其在非线性系统辨识的应用。文献回针对铁水脱硫处理这一复杂的多元非线性反应过程，提出了基于增量式遗传RBF网络的模式识别方法，实际应用结果说明了遗传RBF的工程实用性。采用GA确定了RBF神经网络的隐层节点数目、中心值和宽度，也用来确定了RBF神经网络的输出权值。虽然采用遗传算法可以优化RBF神经网络的拓扑结构(即隐层节点数目、隐层节点的中J自值和宽度)优化输出权值，可以避免陷入局部最优解，其收索具有全局的特点，但是需要较大的时间代价，所以文献训采用遗传算法优化RBF神经网络的拓扑结构(即隐层节点数目、隐层节点的中心值和宽度)，用梯度下降法优化输出权值，把两种方法结合了起来，既达到了全局收索的目的，又节约了时间。 四、主要研究内容、需重点研究的关键问题及解决思路 本文首先分析了传统的PID控制器的优缺点，提出了几种改进的神经网络PID整定方法。在此基础上，提出了一种改进的梯度下降法优化RBF神经网络，在RBF神经网络辨识的基础上实现几种神经网络PID参数的自整定。然后又重点谈论了RBF神经网络的拓扑结构(隐层节点数、隐层节点中心和宽度)和输出权值的优化方法。具体内容如下: 1.介绍了PID控制器和神经网络的基本原理，介绍了基于单神经元和 BP神经网络的PID参数自整定方法，提出了一种改进的单神经元PID参数整定方法，给出了具体的仿真实例。 2.重点论述了梯度下降法优化RBF神经网络的方法，并提出了一种改进的梯度下降法—变步长梯度下降法，在此基础上详细地论述了几种基于RBF神经网络辨识的神经网络POI参数自整定。具体做了以下的仿真: .基于梯度下降法的PDI参数自整定 .基于单神经元的盯D参数自整定 .基于BP神经网络的PDI参数自整定 3.重点讨论了基于混合递阶遗传算法优化RBF神经网络的方法，并把该方法应用到PDI参数自整定中，并给出仿真实例。 小结:本论文在深入研究神经网络PID参数自整定的基础上，提出了改进的单神经元PDI自整定方法。在研究RBF辨识过程中，提出了一种改进的梯度下降法—变步长梯度下降法，用该方法优化RBF神经网络，从而在RBF神经网络辨识的基础上实现了几种神经网络PID参数的自整定。 五、完成毕业设计(论文)所必须具备的工作条件(如工具书、计算机辅助设计、某类市场调研、实验设备和实验环境条件等)、解决的办法和预期达到的目标。 湖北师范学院控制科学与工程系网络过程控制实验室、计算机、MATLAB仿真软件。 六、论文工作的主要阶段、进度与时间安排 1、 确定选题 2、 翻译 2011年3.08-3.15 3、 查阅文献 2011年3.15-3.22 4、 掌握PID参数整定的基本方法 2011年3.22-3.29 5、 掌握神经网络控制的基本理论 2011年3.29-4.05 6、 单神元自适应PID控制 2011年4.05-4.12 7、 提出神经网络自整定PID器的设计方法 2011年4.12-4.19 8、 仿真研究 2011年4.19-4.26 9、 撰写论文 2011年4.26-5.10 10、修改第三稿和定稿 2011年5.10-5.18 11 、完成论文简介和答辩提纲 2011年5.18-5.23 12 、定稿打印 2011年5.25-5.31 七、参考文献 1、李广军。基于RBF神经网络的PID整定。硕士论文，2005年 2、任子武。基于神经网络的参数自整定PID控制算法研究。硕士论文，2004年 3、任子武，高俊山。基干神经网络的PID控制器。控制理论与应用，2004年 4、刘金馄。先进PID控制及其MATLAB仿真。北京:电子工业出版社，2003年 5、钟碧良等。基于神经网络参数自调整的PTD控制器。工业仪表与自动化装置，1999年 指导教师意见: 开题指导小组意见: 签名: 指导小组 年 月 日 组长签名 年 月 日 1(学生应在开题报告前，通过调研和资料搜集，主动与指导教师讨论，在指导教师的指导下，完成开题报告。 2(开题报告分两部分，文献综述和开题报告正文。文献综述要有6篇以上相关文章阅读量，开题报告正文(2500-3000说字)包括，选题背景和意义、研究目标与任务、分析或调研报告、拟定的 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 或路线、撰写提纲及实施计划等。 3(开题报告一式三份，一份交院系装入毕业设计(论文) 档案 肢体残疾康复训练教师个人成长档案教师师德档案表人事档案装订标准员工三级安全教育档案 袋，一份交指导教师，一份学生自存。 明 4(开题报告需经各系或论文指导小组讨论、院系教学指导委员会审查合格后，方可正式进入下一阶段。 注:1. 开题报告单面打印; 2. 开题报告及正文中文字体为宋体，英文字体为Times New Roman，相同级序号的字 体大小相同，若用黑体也需要全文统一; 3. 开题报告右下角用“1 2 3 „„”标题页码。