南沙登高车  登高车动量因子在ＲＢＦ神经网络中对输出权值，隐含层单元中也和宽度的调整都是采用的梯度下降法  南沙登高车, 南沙登高车出租, 南沙登高车公司  但是该方法只考虑了ｋ时刻的这些参数的变化，并没有考虑到经验泵积，因此很容易引起网络学习过程的震荡，使得收敛速度变慢。考虑引入动量因子，使输出权值、隐含层单元中也和宽度得迭代法修正。用动量因子修正后，更新具有了一定的惯性，起到了抗震的作用。当变化速率较快时，调节动量因子ａ使其变化速率减小，减小其收敛速度。而当变化速率较慢时，调节动量因子使其变化速率増大，增大其收敛速度。从而保证其变化方向总是沿着参数收敛的方向进行的。在参数的调整过程中，动量因子《的大小决定了该时刻梯度下降法和前一次的修正量影响所占的比例。因此，在确定动量因子值时要加入误差判断条件。

     增速率ＲＢＦ网络有＂近兴奋远抑制＂的特性。因此在ＲＢＦ神经网络调节ＰＩＤ参数的初期，此时系统偏差较大，ＰＩＤ参数不能很快地达到ＲＢＦ敏感调节的范围，就会造成系统响应速度较慢的问题。因此，考虑引入增速率，来增加系统的响应速度。增速率调节ＰＩＤ的算法如下；其中，Ｓｗ和分别表示ＰＩＤ参数Ｋｐ、与的増速率。在调节初期，ＰＩＤ参数的偏差较大，参数的调节主要靠增速率来完成，使其能够快速达到ＲＢＦ神经网络的敏感调节范围。到达ＲＢＦ神经网络的敏感调节范围后，ＰＩＤ参数的调节主要靠ＲＢＦ来实现。增速率的取值需反复调试，若增速率过大，则系统易振动。而増速率过小，则提高系统响应速度的效果不明显。因此在实际应用中，调节初期往往会对ＰＩＤ参数进行限幅设畳，以防止出现ＰＩＤ参数调节过大的现象。因此，增速率值的调试相当重要，合适的増速率可大大地提高系统的响应速度。ＲＢＦ神经网络ＰＩＤ控制结构《统中，系统的控制误差为；ＰＩＤ控制器Ｈ项输入分别为；控制算法如下：神经网络的整定指的调整选用如下梯度下降法：改进ＲＢＦ神经网络整定ＰＩＤ控制器参数的实现步驟如下：１）初始化神经网络的各参数。即通过经验值和仿真实验来确定输入节点个数和隐含层个数，设定ＰＩＤ学习速率、动量因子ａ等参数。采样得到输入数据Ｋ０和系统输出：ＫＡ），计算出控制误差ｅ（Ａ）及控制器输入ｘｃ（Ｖ），ｘｃ｛２），ｊｃｃ（３）；３）在线构造动态的ＲＢＦ神经网络，实时对动态ＲＢＦ神经网络各参数进行调整，并算出神经网络辨识器输出，获得Ｊａｃｏｂｉａｎ辨识信息；４）调试増速率Ｓ＊、馬和Ｓｗ的值；５）对ＰＩＤ控制器加权系数Ａｐ，和Ａｄ进行调整；计算该控制器的输出。返回步骤（２），进行下次采样控制。

      南沙登高车, 南沙登高车出租, 南沙登高车公司

       基于改进ＲＢＦ神经网络的ＰＩＤ控制器（改进ＲＢＦ－ＰＩＤ）和传统基于ＲＢＦ神经网络的ＰＩＤ（传统ＲＢＦ－ＰＩＤ）控制的对比仿真模型，在系统仿真时，加入了如图所示的伪随机多幅值随机信号作为干扰信号。本文采用４００ｍｉｌ的调炮角度作为液压系统的信号输入值，来对比改进ＲＢＦ－ＰＩＤ控制器与传统ＲＢＦ－ＰＩＤ控制器的控制效果。目标位置为４００ｍｉｌ时的系统响应曲线，目标位置为４００ｍｉｌ时的系统响应误差曲线。使用改进后的ＲＢＦ－Ｐ阻控制器系统响应时间大约是１．２６ｓ，稳定误差在［－０．３，０．３］ｍｉｌ之间，基本无超调和振荡现象，对干扰信号具有较好的抑制作用。而传统ＲＢＦ－ＰＩＤ控制器的响应时间大约是１．９７ｓ，稳定误差在［－０．５，０．５］ｍ之间，有超调现象，对干扰信号的抑制作用不如改进后的控制器。因此得出，改进后的ＲＢＦ－ＰＩＤ控制器有明显的控制优势，基本满足控制要求。

       结果除了阶跃信号外，还需输入正弦信号来验证系统在加速度方面的跟踪性能。在火炮系统中，若加速度响应过慢，会导致跟踪目标角度的丢失，从而影响火炮的定位。本文选的输入的正弦信号为成）＝２〇〇刪〇心〇＋２〇０，其幅值为４０〇１１１周期为５３，其输入跟踪响应曲线。系统的初始响应误差较大，体现了控制系统在身管开始运动阶段的快速响应性且改进的ＢＦ－ＰＩＤ对震荡有明显抑制。稳态误差都存在着相似的周期性波动，传统ＲＢＦ－ＰＩＤ保持在［－２．６５，２．６５］ｍｉｌ之间，改进ＲＢＦ－ＰＩＤ保持在ｌ；－０．８３，０．８３］ｎｉｉｌ４５５硕±学位论文之间，说明了改进的控制器对系统的非线性因素具有更好的适应性，正弦响应精度较好，可以满足系统的技术指标要求。综上所述，改进ＲＢＦ－ＰＩＤ控制算法比传统的ＲＢＦ－ＰＩＤ控制精度更窩，响应速度更快，基本无超调和振荡现象，稳态误差更小，控制效果更好，满足本文系统的控制要求。

       南沙登高车, 南沙登高车出租, 南沙登高车公司