馮 瀟

(蘇州大學(xué))

遞歸神經(jīng)網(wǎng)絡(luò)原理及其動(dòng)態(tài)補(bǔ)償器的設(shè)計(jì)

馮 瀟

(蘇州大學(xué))

從介紹動(dòng)態(tài)補(bǔ)償設(shè)計(jì)的意義出發(fā)，重點(diǎn)分析了遞歸神經(jīng)網(wǎng)絡(luò)原理及其動(dòng)態(tài)補(bǔ)償器的設(shè)計(jì)原理，最后用仿真實(shí)驗(yàn)證實(shí)了設(shè)計(jì)的可靠性.

智能控制;遞歸神經(jīng)網(wǎng)絡(luò);傳感器;誤差;動(dòng)態(tài)補(bǔ)償

1 問(wèn)題提出

1.1 智能控制系統(tǒng)現(xiàn)狀分析

(1)分級(jí)控制系統(tǒng)

該系統(tǒng)又可以稱之為:“分級(jí)遞階智能控制”，其運(yùn)行最重要的是依賴于自組織控制和自適應(yīng)控制等等前提條件.該控制系統(tǒng)在控制過(guò)程中涉及到:組織級(jí)、協(xié)調(diào)級(jí)和執(zhí)行級(jí)3個(gè)方面，同時(shí)控制時(shí)，對(duì)于每個(gè)級(jí)都有著自己獨(dú)立的作用.

(2)學(xué)習(xí)控制系統(tǒng)

這是對(duì)人腦的模擬，從人類大腦學(xué)習(xí)的角度考慮，學(xué)習(xí)表現(xiàn)出來(lái)的是智慧能力的高低.學(xué)習(xí)控制系統(tǒng)通常情況下，是首先對(duì)內(nèi)部結(jié)構(gòu)完成辨別、認(rèn)知、調(diào)整等一系列活動(dòng)后，憑借對(duì)信號(hào)的循環(huán)輸入和對(duì)數(shù)據(jù)的綜合分析與處理，進(jìn)而確保有著一個(gè)良好的運(yùn)行效果.大量理論研究和實(shí)踐表明，該控制系統(tǒng)還可以結(jié)合很多非預(yù)知的信息完成自動(dòng)控制.

(3)專家控制系統(tǒng)

如圖1所示，該智能系統(tǒng)在運(yùn)行中是把人的經(jīng)驗(yàn)、知識(shí)和技能進(jìn)行融合并以一種特定的形式表現(xiàn)在計(jì)算機(jī)系統(tǒng)之中.其控制上是以對(duì)應(yīng)的程序指令為運(yùn)行操作的依據(jù)的.在該系統(tǒng)中，通常情況下將很多理論知識(shí)囊括在其中，豐足的理論知識(shí)讓智能系統(tǒng)處理實(shí)際問(wèn)題時(shí)有更多的支撐面，直接體現(xiàn)為處理的結(jié)果具有諸多的高性能.

圖1 專家系統(tǒng)結(jié)構(gòu)框圖

(4)神經(jīng)網(wǎng)絡(luò)系統(tǒng)

該系統(tǒng)也是目前運(yùn)用最多的人工神經(jīng)網(wǎng)絡(luò)控制系統(tǒng).該結(jié)構(gòu)形式綜合了神經(jīng)細(xì)胞、人工神經(jīng)元等等綜合處理構(gòu)成的該模式，具有非常高的前沿性，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的主要功能是智能控制與模仿真人，是現(xiàn)代技術(shù)研究領(lǐng)域中的新課題內(nèi)容.

1.2 動(dòng)態(tài)補(bǔ)償器設(shè)計(jì)的意義

質(zhì)量參數(shù)信息的實(shí)時(shí)、在線、動(dòng)態(tài)測(cè)試對(duì)于現(xiàn)代企業(yè)的生產(chǎn)來(lái)說(shuō)尤為重要，是企業(yè)對(duì)生產(chǎn)實(shí)施質(zhì)量控制的重要依據(jù).理論研究和實(shí)踐表明，對(duì)于隨時(shí)間迅速發(fā)生變化的質(zhì)量參數(shù)，要想利用傳感器對(duì)其實(shí)施測(cè)量時(shí)，一般的傳感器存在著一定的響應(yīng)滯后，如此一來(lái)必然造成了與真值相比測(cè)量結(jié)果的動(dòng)態(tài)誤差比較大，造成檢測(cè)精度的不足和質(zhì)量控制準(zhǔn)確性的缺失.實(shí)踐研究表明，可以從以下兩個(gè)方面著手來(lái)提高傳感器的動(dòng)態(tài)響應(yīng)特性:

(1)改變傳感器的結(jié)構(gòu)、設(shè)計(jì)及其參數(shù);

(2)對(duì)傳感器的輸出實(shí)施后續(xù)處理，設(shè)計(jì)動(dòng)態(tài)補(bǔ)償器.

伴隨著計(jì)算機(jī)技術(shù)的進(jìn)步和發(fā)展，目前就提高傳感器的動(dòng)態(tài)響應(yīng)特性這一問(wèn)題，第二種方法到了較為廣泛的應(yīng)用.

目前動(dòng)態(tài)補(bǔ)償器的設(shè)計(jì)常見(jiàn)的方法有零極點(diǎn)配置法、系統(tǒng)辨識(shí)法等.不過(guò)，筆者在研究中發(fā)現(xiàn)這些設(shè)計(jì)方法都必須在事前就選定好動(dòng)態(tài)補(bǔ)償器的結(jié)構(gòu)，如果涉及的傳感器特性屬于高階系統(tǒng)的情況，對(duì)應(yīng)的動(dòng)態(tài)補(bǔ)償器結(jié)構(gòu)設(shè)計(jì)相當(dāng)?shù)膹?fù)雜.鑒于這個(gè)原因，筆者借助此文跟大家分享一種運(yùn)用遞歸網(wǎng)絡(luò)模型對(duì)傳感器進(jìn)行動(dòng)態(tài)補(bǔ)償設(shè)計(jì).

2 遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

遞歸神經(jīng)網(wǎng)絡(luò)(Reeurrent Neural Networks)是具有反饋的網(wǎng)絡(luò)，是一種極具有選擇潛力的動(dòng)態(tài)網(wǎng).如圖2所示為內(nèi)時(shí)延遞歸型反饋網(wǎng)絡(luò)結(jié)構(gòu)，從圖形上可以看出該網(wǎng)絡(luò)由輸入層、輸出層和隱層構(gòu)成，不過(guò)只有隱層節(jié)點(diǎn)具有時(shí)延反饋.

圖2 內(nèi)時(shí)延遞歸型反饋網(wǎng)絡(luò)

如果將網(wǎng)絡(luò)外部輸入時(shí)間序列設(shè)為X(t)，將隱層輸出設(shè)為O(t)，將網(wǎng)絡(luò)輸出設(shè)為Y(t)，那么可以對(duì)網(wǎng)絡(luò)進(jìn)行描述，得到:

注:上式中，1W、2W和HW分別是輸入層至隱層、隱層至輸入層以及隱層節(jié)點(diǎn)之間(包括節(jié)點(diǎn)自身)的連接權(quán)值矩陣;其中的f1(·)和f2(·)是非線性作用函數(shù).

3 動(dòng)態(tài)補(bǔ)償原理及其設(shè)計(jì)

3.1 動(dòng)態(tài)補(bǔ)償原理分析

可以借助非線性自回歸滑動(dòng)平均模型(NARMA)來(lái)表示一類廣泛的離散時(shí)間非線性系統(tǒng)，NARMA模型結(jié)合自變量是輸入、輸出噪聲的延遲信號(hào)的非線性函數(shù)實(shí)現(xiàn)非線性過(guò)程的表述.假設(shè)傳感器的模型可以用如下的NARMA模型加以表示:

式子中，傳感器的輸入用u(t)表示，輸出用y(t)表示;n和m是未知的，分別用來(lái)代表輸出和輸入的最大延時(shí);f(·)是一種非常復(fù)雜的非線性函數(shù)關(guān)系，通常較難用某種統(tǒng)一的模型來(lái)表示.

如圖3所示，假設(shè)傳感器的輸入u(t)，輸出y(t)，那么這兩者之間必然存在著一定的動(dòng)態(tài)測(cè)試誤差.

圖3 傳感器模型

從理論上分析，要想對(duì)動(dòng)態(tài)測(cè)試誤差實(shí)施補(bǔ)償，可以將y(t)通過(guò)如下補(bǔ)償環(huán)節(jié):

上式中f(·)是某種非線性函數(shù)關(guān)系，只需要把式子所表示的系統(tǒng)與測(cè)試系統(tǒng)進(jìn)行串聯(lián)，就能夠?qū)鞲衅鲗?shí)施動(dòng)態(tài)補(bǔ)償，當(dāng)然由幾個(gè)關(guān)系式可以得到，通過(guò)這種方式補(bǔ)償后的傳感器輸入、輸出特性與f(·)關(guān)系十分密切，會(huì)隨著f(·)而發(fā)生變化.

3.2 動(dòng)態(tài)補(bǔ)償設(shè)計(jì)

如圖4所示為基于遞歸神經(jīng)網(wǎng)絡(luò)模型的傳感器動(dòng)態(tài)補(bǔ)償示意圖.圖4中y(t)表示為所期望的傳感器特性的輸出.可以借助某種訓(xùn)練算法把起關(guān)鍵性作用的遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)值加以確定.

3.3 動(dòng)態(tài)補(bǔ)償?shù)囊话悴襟E

結(jié)合上面的理論分析，可以把應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)傳感器進(jìn)行動(dòng)態(tài)補(bǔ)償?shù)牟襟E進(jìn)行如下的歸納:

(1)結(jié)合傳感器的特性，選定期望的傳感器特性;選定遞歸神經(jīng)網(wǎng)絡(luò)的中間層節(jié)點(diǎn)數(shù).

(2)獲取有關(guān)的實(shí)驗(yàn)數(shù)據(jù)，運(yùn)用RPE算法訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型，最終得到權(quán)值收斂為止.

(3)將遞歸神經(jīng)網(wǎng)絡(luò)模型與傳感器進(jìn)行對(duì)接，對(duì)傳感器進(jìn)行動(dòng)態(tài)補(bǔ)償.

圖4 基于遞歸神經(jīng)網(wǎng)絡(luò)的傳感器動(dòng)態(tài)補(bǔ)償

4 仿真試驗(yàn)

筆者對(duì)熱電偶的測(cè)量滯后運(yùn)用上文中的原理進(jìn)行了誤差補(bǔ)償?shù)姆抡嬖囼?yàn).先將試驗(yàn)過(guò)程做如下介紹:

(1)選取參考模型具有較大的固有頻率的二階低通濾波器

上式中，ξ0為阻尼(ξ0=0.8)，ω0為固有頻率(ω0=2πrad/s，遠(yuǎn)大于熱電偶的固有頻率)，當(dāng)然在選取時(shí)也不能那個(gè)選取得太大，過(guò)大的話會(huì)導(dǎo)致相當(dāng)嚴(yán)重的高頻噪聲污染，甚至有淹沒(méi)有用信號(hào)的可能，如此一來(lái)根本沒(méi)有辦法實(shí)施測(cè)量.

(2)逆模型補(bǔ)償器的脈沖響應(yīng)傳遞函數(shù)H(z－1)為:

補(bǔ)償器 G(z－1)的參數(shù)為(a1，a2，b0，b1，b2)，階躍激勵(lì)下的傳感器輸出作為補(bǔ)償器的輸出，參考模型輸出作為希望輸出.

(3)補(bǔ)償結(jié)果分析，補(bǔ)償結(jié)果如圖5所示.

圖5 熱電偶階躍響應(yīng)曲線

在圖5中，曲線1表示的是階躍信號(hào)ΔT=120℃時(shí)，傳感器的輸出響應(yīng);曲線2表示的是通過(guò)動(dòng)態(tài)補(bǔ)償后，但是未曾消除噪聲濾波處理的輸出結(jié)果;曲線3表示的是經(jīng)過(guò)通過(guò)動(dòng)態(tài)補(bǔ)償后，又經(jīng)過(guò)消除噪聲濾波處理后輸出結(jié)果.

通過(guò)仿真實(shí)驗(yàn)，可以看出通過(guò)該種補(bǔ)償處理后，動(dòng)態(tài)性能指標(biāo)有了明顯的改善.

［1］于雙和，強(qiáng)文義.無(wú)抖振離散準(zhǔn)滑膜［J］.控制與決策，2001，16(5):32－36.

［2］劉剛，劉學(xué)仁.基于遞歸神經(jīng)網(wǎng)絡(luò)的加速傳感器動(dòng)態(tài)特性補(bǔ)償［J］.傳感器與微系統(tǒng)，2007，26(7):42－47.

［3］高為炳.變結(jié)構(gòu)控制的理論及設(shè)計(jì)方法［M］.北京科學(xué)出版社，1998.

The Principle of Recurrent Neural Network and the Design of Dynamic Compensator

Feng Xiao
(Suzhou University)

In this paper，the principle of recurrent neural network and the design of dynamic compensator accompanied with presenting the significance of the dynamic compensation are analyzed.Furthermore，the simulation results show the reliability of design.

Intelligent control;Neural network;Sensor;Error;Dynamic compensation

2011－01－24

(責(zé)任編輯:李佳云)