[發(fā)明專利]兩軸掃描鏡

無效

• 申請?zhí)枺?/td>: 200910048014.X
• 申請日: 2009-03-23
• 公開（公告）號: CN101846972A
• 公開（公告）日: 2010-09-29
• 發(fā)明（設(shè)計）人: 程明
• 申請（專利權(quán)）人: 上海都峰智能科技有限公司
• 主分類號: G05B13/02
• 分類號: G05B13/02;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

所屬技術(shù)領(lǐng)域

本發(fā)明專利涉及一種智能控制方法，特別是一種改進的神經(jīng)網(wǎng)絡(luò)控制方法，應(yīng)用于兩軸掃描鏡改造。

背景技術(shù)

兩軸掃描鏡是精密的機電伺服系統(tǒng)。紅外仿真裝置中利用它進行光路位置誤差補償，實現(xiàn)光標的二次精確跟蹤定位。兩軸掃描鏡這種系統(tǒng)還可用于各種高精度跟蹤設(shè)備，如射電望遠鏡、天文望遠鏡、雷達跟蹤系統(tǒng)等。兩軸掃描鏡是一個具有復(fù)雜非線性和強耦合的系統(tǒng)。由于神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)能力和非線性逼近特性，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的控制器在理論和實際應(yīng)用上已有一定的研究，包括神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的解耦控制器。由于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力對整個解耦控制器的解耦性能具有很大的影響，因此本發(fā)明提出了一種改進的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法。

BP學(xué)習(xí)算法的基本原理是梯度最速下降法，其中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。采用梯度搜索技術(shù)，以使網(wǎng)絡(luò)的實際輸出值與期望的誤差均方值最小。網(wǎng)絡(luò)學(xué)習(xí)過程是一種誤差后向傳播修正權(quán)系數(shù)的過程。

一般來說，學(xué)習(xí)率越大，權(quán)值的改變越激烈，在訓(xùn)練初期，較大的學(xué)習(xí)率對誤差的快速下降有利，但到了一定階段，大的學(xué)習(xí)率可能導(dǎo)致振蕩，即出現(xiàn)能量函數(shù)忽升忽降或不降反升。所以，緩慢的收斂速度和對算法收斂參數(shù)的依賴是BP算法的明顯不足。眾多方法提出了改進方案，以下是一種能綜合考慮收斂速度和參數(shù)魯棒性的算法。

發(fā)明內(nèi)容

本發(fā)明利用下述改進的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法和對角矩陣解耦方法相結(jié)合的方式，其中控制器中解耦部分對角通道中一支采用PID控制方法，控制器中控制部分對應(yīng)主通道中采用改進的神經(jīng)網(wǎng)絡(luò)方法，控制器中解耦部分對角通道中另一支采用改進的神經(jīng)網(wǎng)絡(luò)方法，控制器中控制部分對應(yīng)主通道中采用PID控制方法，提出了一組填料塔裝置改造方法。其中對角矩陣解耦方法和PID控制方法是傳統(tǒng)方法，僅對改進的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法加以描述。

BP網(wǎng)絡(luò)計算的主題步驟：

(a).置各權(quán)值和閥值的初始值(p＝1，2...Q)其中p為第若干層，Q表示總層數(shù)

(b).輸入訓(xùn)練樣本(I_q，d_q)，(p＝1，2...M)其中M表示輸入輸出數(shù)量，對每一個樣本計算輸出和權(quán)值修正

(c).計算網(wǎng)絡(luò)各層的實際輸出x^p＝f(s^p)＝f(w^px^p-1)，式中f(*)為激活函數(shù)

若其輸出與各頂模式對的期望輸出不一致，則將其誤差信號從輸出端反向傳播回來，并在傳播過程中對加權(quán)系數(shù)不斷修正，直到在輸出層神經(jīng)元上得到所需要的期望輸入值為止。對樣本完成網(wǎng)絡(luò)權(quán)系數(shù)的調(diào)整后，再送入另一樣本模式對進行類似學(xué)習(xí)，直到完成個訓(xùn)練學(xué)習(xí)為止。

以下利用共軛梯度法對權(quán)值修正：

考慮二次型性能函數(shù)其梯度為其二階梯度是Hessian矩陣于是，梯度的改變量是

Δg[k]＝g[k+1]-g[k]＝(Qw[k+1]+b)-(Qw[k]+b)＝QΔw[k]＝α[k]Hp[k]

式中，α[k]是在時刻延方向p[k]搜索使性能函數(shù)E(w)最小的學(xué)習(xí)率

對于二次型性能函數(shù)，最優(yōu)學(xué)習(xí)率按下式確定于是，根據(jù)共軛條件，并由于學(xué)習(xí)率是一個標量，所以α[k]p^T[k]Hp[j]＝Δg^T[k]p[j]＝0。共軛條件就轉(zhuǎn)變?yōu)樗阉鞣较騪[j]與梯度的改變量Δg[k]正交，而與Hessian矩陣無關(guān)。

初始搜索方向p[0]可以是任意的，第1個迭代方向p[1]只要與Δg[0]正交即可，通常以最速下降方向開始，后續(xù)的方向p[k]只要與梯度的改變量序列{Δg[0]，Δg[1]，...Δg[k-1]}正交即可。一種簡要的方法是采用迭代P[k+1]＝β[k+1]P[k]-α[(1-μ^k)g[k+1]+μ^kg[k]]