PID控制具有算法简单、鲁棒性强和容易操作等优点被广泛应用于化工、电力等控制领域,也是最早发展起来的控制方法之一。由于传统PID控制过分依赖于对象的数学模型、参数难以确定,对时变性和非线性的系统难以适应,而神经网络具有很强的适应性、多目标学习能力和能以任意精度逼近非线性连续函数等优点,所以被广泛应用在非线性控制领域。本文提出了一种将神经网络和自适应控制方法相结合的神经网络自适应控制方法,即基于RBF神经网络的PID自校正控制方法。本文首先简要介绍了 PID控制原理,传统的PID控制方法即位置式PID控制算法和增量式PID控制算法以及自校正PID控制算法,接着又介绍了 RBF网络的结构和学习算法以及RBF神经网络的辨识。重点部分是在RBF神经网络PID自校正控制方法不足的基础上,提出了两种改进的方法,一种是在梯度下降法中引入PID参数动量因子的平方,此算法是在同一梯度方向上增加修正量,保证修正结果是沿着参数收敛的方向进行的,当权值修正过快时,让权值的更新具有一定的惯性克服由较大学习速率造成非线性系统的不稳定问题;另一种是增加输入参数的数量,来抑制比例参数Kp和积分参数K1的过快增大,延迟由于PID参数过快增大导致系统发散的时间,可以在一定程度上抑制控制系统的快速发散。仿真结果表明,这两种改进方法都具有很好的控制效果。最后将基于RBF神经网络的PID自校正方法应用于人工晶体生长温度控制中,为了有效地达到温控效果,在梯度下降法中引入PID参数动量因子的平方,仿真结果表明,改进的方法在晶体生长温控中取得了很好的控制效果。