PID调节器的特点是结构简单,适应性强,应用性广。但是单的PID控制往往不能达到令人满意的程度,对于时变对象和非线性系统,传统的PID控制更是显得无能为力。对于非线性系统来说,神经网络PID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。 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。论文的主要内容如下: (1) 介绍了PID参数整定的基本方法,并引入基于神经网络的PID参数自整定,提出了一种改进的单神经元PID整定方法,细致地研究了BP神经网络PID参数整定方法。 (2) 提出了一种改进的梯度下降法,并用该方法优化RBF神经网络。然后在RBF神经网络辨识的基础上,实现了基于梯度下降算法、单神经元和BP神经网络的PID参数自整定和优化。 (3) 提出了一种混合递阶遗传算法,用该算法优化RBF神经网络的隐层结构、隐层节点的中心值、核宽度和输出的线性权值,并通过仿真,证明了该方法优于基于梯度下降法的辨识结果。