本發(fā)明涉及太陽跟蹤器技術(shù)領(lǐng)域，具體來說是用于太陽跟蹤器的跟蹤系統(tǒng)及跟蹤方法。

背景技術(shù)：

為了能夠精確的跟蹤太陽，用于太陽能發(fā)電和移動(dòng)車載測量的掩日通量遙測技術(shù)(Solar-occulation flux,SOF)的太陽跟蹤器應(yīng)運(yùn)而生。用于太陽能發(fā)電的太陽跟蹤器是定點(diǎn)監(jiān)測，目前多采用雙軸太陽跟蹤器，根據(jù)經(jīng)緯度信息，可算出太陽實(shí)時(shí)的方位角和高度角，該輸出做出控制信號用于調(diào)節(jié)俯仰軸和方位軸的狀態(tài)從而實(shí)現(xiàn)太陽跟蹤。而用于車載SOF的太陽跟蹤器，目前采用PSD作為反饋元件，根據(jù)PSD上光斑的位置作為反饋信號用于調(diào)節(jié)主反射鏡的位置，從而使后端的光譜儀獲得最大的光強(qiáng)。而在控制算法上，根據(jù)PSD輸出信號的大小設(shè)置不同的調(diào)節(jié)步長。

其中，x為調(diào)節(jié)步長，a,b為常數(shù)，且a>b，e為PSD輸出的太陽實(shí)際位置與中心點(diǎn)的誤差信號，e₀為設(shè)定的閾值常數(shù)。目前的控制算法跟蹤速度慢和精度差且魯棒性差，當(dāng)車輛出現(xiàn)顛簸或有其他因素帶來的干擾信號時(shí)，會出現(xiàn)跟蹤效果差甚至不能跟蹤的情況。為了改進(jìn)移動(dòng)太陽跟蹤器的性能，采用GA算法優(yōu)化BP網(wǎng)絡(luò)的二自由度PID控制。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中太陽跟蹤器的控制算法跟蹤速度慢和精度差且魯棒性差，當(dāng)車輛出現(xiàn)顛簸或有其他因素帶來的干擾信號時(shí)，會出現(xiàn)跟蹤效果差甚至不能跟蹤的缺陷，提供用于太陽跟蹤器的跟蹤系統(tǒng)及跟蹤方法來解決上述問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

用于太陽跟蹤器的跟蹤系統(tǒng)，包括GA樣本數(shù)據(jù)預(yù)處理模塊、BP網(wǎng)絡(luò)調(diào)整模塊、PID控制器模塊；

所述GA樣本數(shù)據(jù)預(yù)處理模塊根據(jù)樣本數(shù)據(jù)進(jìn)行個(gè)體尋優(yōu)，得到適應(yīng)度最大的個(gè)體并傳遞給BP網(wǎng)絡(luò)調(diào)整模塊作為最優(yōu)初值進(jìn)行訓(xùn)練；

在最優(yōu)初值的基礎(chǔ)上，通過BP網(wǎng)絡(luò)調(diào)整模塊反向傳輸，調(diào)整隱含層和輸出層的權(quán)值和閾值，使得到的誤差評價(jià)函數(shù)小于設(shè)定的誤差閾值，得到調(diào)整好的P、I、D參數(shù)；

BP網(wǎng)絡(luò)調(diào)整模塊將調(diào)整好的P、I、D參數(shù)傳遞給PID控制器模塊，PID控制器模塊根據(jù)二自由度對被控對象進(jìn)行控制，使PID控制器跟蹤性能和抗干擾性能達(dá)到最佳。

優(yōu)選的，跟蹤系統(tǒng)還包括反饋系統(tǒng)模塊；所述反饋系統(tǒng)獲取被控對象的輸出信號和PID控制器的輸入信息，反饋系統(tǒng)根據(jù)給定的輸入信號和被控對象的輸出信號求得誤差信號并根據(jù)誤差信號進(jìn)行調(diào)節(jié)，形成一個(gè)閉環(huán)控制。

優(yōu)選的，所述GA樣本數(shù)據(jù)預(yù)處理模塊包括選擇、交叉、變異算子操作單元；所述選擇、交叉、變異算子操作單元對交叉率p_c和變異率p_m進(jìn)行自適應(yīng)調(diào)整求得種群中適應(yīng)度最優(yōu)的個(gè)體，并將適應(yīng)度最優(yōu)的個(gè)體不經(jīng)任何交叉、變異操作直接進(jìn)入下一代種群，即新種群。

優(yōu)選的，所述GA樣本數(shù)據(jù)預(yù)處理模塊還包括災(zāi)變判斷單元；所述災(zāi)變判斷單元計(jì)算所述新種群的適應(yīng)度，若災(zāi)變停止或到達(dá)設(shè)定的災(zāi)變次數(shù)，則GA算法預(yù)處理完成，將得到的最優(yōu)初始權(quán)值和閾值傳遞給BP網(wǎng)絡(luò)。

優(yōu)選的，所述BP網(wǎng)絡(luò)調(diào)整模塊包括BP網(wǎng)絡(luò)訓(xùn)練單元；所述BP網(wǎng)絡(luò)訓(xùn)練單元獲取優(yōu)化后的權(quán)值和閾值作為初始值，根據(jù)動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整初始權(quán)值和閾值，并采用Levenberg-Marquardt算法最優(yōu)化算法尋找最優(yōu)的PID參數(shù)值。

本發(fā)明還提供一種應(yīng)用于上述任一所述的用于太陽跟蹤器的跟蹤系統(tǒng)的跟蹤方法，該方法首先以跟蹤性能最佳為控制目標(biāo)進(jìn)行PID參數(shù)調(diào)節(jié)，再以抗干擾性能最佳為控制目標(biāo)進(jìn)行參數(shù)調(diào)節(jié),具體調(diào)節(jié)步驟如下：

1)樣本數(shù)據(jù)預(yù)處理

先通過GA算法對樣本數(shù)據(jù)進(jìn)行個(gè)體尋優(yōu)，得到適應(yīng)度最大的個(gè)體并傳遞給BP網(wǎng)絡(luò)作為最優(yōu)初值進(jìn)行訓(xùn)練；

2)BP網(wǎng)絡(luò)訓(xùn)練

在最優(yōu)初值的基礎(chǔ)上，通過BP網(wǎng)絡(luò)反向傳輸，調(diào)整隱含層和輸出層的權(quán)值和閾值，使得到的誤差評價(jià)函數(shù)小于設(shè)定的誤差閾值，得到調(diào)整好的P、I、D參數(shù)；

3)PID控制

BP網(wǎng)絡(luò)調(diào)整模塊將調(diào)整好的P、I、D參數(shù)傳遞給PID控制器模塊，PID控制器模塊根據(jù)二自由度對被控對象進(jìn)行控制，使PID控制器跟蹤性能和抗干擾性能達(dá)到最佳。

優(yōu)選的，所述跟蹤方法還包括信號反饋調(diào)節(jié)過程；具體為：

所述反饋系統(tǒng)獲取被控對象的輸出信號和PID控制器的輸入信息，反饋系統(tǒng)根據(jù)PID控制器的輸入信號和被控對象的輸出信號求得誤差信號并根據(jù)誤差信號進(jìn)行調(diào)節(jié)，形成一個(gè)閉環(huán)控制。

優(yōu)選的，所述步驟1)中，具體為通過選擇、交叉、變異算子操作單元對交叉率p_c和變異率p_m進(jìn)行自適應(yīng)調(diào)整求得種群中適應(yīng)度最優(yōu)的個(gè)體，并將適應(yīng)度最優(yōu)的個(gè)體不經(jīng)任何交叉、變異操作直接進(jìn)入下一代種群，即新種群；采用的自適應(yīng)交叉率p_c和變異率p_m的計(jì)算公式為：

其中，α₁，α₂為兩個(gè)大于0的常數(shù)，p_c1,p_c2,p_m1,p_m2為根據(jù)經(jīng)驗(yàn)得出的常數(shù)，分別為0.85、0.65、0.1、0.001；f_avg、f_max、f_c'分別為該種群的平均適應(yīng)度、總適應(yīng)度、該個(gè)體的適應(yīng)度。

優(yōu)選的，得到所述新種群后，再對該新種群的適應(yīng)度進(jìn)行災(zāi)變判斷，若災(zāi)變停止或到達(dá)設(shè)定的災(zāi)變次數(shù)，則GA算法預(yù)處理完成，將得到的最優(yōu)初始權(quán)值和閾值傳遞給BP網(wǎng)絡(luò)。

優(yōu)選的，所述步驟2)中，所述BP網(wǎng)絡(luò)訓(xùn)練單元獲取優(yōu)化后的權(quán)值和閾值作為初始值，根據(jù)動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整初始權(quán)值和閾值，并采用Levenberg-Marquardt算法最優(yōu)化算法尋找最優(yōu)的PID參數(shù)值；其中，動(dòng)量-自適應(yīng)學(xué)習(xí)速率調(diào)整計(jì)算公式為：

β(k+1)＝τ*3^λ*β(k)

其中，β為學(xué)習(xí)速率因子，λ為梯度方向，τ為學(xué)習(xí)誤差系數(shù)；

Levenberg‐Marquardt算法的計(jì)算公式為：

Δw＝(J^TJ+μI)^-1J^Te

其中，e為誤差量，J是網(wǎng)絡(luò)誤差度對權(quán)值的雅可比矩陣，I為的單位矩陣，μ為比例系數(shù)。

本發(fā)明的與現(xiàn)有技術(shù)相比，具有以下有益效果：

二自由度ID分別采用跟蹤性能最佳和抗干擾能力最佳為控制參數(shù)，分別對PID參數(shù)進(jìn)行調(diào)整。將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，充分利用了兩者的優(yōu)點(diǎn)，使控制系統(tǒng)既有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能，魯棒性和泛化能力，又有遺傳算法的全局搜索優(yōu)化能力。

在本專利中采用GA算法優(yōu)化BP網(wǎng)絡(luò)根據(jù)控制參數(shù)分別完成PID參數(shù)的整定,從而在最短的時(shí)間內(nèi)，得到最精確的P、I、D參數(shù)，從而輸入更準(zhǔn)確地控制信號，對于在太陽跟蹤器而言，即是實(shí)現(xiàn)太陽的實(shí)時(shí)精確跟蹤。

采用啟發(fā)式學(xué)習(xí)規(guī)則中的動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率和數(shù)字優(yōu)化學(xué)習(xí)方法相結(jié)合的方法，每個(gè)改進(jìn)方法互補(bǔ)，有效的改善了BP網(wǎng)絡(luò)存在的收斂速度緩慢，已陷入極小值的缺點(diǎn)，大大改善了后期的控制精度和速度。

該算法用于對閉環(huán)的太陽跟蹤系統(tǒng)的控制，具有跟蹤精度高調(diào)節(jié)時(shí)間短，抗干擾能力強(qiáng)的特點(diǎn)

附圖說明

圖1為本發(fā)明實(shí)施例1的模塊結(jié)構(gòu)框圖；

圖2為本發(fā)明實(shí)施例1的系統(tǒng)原理框圖；

圖3為本發(fā)明實(shí)施例2中的4:7:3BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖；

圖4為本發(fā)明實(shí)施例2的算法流程圖；

圖5為本發(fā)明實(shí)施例2的算法功能模塊框圖；

圖6為本發(fā)明實(shí)施例3中太陽跟蹤器的控制回路圖。

具體實(shí)施方式

為使對本發(fā)明的結(jié)構(gòu)特征及所達(dá)成的功效有更進(jìn)一步的了解與認(rèn)識，用以較佳的實(shí)施例及附圖配合詳細(xì)的說明，說明如下：

概念說明：下述中的樣本為所有個(gè)體的組合，種群是一定數(shù)量個(gè)體的組合，這個(gè)數(shù)量由設(shè)定的種群大小決定。而個(gè)體則是神經(jīng)網(wǎng)絡(luò)初始值或是隨機(jī)產(chǎn)生的訓(xùn)練數(shù)據(jù)。

實(shí)施例1

如圖1、圖2所示，用于太陽跟蹤器的跟蹤系統(tǒng)，包括GA樣本數(shù)據(jù)預(yù)處理模塊、BP網(wǎng)絡(luò)調(diào)整模塊、PID控制器模塊、反饋系統(tǒng)模塊。

GA樣本數(shù)據(jù)預(yù)處理模塊根據(jù)樣本數(shù)據(jù)進(jìn)行個(gè)體尋優(yōu)，得到適應(yīng)度最大的個(gè)體并傳遞給BP網(wǎng)絡(luò)調(diào)整模塊作為最優(yōu)初值進(jìn)行訓(xùn)練；

在最優(yōu)初值的基礎(chǔ)上，通過BP網(wǎng)絡(luò)調(diào)整模塊反向傳輸，調(diào)整隱含層和輸出層的權(quán)值和閾值，使得到的誤差評價(jià)函數(shù)小于設(shè)定的誤差閾值，得到調(diào)整好的P、I、D的參數(shù)；

BP網(wǎng)絡(luò)調(diào)整模塊將調(diào)整好的P、I、D的參數(shù)傳遞給PID控制器模塊，PID控制器模塊根據(jù)二自由度進(jìn)行控制，分別使跟蹤性能和抗干擾性能達(dá)到最佳。

被控對象的輸出信號通過反饋系統(tǒng)模塊傳輸?shù)絇ID控制器的輸入端，反饋系統(tǒng)根據(jù)PID控制器的輸入信號和被控對象的輸出信號求得誤差信號并根據(jù)誤差信號進(jìn)行調(diào)節(jié)，形成一個(gè)閉環(huán)控制。

其中，GA樣本數(shù)據(jù)預(yù)處理模塊包括設(shè)置迭代次數(shù)和參數(shù)初值單元、編碼單元、適應(yīng)度計(jì)算單元、選擇/交叉/變異算子操作單元、災(zāi)變判斷單元；BP網(wǎng)絡(luò)調(diào)整模塊包括網(wǎng)絡(luò)結(jié)構(gòu)確定單元、初始化網(wǎng)絡(luò)單元、獲取初始值單元、BP網(wǎng)絡(luò)訓(xùn)練單元、精度判斷單元。

首先通過設(shè)置迭代次數(shù)和參數(shù)初值單元初始化GA算法的迭代次數(shù)n、交叉率p_c、變異率p_m、種群規(guī)模m；然后通過網(wǎng)絡(luò)結(jié)構(gòu)確定單元確定BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，網(wǎng)絡(luò)總共為三層：輸入層、隱含層、輸出層；其中輸入層有4個(gè)神經(jīng)元分別為指定輸入信號r_in(k)，實(shí)際輸出信號y_out(k)，誤差量e(k)和常數(shù)a；輸出層的三個(gè)神經(jīng)元分別對應(yīng)PID控制的三個(gè)參數(shù)k_p,k_i,k_d；而隱含層的神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式為基礎(chǔ)，經(jīng)過不斷地仿真調(diào)試，確定隱含層神經(jīng)元的個(gè)數(shù)為7個(gè)，即BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為4:7:3，如圖3所示。初始化網(wǎng)絡(luò)單元對BP網(wǎng)絡(luò)的權(quán)值和閾值初始值以及誤差評價(jià)函數(shù)和誤差閾值，并計(jì)算在初始值的情況下誤差信號是否小于誤差閾值，若是，則BP網(wǎng)絡(luò)無需訓(xùn)練，直接進(jìn)入測試階段，否則，進(jìn)入訓(xùn)練階段。

如果進(jìn)入訓(xùn)練階段，則通過編碼單元對含有BP網(wǎng)絡(luò)初始值的種群進(jìn)行實(shí)數(shù)編碼，并將適應(yīng)度函數(shù)定義為期望數(shù)據(jù)與實(shí)際輸出數(shù)據(jù)之差，然后通過適應(yīng)度計(jì)算單元進(jìn)行適應(yīng)度計(jì)算，具體為GA操作包括選擇算子、交叉算子、變異算子；其中交叉率p_c和變異率p_m采用自適應(yīng)方法求得該種群中適應(yīng)度最優(yōu)的個(gè)體，然后將適應(yīng)度最優(yōu)的個(gè)體不經(jīng)任何交叉、變異操作直接進(jìn)入下一代種群，即新種群，其他的個(gè)體進(jìn)入下一種群的概率與其在整個(gè)種群中的相對適應(yīng)度成正比；采用的自適應(yīng)交叉率p_c和變異率p_m的計(jì)算公式為：

其中，α₁、α₂為兩個(gè)大于0的常數(shù)，p_c1,p_c2,p_m1,p_m2為根據(jù)經(jīng)驗(yàn)得出的常數(shù)，分別為0.85、0.65、0.1、0.001；f_avg、f_max、f_c'分別為該種群的平均適應(yīng)度、總適應(yīng)度、該個(gè)體的適應(yīng)度，最后通過災(zāi)變判斷單元計(jì)算產(chǎn)生的新種群的總適應(yīng)度，若連續(xù)n代未出現(xiàn)更優(yōu)秀的個(gè)體時(shí)，這說明GA算法出現(xiàn)了早熟線程，陷入局部極小值，此時(shí)需要進(jìn)行災(zāi)變，殺死當(dāng)前種群所有優(yōu)秀的個(gè)體，進(jìn)入一下代。若若干次災(zāi)變后，適應(yīng)度值與未災(zāi)變前一樣，則停止災(zāi)變；若災(zāi)變停止或到達(dá)設(shè)定的災(zāi)變次數(shù)，則GA算法預(yù)處理完成，將得到的最優(yōu)初始權(quán)值和閾值傳遞給獲取初始值單元，獲取初始值單元將獲取到的初始值傳輸給BP網(wǎng)絡(luò)訓(xùn)練單元。BP網(wǎng)絡(luò)訓(xùn)練單元根據(jù)動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整初始權(quán)值和閾值，并采用Levenberg-Marquardt算法最優(yōu)化算法尋找最優(yōu)的PID參數(shù)值；

動(dòng)量-自適應(yīng)學(xué)習(xí)速率調(diào)整計(jì)算公式為：

β(k+1)＝τ*3^λ*β(k)

其中，β為學(xué)習(xí)速率因子，λ為梯度方向，τ為學(xué)習(xí)誤差系數(shù)；

Levenberg‐Marquardt算法的計(jì)算公式為：

Δw＝(J^TJ+μI)^-1J^Te

其中，e為誤差量，J是網(wǎng)絡(luò)誤差度對權(quán)值的雅可比矩陣，I為的單位矩陣，μ為比例系數(shù)；當(dāng)μ很大時(shí)，即為Gauss-Newton算法，當(dāng)μ很小時(shí)，接近梯度下降法。精度判斷單元進(jìn)行最后評價(jià)，當(dāng)BP網(wǎng)絡(luò)的誤差評價(jià)函數(shù)小于誤差閾值時(shí)，則整個(gè)BP網(wǎng)絡(luò)的學(xué)習(xí)過程完成，然后再用測試數(shù)據(jù)測試BP網(wǎng)絡(luò)的學(xué)習(xí)效果和泛化能力。

實(shí)施例2

如圖4、圖5所示，用于太陽跟蹤器的跟蹤方法，應(yīng)用于實(shí)施例1提供的跟蹤系統(tǒng)中。該算法首先以跟蹤性能最佳為控制目標(biāo)進(jìn)行PID參數(shù)調(diào)節(jié)，再以抗干擾性能最佳為控制目標(biāo)進(jìn)行參數(shù)調(diào)節(jié),具體調(diào)節(jié)步驟如下：

步驟1.隨機(jī)產(chǎn)生2000組數(shù)據(jù)，其中1500組數(shù)據(jù)用于訓(xùn)練BP網(wǎng)絡(luò)，另外500組數(shù)據(jù)用于測試BP網(wǎng)絡(luò)，并將數(shù)據(jù)進(jìn)行歸一化處理；

步驟2.確定BP網(wǎng)絡(luò)結(jié)構(gòu)

首先確定網(wǎng)絡(luò)總共為三層：輸入層、隱含層、輸出層；其中輸入層有4個(gè)神經(jīng)元分別為指定輸入信號r_in(k)，實(shí)際輸出信號y_out(k)，誤差量e(k)和常數(shù)a；輸出層的三個(gè)神經(jīng)元分別對應(yīng)PID控制的三個(gè)參數(shù)k_p,k_i,k_d；而隱含層的神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式為基礎(chǔ)，經(jīng)過不斷地仿真調(diào)試，確定隱含層神經(jīng)元的個(gè)數(shù)為7個(gè)，即BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為4:7:3，如圖3所示。

步驟3.初始化BP網(wǎng)絡(luò)

設(shè)置BP網(wǎng)絡(luò)的權(quán)值和閾值初始值以及誤差評價(jià)函數(shù)和誤差閾值，并計(jì)算在初始值的情況下誤差信號是否小于誤差閾值，若是，則BP網(wǎng)絡(luò)無需訓(xùn)練，直接進(jìn)入測試階段，否則，進(jìn)入步驟4)；其中初始值為權(quán)值和閾值初值；

步驟4.初始化GA算法的進(jìn)化次數(shù)n、交叉率p_c、變異率p_m、種群規(guī)模m；

步驟5.對含有BP網(wǎng)絡(luò)初始值的種群進(jìn)行實(shí)數(shù)編碼，并將適應(yīng)度函數(shù)定義為期望數(shù)據(jù)與實(shí)際輸出數(shù)據(jù)之差；

步驟6.執(zhí)行GA操作

GA操作包括選擇算子、交叉算子、變異算子；其中交叉率p_c和變異率p_m采用自適應(yīng)方法求得該種群中適應(yīng)度最優(yōu)的個(gè)體，然后將適應(yīng)度最優(yōu)的個(gè)體不經(jīng)任何交叉、變異操作直接進(jìn)入下一代種群，即新種群，其他的個(gè)體進(jìn)入下一種群的概率與其在整個(gè)種群中的相對適應(yīng)度成正比；采用的自適應(yīng)交叉率p_c和變異率p_m的計(jì)算公式為：

其中，α₁，α₂為兩個(gè)大于0的常數(shù)，p_c1,p_c2,p_m1,p_m2為根據(jù)經(jīng)驗(yàn)得出的常數(shù)，分別為0.85、0.65、0.1、0.001；f_avg、f_max、f_c'分別為該種群的平均適應(yīng)度、總適應(yīng)度、該個(gè)體的適應(yīng)度；

步驟7.災(zāi)變判斷，計(jì)算產(chǎn)生的新種群的總適應(yīng)度，若連續(xù)n代未出現(xiàn)更優(yōu)秀的個(gè)體時(shí)，這說明GA算法出現(xiàn)了早熟線程，陷入局部極小值，此時(shí)需要進(jìn)行災(zāi)變，殺死當(dāng)前種群所有優(yōu)秀的個(gè)體，進(jìn)入一下代。若若干次災(zāi)變后，適應(yīng)度值與未災(zāi)變前一樣，則停止災(zāi)變；若災(zāi)變停止或到達(dá)設(shè)定的災(zāi)變次數(shù)，則GA算法優(yōu)化完成，將得到的最優(yōu)初始權(quán)值和閾值傳遞給BP網(wǎng)絡(luò)；

步驟8.BP網(wǎng)絡(luò)訓(xùn)練

根據(jù)接收到的GA算法優(yōu)化后的權(quán)值和閾值作為初始值，根據(jù)動(dòng)量-自適應(yīng)學(xué)習(xí)率調(diào)整初始權(quán)值和閾值，并采用Levenberg-Marquardt算法最優(yōu)化算法尋找最優(yōu)的PID參數(shù)值；

動(dòng)量-自適應(yīng)學(xué)習(xí)速率調(diào)整計(jì)算公式為：

β(k+1)＝τ*3^λ*β(k)

其中，β為學(xué)習(xí)速率因子，λ為梯度方向，τ為學(xué)習(xí)誤差系數(shù)；

Levenberg‐Marquardt算法的計(jì)算公式為：

Δw＝(J^TJ+μI)^-1J^Te

其中，e為誤差量，J是網(wǎng)絡(luò)誤差度對權(quán)值的雅可比矩陣，I為的單位矩陣，μ為比例系數(shù)；當(dāng)μ很大時(shí)，即為Gauss-Newton算法，當(dāng)μ很小時(shí)，接近梯度下降法。

步驟9.當(dāng)BP網(wǎng)絡(luò)的誤差評價(jià)函數(shù)小于誤差閾值時(shí)，則整個(gè)BP網(wǎng)絡(luò)的學(xué)習(xí)過程完成，然后再用測試數(shù)據(jù)測試BP網(wǎng)絡(luò)的學(xué)習(xí)效果和泛化能力。

實(shí)施例3

本實(shí)施例將介紹現(xiàn)有技術(shù)到實(shí)施例2提供的算法的演變過程。

二自由度

PID控制系統(tǒng)的控制指標(biāo)主要有：外擾抑制作用和目標(biāo)跟蹤特性，在采用一自由度控制時(shí)，兩者呈現(xiàn)相反的變化趨勢，不同同時(shí)達(dá)到最優(yōu)性能。二自由度PID(Two degree of freedom PID,2DOF PID)控制就是使目標(biāo)跟蹤特性為最優(yōu)和外擾抑制特性為最優(yōu)的PID參數(shù)分別進(jìn)行整定，使整個(gè)控制系統(tǒng)的性能達(dá)到最佳。

在采用2DOF PID控制時(shí)，需滿足易懂，結(jié)構(gòu)簡單，與傳統(tǒng)技術(shù)有較好的結(jié)合性且能繼承其技術(shù)成果的要求。在對于太陽跟蹤器的控制回路中，采用目標(biāo)值濾波器型的2DOF PID控制。控制回路圖6所示。

目標(biāo)值濾波器H(s)可表示為：

其中，α為比例增益的二自由度化系數(shù)(一般0≤α≤1)，β為積分時(shí)間的二自由度化系數(shù)(一般0≤β＜1)，γ為微分時(shí)間的二自由度化系數(shù)(一般0≤γ＜2)，1/η為微分增益(一般0.1≤γ≤1)。

采用二自由度化系數(shù)可變的方法進(jìn)行太陽跟蹤器的PID控制，調(diào)整步驟為：加外擾，調(diào)整K_p,K_i,K_d，使外擾抑制特性為最佳；根據(jù)Chian-Hrone-Reswick(CHR)調(diào)整法初步得到α,γ的值，根據(jù)工程經(jīng)驗(yàn)，取β＝0.15；根據(jù)目標(biāo)值的變化量，在設(shè)定值附近微調(diào)二自由度化系數(shù)α,β,γ，使目標(biāo)跟蹤特性為最佳。

二自由度既能改善控制特性，又易進(jìn)行調(diào)整，只需增加目標(biāo)值濾波器，在保證結(jié)構(gòu)簡單的情況下，可實(shí)現(xiàn)控制性能達(dá)到最佳。

BP網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)在20世紀(jì)40年代,由眾多的而神經(jīng)元可調(diào)的連接權(quán)值連接而成,在智能控制領(lǐng)域取得很好的應(yīng)用成果.作為應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型,誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)具有實(shí)現(xiàn)任何復(fù)雜非線性映射的能力，能以任何精度逼近任何非線性連續(xù)函數(shù)；并行分布處理方式；具有自學(xué)習(xí)能力；具有一定的推廣，概括和自適應(yīng)能力，具有泛化能力，即將這組權(quán)值應(yīng)用于一般情形的能力；數(shù)據(jù)融合的能力，可同時(shí)處理定量和定性信息；可用于多變量系統(tǒng)和在線學(xué)習(xí)的能力。

BP算法基本思想是最小二乘法,它采用梯度搜索技術(shù),使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。算法的學(xué)習(xí)過程由信息的正向傳播和誤差的反向傳播組成。輸入信息從輸入層經(jīng)隱含層逐層處理后傳向輸出層，每層神經(jīng)元節(jié)點(diǎn)的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。當(dāng)輸出層不能得到期望的輸出時(shí)，則轉(zhuǎn)入反向傳播，將誤差信號沿著原來的連接通路返回，通過修改各層神經(jīng)元的連接權(quán)值和閉值，使誤差函數(shù)沿著負(fù)梯度方向下降，最終達(dá)到實(shí)際輸出值與期望輸出值之間的誤差最小。

BP神經(jīng)網(wǎng)路有輸入層，隱層和輸出層，每層都不同的神經(jīng)元個(gè)數(shù)。根據(jù)研究對象結(jié)構(gòu)和復(fù)雜程度不同，神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也各不相同。在該系統(tǒng)中，采用一個(gè)輸入層，一個(gè)隱含層，一個(gè)輸出層，且神經(jīng)元個(gè)數(shù)為3:5:3的拓?fù)浣Y(jié)構(gòu)。

三個(gè)輸入信號分別為指定輸入信號r_in(k)，實(shí)際輸出信號y_out(k)，誤差量e(k)。三個(gè)輸出信號分別對應(yīng)PID控制的三個(gè)參數(shù)k_p,k_i,k_d。

BP網(wǎng)絡(luò)的學(xué)習(xí)過程由正向傳播和反向傳播兩部分組成。首先是信號的正向傳播過程，輸入層的信息向前傳播到隱含層的節(jié)點(diǎn)上，經(jīng)過個(gè)單元的激活函數(shù)運(yùn)算，并把隱含層的信息傳輸?shù)捷敵鰧拥墓?jié)點(diǎn)，再經(jīng)過輸出層上各節(jié)點(diǎn)的激活函數(shù)的運(yùn)算輸出。在正向傳播過程中，每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。若實(shí)際輸出與期望輸出值之間的誤差大于設(shè)定的誤差函數(shù)閾值，則轉(zhuǎn)向反向傳播過程，將誤差信號反向傳播，逐次修改各層神經(jīng)元的權(quán)值，再經(jīng)正向傳播得到修正后的輸出，兩個(gè)過程的反復(fù)應(yīng)用，使得誤差信號最小。當(dāng)實(shí)際誤差信號小于設(shè)定的誤差閾值時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)過程結(jié)束。

在正向傳播過程中，隱含層節(jié)點(diǎn)的輸入輸出為：

輸出層的輸入輸出為：

w_ij,w_jk分別為輸入層與隱含層，隱含層與輸出層之間的連接權(quán)值。分別為隱含層和輸出層的輸出值。f(k),g(k)為激活函數(shù)，用來加入非線性因素，從而彌補(bǔ)線性模型表達(dá)力不夠的缺點(diǎn)，激活函數(shù)的選擇需滿足單調(diào)遞增有界且一階可微的特點(diǎn)，經(jīng)過仿真，隱含層的激活函數(shù)雙極S形函數(shù)：

誤差評估函數(shù)表示為:

根據(jù)誤差評估函數(shù)經(jīng)反向傳播過程對每個(gè)節(jié)點(diǎn)的權(quán)值進(jìn)行調(diào)整，權(quán)值的修正量與誤差的負(fù)梯度方向成正比，即：令則

隱含層與輸入層之間的權(quán)值調(diào)整量為：

令有Δw_ij＝ηδ_jx_i

其中，η為學(xué)習(xí)步長，即學(xué)習(xí)速率。下一次迭代時(shí)隱含層與輸出層任一節(jié)點(diǎn)之間的權(quán)值，輸入層與隱含層之間的權(quán)值分別為：

w_jk(k)＝Δw_jk+w_jk(k)

w_ij(k)＝Δw_ij+w_ij(k)

然而，這種標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)路實(shí)際上也是一種梯度下降搜索法，存在收斂速度慢，易陷入局部極小值的缺點(diǎn)，而這些缺點(diǎn)可以通過使用改進(jìn)的BP算法進(jìn)行校正，改進(jìn)的BP算法可分為兩類，一是采用啟發(fā)式學(xué)習(xí)規(guī)則，如添加附加動(dòng)量項(xiàng)，采用自適應(yīng)學(xué)習(xí)率等；二是基于數(shù)值優(yōu)化的學(xué)習(xí)方法，如共軛梯度法，擬牛頓法和Levenberg-Marquardt方法(簡稱L-M法)，

1.加入動(dòng)量項(xiàng)

為了加快收斂速度，在權(quán)值的修正量加上上一次修正權(quán)系數(shù)，把他作為本次修正的依據(jù)之一，即有：

Δw_ij(k+1)＝ηδ_jx_i+αΔw_ij(k)

其中，α為動(dòng)量因子。

2.動(dòng)量‐自適應(yīng)學(xué)習(xí)速率調(diào)整算法

在進(jìn)行學(xué)習(xí)速率的自適應(yīng)調(diào)整時(shí)，基本思想是在學(xué)習(xí)收斂的情況下，增大η，以縮短學(xué)習(xí)時(shí)間；當(dāng)η偏大致使不能收斂時(shí)，要及時(shí)減小η，直到收斂為止。

β(k+1)＝τ*3^λ*β(k)

其中，β為學(xué)習(xí)速率因子，λ為梯度方向，τ為學(xué)習(xí)誤差系數(shù)。

3.采用Levenberg-Marquardt算法

L-M法實(shí)質(zhì)上是梯度下降法和牛頓法的結(jié)合，網(wǎng)絡(luò)權(quán)值較少時(shí)具有很高的收斂速度。L-M優(yōu)化算法的權(quán)值調(diào)整率為：

Δw＝(J^TJ+μI)^-1J^Te

其中，e為誤差量，J是網(wǎng)絡(luò)誤差度對權(quán)值的雅可比矩陣，I為的單位矩陣，μ為比例系數(shù)，當(dāng)μ很大時(shí)，即為Gauss‐Newton算法，當(dāng)μ很小時(shí)，接近梯度下降法。

動(dòng)量項(xiàng)的加入改善了收斂速度，但是對學(xué)習(xí)率的選擇存在困難，且對初值要求較高；自適應(yīng)學(xué)習(xí)速率大大的改善了易陷入局部極小值的缺點(diǎn)，但是收斂速度較慢。

Levenberg-Marquardt算法大大的提高了收斂速度，但是卻并不能改善易陷入局部極小值的問題，采用啟發(fā)式學(xué)習(xí)規(guī)則中的動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率和數(shù)字優(yōu)化學(xué)習(xí)方法相結(jié)合的方法，每個(gè)改進(jìn)方法互補(bǔ)，有效的改善了BP網(wǎng)絡(luò)存在的收斂速度緩慢，已陷入極小值的缺點(diǎn)，大大改善了后期的控制精度和速度。

改進(jìn)的BP算法降低了進(jìn)入局部極小值得概率，但是沒有從根本上實(shí)現(xiàn)快速的全局搜索，GA算法GA時(shí)一種模擬自然界生物進(jìn)化機(jī)制的搜索技術(shù)，具有全局搜索的能力，因此，采用GA算法和BP網(wǎng)絡(luò)相結(jié)合的模式可以更好地進(jìn)行網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)，實(shí)現(xiàn)快速，高精度的PID控制。

GA算法：

GA-BPNN算法的主要思想：首先用GA算法較快地搜索到最優(yōu)解附近，在解空間中定位出一個(gè)較好的搜索空間，并給BP網(wǎng)絡(luò)提供較好的初始值，然后采用BP算法在這個(gè)小的搜索空間搜索出最優(yōu)解。GA算法與BP算法之間的切換可通過誤差的大小來實(shí)現(xiàn)，如果誤差大于某個(gè)值時(shí)采用GA算法，當(dāng)小于該值時(shí)采用BP算法，直到達(dá)到所限制的精度或最大步數(shù)為止。

簡單的GA算法使用了選擇算子，交叉算子，變異算子，GA過程如下：

1.確定編碼方式：實(shí)現(xiàn)解空間到搜索空間的轉(zhuǎn)換，編碼形式為：

其中，分別為輸入層與隱含層，隱含層與輸出層之間的連接權(quán)值。

2.確定參數(shù)：群體大小，交叉，變異概率，終止迭代的次數(shù)；

3.初始化：隨機(jī)生成n個(gè)個(gè)體，提供初始種群P(0)；

4.評價(jià)：譯碼到解空間，計(jì)算候補(bǔ)解，解集合的適應(yīng)度，平均適應(yīng)度。

5.GA操作：包括選擇算子、交叉算子、變異算子，對種群P(t)進(jìn)行操作，產(chǎn)生下一代P(t+1)。

6.重復(fù)4，5，直至參數(shù)收斂或達(dá)到預(yù)定的指標(biāo)。

簡單的GA算法以易出現(xiàn)早熟，即過早的想局部最優(yōu)解收斂的情況，因此，需要對交叉率和變異率進(jìn)行自適應(yīng)調(diào)整。改進(jìn)的自適應(yīng)交叉率p_c和變異率p_m的計(jì)算公式為：

α₁，α₂為兩個(gè)大于0的常數(shù)，p_c1,p_c2,p_m1,p_m2為根據(jù)經(jīng)驗(yàn)得出的常數(shù)，分別為0.9、0.6、0.1、0.001。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。