基于FPGA的神经元自适应PID控制器设计
来源： 作者： 发布时间：2016-05-28 06:50:22 浏览量：基于BP神经网络整定的PID
控制器的FPGA设计概述
基于BP(Back Propagation)网络的PID控制系统参数整定结构如图4所示，控制器由两部分构成：
(1) 经典的PID控制器：直接对被控对象进行闭环控制，三个参数kp、ki、kd为在线调整方式；
(2)神经网络：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数kp、ki、kd，通过神经网络的自学习、加权系数调整，使神经网络的输出对应于某种最优控制率下的PID控制器参数。
用FPGA实现BP神经网络，除了各个浮点运算模块之外，还需要实现大电流电感隐层神经元的活化函数——正负对称的Sigmoid函数：
和贴片电感器输出层神经元的活化函数——非负的Sigmoid函数：
其中超越函数ex的实现，常用的有两大类：一是多项式迭代，该方法实现速度快，但需要乘法器，当计算精度较高时，硬件成本大；二是移位加迭代，此方法只需加法器，结构简单易于实现，但实现速度慢。参考文献2中还提到了一种采用分段线性化的方法，虽然实现容易，但是精度较低。笔者拟在现有浮点四则运算模块的基础上，采用指数函数幂级数展开式前n项和的形式实现超越函数ex。这虽然也是采用了多项式迭代的方式，但采用FPGA实现，可以在保证精度的前提下，减少硬件成本。有了这一模块后，经过合理安排BP算法的运算顺序，就可以在FPGA上实现基于BP神经网络整定的PID一体成型电感控制器了。
结语
当今神经网络的应用大多以软件方式完成核心算法，但受限于微处理器(或DSP)工作频率太慢或PC机体积较大的弱点，难以大规模应用。鉴于此，本文提出了一种基于FPGA、以硬件方式完成神经网络算法的方案，在保证运算精度的模压电感器前提下，运算速度可比同频率的处理器以软件方式实现快上百倍。另外，文中各个浮点运算模块的实现还有一些有待优化的地方，因此可以在硬件资源上更为节省。由此可见，硬神经网络是解决其学习速度慢、满足实时控制需要的必电感生产厂由之路。
两例互感器绕组极性标错引起保护误动分析一、两相式过电流保护电流互感器极性接反引起误动1.事故概况：2012年6月，我县某企业35kV变电站一条10kV直供分厂线路，过电流Ⅱ段保护，在天气无风、无雨，设备及负荷正常的情况下，接连发生六次动作
单片机开发中的一些实用技巧（上） 很多朋友正在学习单片机开发技术，但开发中免不了要碰到这样、那样的问题，有些问题可能无碍大局，但有一些问题却直接影响到产品的成本、体积、性能。这里介绍笔者的几个技巧，希望对大家的工作有帮助。一.C语言
基于HowNet的词语相关度计算模型 摘 要： 提出了词语相关度模型，作为在数据空间中发现数据源内容关联的一个基础。本模型基于HowNet，可以计算同种词性以及不同词性之间的相关度，融合了词语的相似度、关联度和实例因素,综合获得词语的