"基于PID神经网络的两轮自平衡小车研究"
本文研究基于PID神经网络的两轮自平衡小车系统。该系统采用C语言编写的神经网络识别程序，通过对上一时刻来自编码器、陀螺仪加速度计的数据进行处理，获得小车上一时刻的状态信息，包括角度、角速度、位置、位置微分。然后，通过对这4个状态量的运算处理，获得对下一时刻小车电机的控制信号，即小车系统的输入。
PID神经网络在反向调整网络权值的过程中，各偏导用符号函数近似代替。因此，各层权值调整算法如下：
1. 经t步训练后，隐层至输出层权值调整算法为：（￡+ 1）一。⋅el（）·sgn冀．
2. 经t步训练后，输入层至隐层权值调整算法为：（H-1）：∽+ ∽．Sgn冀·sgn．
其中：（）为经t次训练后输入层节点J与隐层节点i的连接权值；（）为经t次训练后隐层节点i与输出层节点的连接权值；M，为输入层节点J的输入；z（）和q（）为隐层节点i的第k个输入和输出；z（）和Y（）为输出层节点的第k个输入和输出；e（）为经t次训练后小车实际输出Y与识别网络NNI输出Y的偏差。
优化控制器参数
由于AVR中的控制器有4个输入量、1个输出量，本文神经网络控制（NNC）程序采用如图3所示结构。输出层的神经元为自适应线性神经元。
图2 NNI结构图
图3 NNC结构图
网络权值调整算法如下：
- I- 1）= w · ㈤ 8（）· 口f．
其中：E（）为目标函数；叫（￡）（z一1, 2，3，4）为经t次训练后，输入层第z个神经元与输出层神经元的连接权值；田为步长；e（）为经t次训练后期望输出r与网络实际输出Y的偏差；n为输入层节点z的输入。
基于PID神经网络的参数优化过程
本文中两轮小车的控制原理见图4，在基于AVR的两轮小车的基础上，利用PID神经网络对两轮小车的模型NNI进行识别，以两轮小车某时刻的输入和输出作为识别神经网络（PID神经网络）的两个输入，将网络的输出Y与小车实际输出进行比较，如果两者的偏差e超过设定值，则通过BP算法对网络权值进行调整，直到e符合要求。当e符合要求后，系统以NNI的输出Y为小车实际输出，通过与期望输出r进行比较，得出偏差e，然后通过BP算法在内部不断调整控制器网络NNC，直到偏差e满足预设条件。当e满足要求后，对应的控制器参数就是得到优化后的参数，将其传递给AVR中的控制器变量，用以优化小车的平衡性能力。程序一直循环下去，实时控制小车的运行状态。
期望输出图4基于PID神经网络的两轮小车原理图
图4中，e为期望输出与网络实际输出的偏差，“为控制器产生的控制信号，Y为在控制信号和小车实际输出Y下的辨识网络NNI的输出， 为小车实际输出Y与 的偏差，ez为期望输出r与Y的偏差。
本文基于PID神经网络的两轮自平衡小车系统，采用C语言编写的神经网络识别程序，通过对上一时刻来自编码器、陀螺仪加速度计的数据进行处理，获得小车上一时刻的状态信息，并通过对这4个状态量的运算处理，获得对下一时刻小车电机的控制信号。该系统还采用BP算法对网络权值进行调整，并通过PID神经网络对两轮小车的模型NNI进行识别，以优化小车的平衡性能力。
