没有合适的资源?快使用搜索试试~ 我知道了~
单片机与DSP中的基于神经网络和DSP的锡炉温度控制系统的研究与应用
4 下载量 142 浏览量
2020-11-06
01:05:08
上传
评论
收藏 232KB PDF 举报
温馨提示
试读
4页
摘 要: 基于预测神经网络和DSP高速数字处理相结合的构建原理,采用BP神经网络算法进行系统参数的调整,同时利用DSP数字信号高速处理运算,对锡炉温度实现了在线实时控制。实验表明,控制系统的动态响应快,跟踪能力强,稳态精度高,有较强抗扰动能力。 现代电子元件装配要求锡炉焊接温度更加稳定,对锡炉高温控制的难度也就增强。随着预测神经网络的应用研究不断深入,由于其运算数据量大、收敛比较慢的特点,使其应用受到了硬件上的限制,实际应用并不多。但DSP高速数字信号处理速度越来越快,在线实时控制能力越来越强,在结合神经网络的应用方面效果显著。本文采用神经网络的预测能力对温度参数进行学习和调整,同时结
资源详情
资源评论
资源推荐
单片机与单片机与DSP中的基于神经网络和中的基于神经网络和DSP的锡炉温度控制系统的的锡炉温度控制系统的
研究与应用研究与应用
摘 要: 基于预测神经网络和DSP高速数字处理相结合的构建原理,采用BP神经网络算法进行系统参数的调
整,同时利用DSP数字信号高速处理运算,对锡炉温度实现了在线实时控制。实验表明,控制系统的动态响应
快,跟踪能力强,稳态精度高,有较强抗扰动能力。 现代电子元件装配要求锡炉焊接温度更加稳定,对锡
炉高温控制的难度也就增强。随着预测神经网络的应用研究不断深入,由于其运算数据量大、收敛比较慢的特
点,使其应用受到了硬件上的限制,实际应用并不多。但DSP高速数字信号处理速度越来越快,在线实时控制
能力越来越强,在结合神经网络的应用方面效果显著。本文采用神经网络的预测能力对温度参数进行学习和调
整,同时结
摘 要: 基于预测神经网络和DSP高速数字处理相结合的构建原理,采用BP神经网络算法进行系统参数的调整,同时利用
DSP数字信号高速处理运算,对锡炉温度实现了在线实时控制。实验表明,控制系统的动态响应快,跟踪能力强,稳态精度
高,有较强抗扰动能力。
现代电子元件装配要求锡炉焊接温度更加稳定,对锡炉高温控制的难度也就增强。随着预测神经网络的应用研究不断深
入,由于其运算数据量大、收敛比较慢的特点,使其应用受到了硬件上的限制,实际应用并不多。但DSP高速数字信号处理
速度越来越快,在线实时控制能力越来越强,在结合神经网络的应用方面效果显著。本文采用神经网络的预测能力对温度参数
进行学习和调整,同时结合数字信号处理(DSP)模块进行控制和运算,实现高速运算处理控制,最终实现了锡炉温度控制
系统在线实时补偿加热控制。
1 神经网络控制结构神经网络控制结构
神经网络对事件预测是一种很好的数据处理技术,在学习过程中发现规则,通过预测和DSP运算处理控制相结合来学习
及调节控制函数的参数。基于神经网络和DSP的控制系统结构如图1所示。控制系统由预测神经网络和DSP数字信号处理运算
控制两部分构成,这两部分有共同的输入信号,即网络温度误差e。预测神经网络对采样温度样本和预先设置样本进行预测和*
估,预测值经过外部环境控制的影响因子进行适当校正后,进行预测神经网络的权重和控制函数的参数调节。DSP运算处理
控制中心根据控制温度误差和神经网络预测值,通过高速数据运算处理,接收和发布各种控制命令并加以执行,包括实时温度
显示、温度控制输出、温度超越限值报警等输入和输出参数。执行机构是控制模块的对象,温度控制系统的最终对象为加热
器。因此,锡炉温度控制系统以温度的变化作为整个控制核心,它由温度传感器来转化,经过神经网络的预测和数字信号处理
(DSP)进行有效的控制。
该控制系统的预测采用BP神经网络,其特点是只有前后相邻两层之间的神经元相互连接,输出神经元输出预测值,预测
神经网络结构如图2所示。网络结构分为3层,即为输入层、隐层和输出层。输入层负责接收数据,不进行运算。其中x0激活
函数的初始值,位于[-1,1]之间的随机数,而x1是网络控制系统的温度误差e,x2和x3分别为加热器的电压电流检测值。
weixin_38689976
- 粉丝: 6
- 资源: 924
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0