量子神经网络在PID参数调整中的应用
BP神经网络在PID控制器参数整定中的应用
Ｎｅ ｒ ｌＮ ｔ ｒ Ｉ ｏ ｔ ｌ ｒｈ ｓｓｒ ｎ ｅ ｄ ｐ ａ ｉ ｔ ｎ ｅ ｔｒｒ ｓ ｌｓ ｕ ａ ｅｗｏ ｋ Ｐ Ｄ ｃ ｎ ｒ ｌ ａ ｔ ｇ ｒａ ａ ｔ ｂ ｌ ｙ ａ ｄ ｂ ｔ ｅ ｕ ｔ． ｏｅ ｏ ｉ ｅ
Ｋ ＥＹＷ Ｏ ＲＤ Ｓ ：Ｎｅ ａ ｔ ｒ ＰＩ ； ｒ ｍｅｅ ｅｔｎｇ； ｉ ｕｒｌｎｅｗｏ ｋ； Ｄ Ｐａ ａ ｔｒ ｓ ｔｉ Ｓ ｍｕｌｔｏ ａｉ ｎ
仿真
中图 分 类 号 ：Ｐ ８ Ｔ １３ 文 献 标 识 码 ： Ｂ
Ｏｐｔｍ ｉ ａ ｉ ｎ Ｔｕｎ ｎｇ ｏ Ｄ ｒ ｍ ｅ ｅ ｓ ｉ ｚ ｔｏ ｉ ｆ ＰＩ Ｐａ ａ ｔｒ ａ ｕｔ ＰＩ Ｃｏ ｔ ｏ ｌ ｒ Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ ｂｏ Ｄ ｎ ｒ ｌ ｓ ｄ ｏ ｅ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
线性 ， 给出系统所需 的控 制规律 ， 并 因此 由神 经 网络 构 成 的
１ 引 言
ＰＤ控制器 以其结构简单 ， Ｉ 对模型误 差具有 鲁棒性 及易
于操 作 等优 点被 广泛 应 用 于 冶 金 、 工 、 化 电力 、 工 和 机 械 等 轻
控制器具有很好 的调节能 力和鲁棒 性 。 目前 ， 采用 Ｂ Ｐ神
Ｂ Ｐ神经网络的 ＰＤ控制器参数整定方法。通过建立三层神经 网络模 型 ， Ｉ 在控制过程 中将神经网络 的隐含 层单元分别作 为
ＰＤ的 比例 （ 、 分 （ ） 微 分 （ 单元 ， 而构 造 参 数 自学 习 的 ＰＤ控 制 器 ， 控 制 过 程 中 动 态 调整 ＰＤ 的三 个 控 制 参 数 ， Ｉ Ｐ） 积 Ｉ、 Ｄ） 从 Ｉ 在 Ｉ 从 而 进 行 ＰＤ控 制 参 数 的在 线 整 定 。仿 真 结 果 表 明 ， 于 Ｂ Ｉ 基 Ｐ神 经 网络 的 ＰＤ控 制方 法 在 处 理 非 线 性 和 时 变 系 统 时 ， 高 了 Ｉ 提 实 时 性 能 ， 强 系 统 稳定 性 ， 获得 更 好 的控 制 效 果 。 增 并
bp神经网络在pid控制器参数整定中的应用
bp神经网络在pid控制器参数整定中的应用PID控制器（PID， Proportional-Integral-Derivative）是近几十年来应用最为广泛，最成功的控制系统之一，用于正确、稳定地控制各种过程，是目前工业过程控制领域的主要技术。
目前，PID控制器的参数设置方法以人工方法为主，但由于人工方法的受限性，一般只能获得较为粗糙的参数。
在这种情况下，基于神经网络的自动参数整定方法以其快速和准确的特点得到了广泛的应用。
其中，bp神经网络是一种具有广泛应用前景的神经网络模型，它具有自适应特性，可以用于PID控制器参数整定。
首先，利用bp神经网络对过程模型进行研究，根据实际情况确定合理的PID参数，然后利用bp神经网络进行参数自动整定，构建出较为精确的控制系统，用以让过程回路的稳定性和控制精度达到最优。
此外，bp神经网络还可以应用于复杂的线性和非线性双向控制系统，如液位控制、温度控制等，增强了系统的可控性，并大大提高了控制性能和控制质量。
利用bp神经网络实现PID控制器参数自动整定，可以有效提高控制器在不同情况下的精度和可靠性，解决人工方法难以满足的实际控制需求，具有广泛的应用前景。
同时，bp模型本身也有一定的缺陷，例如计算时间长，精度不够等，因此今后有必要进行深入的研究，以发展更先进的控制方法，使之能够更全面地运用于工业过程中。
综上所述，基于bp神经网络的PID控制器参数整定技术是当今应用技术中的一个热点，具有巨大的应用潜力。
它可以有效改善PID 控制系统的性能，并且能够满足不同应用场合的需求，为工业过程控制技术的发展提供了有力的支持。
未来，将继续围绕bp神经网络模型，进行系统的性能分析及参数设计，以更好地服务工业过程控制的发展。
BP神经网络在PID控制中的应用
BP神经网络在PID控制中的应用作者：杜金明姜旭日王传俊吴双佚来源：《科学与财富》2019年第11期摘要：系统控制是吸引工程学界关注的领域之一。
当系统有时间延迟并需要精确控制时。
控制设计是一项艰巨的任务，需要先进的控制理论。
在许多控制方案中，PID控制广泛用于工程系统，但调整PID参数的方法通常需要时间和精力才能实现精确控制。
BP神经网络可以用于设计神经网络系统。
一个神经网络模型（NNM）用于工厂识别，另一个神经网络控制器（NNC）可以相应地调整PID参数。
通过NNM在线学习和修复，可以预测工厂产量。
此外，该技术用于识别工厂的模型。
通过模拟实验和实际测试将结果与现有方法的结果进行比较。
验证显示了改进的有效性和稳健性。
关键词：PID控制；神经网络；数学模型一、介绍作为今天的世界，随着技术的进步，人们每天都在创造各种高科技产品。
飞机，远程手术机器和工业机器人等产品使人们的生活变得更加便利。
但是，需要精确控制高科技产品以执行所需的位置。
例如人们使用遥控器向飞机发送请求，以便它可以飞到所需的位置。
医生应该以非常准确的方式控制医疗机器进行远程手术，否则患者可能会受伤。
为了使控制目标更加准确和快速，应设计并实现PID控制方法。
PID控制器可以优化系统响应，这种控制器广泛用于机械和工业系统。
开发一种优化PID 控制器的方法在系统控制领域至关重要。
但是，调整PID控制器并非易事。
通常它需要大量耗尽的实验并且需要大量的时间和精力。
此外，还有过程中的干扰。
最常见的是时间延迟问题。
它可能会使系统产量不确定。
大的时间延迟可能导致系统不稳定。
受这些问题的驱使，需要使用先进的技术，例如使用神经网络来设计PID控制器。
二、PID控制器在系统控制过程中，一些变量如加速度，速度，振幅通常需要保持在一定范围内，或者可以根据原理进行改变。
并且为了接近控制過程要求，PID控制器基于PID控制算法调整控制系统的偏差。
这样工厂的实际产值就可以达到我们想要的值。
基于改进量子进化算法的PID参数优化
基于改进量子进化算法的PID参数优化李国柱【摘要】PID控制器是一类广泛使用的控制器,其参数优化决定了控制器的性能.提出了一种基于改进量子进化算法的PID控制参数优化方法.在该算法中量子个体的每位量子比特都可以向不同的目标学习,实现了量子个体之间信息的充分交换,一方面保证了算法的收敛性,另一方面保证了算法的探索能力,有效提高了算法的优化性能.将该方法用于PID控制器参数优化,与其他优化算法的仿真结果比较表明,该方法能获取更好的控制效果,验证了该方法的有效性.%PID controller is a widely used controller, whose performance depends on the optimization of its parameters. An optimization method of PID control parameters is proposed, based on the improved quantum inspired evolutionary algorithm. In this algorithm, each quantum bit of a quantum individual is allowed to learn from different target solutions,which achieves a full exchange of information between the quantum individuals. It makes both the convergence and exploration ability of this algorithm guaranteed, and effectively improves the optimization capability of this algorithm. Compared with other optimization algorithms, the simulation results show that this method can get better control effect and verify the validity of the method.【期刊名称】《现代电子技术》【年(卷),期】2012(035)016【总页数】3页(P104-106)【关键词】量子进化算法;信息交换;PID控制;参数优化【作者】李国柱【作者单位】西安文理学院,陕西西安 710065【正文语种】中文【中图分类】TN911-34;TP2730 引言PID控制是20世纪初发展起来的控制策略，由于具有结构简单、鲁棒性强、可靠性高和易于操作等显著特点，在过去几十年里，PID控制在工业技术中占有主导的地位[1]。
BP神经网络在PID参数自整定中的应用
摘要摘要PID控制方法是经典控制算法中的典型代表，并在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，被控对象越来越复杂，大量非线性控制对象的出现，传统的PID控制方法往往难以满足闭环优化控制的要求。
而神经网络作为现代信息处理技术的一种，正在很多应用中显示了它的优越性，神经网络PID控制技术在其中扮演了十分重要的角色，并且仍将成为未来研究与应用的重点技术之一。
本文阐述了神经网络PID控制算法的基本原理，并对几种典型的神经网络PID控制器的控制性能进行了分析。
关键词：神经网络；PID控制；Matlab仿真；梯度搜索算法；BP算法IABSTRACTABSTRACTThe PID control method is one of the traditional eontrol methods and gets good effects under many application situation.But with the increase in complexity of manufacture technics and demands of industrial process performance,the conventional PID control can not meet the requirement of closed loop optimized control.Neural network,as one of modern information proeess technologies,has some advantages in many application.Neural network PID control teehnology in which Plays a very imPortant role,and will become one of the focus of the research and application of teehnology.In this paper ,we describes the basic principles of neural network PID control arithmetic, and form the simulinks of Neural network PID controller,analyse their differences.Keywords：Neural Networks；PID Control；Matlab Simulation；Gradient Search Arithmetic；BP ArithmeticII目录第一章引言 (1)1.1神经网络PID控制器研究现状及发展态势 (1)1.2选题依据及意义 (1)1.3课题研究内容 (2)1.4课题的目标与拟解决的问题 (2)第二章人工神经网络 (3)2.1 人工神经网络的发展 (3)2.2 生物神经元 (4)2.3 人工神经网络的结构 (5)2.3.1人工神经元及其激活函数 (6)2.3.2 神经网络的拓扑结构 (8)2.4 神经网络的学习 (10)2.4.1 神经网络的学习方式 (10)2.4.2 神经网络学习算法 (11)2.5神经网络的特点及其应用 (13)2.5.1 神经网络的特点 (13)2.5.2 神经网络的应用 (13)第三章传统PID控制 (14)3.1 传统PID控制简介 (14)3.2 数字PID控制算法 (15)3.3 PID控制的参数及其整定 (15)3.3.1 PID控制参数对性能的影响 (15)3.3.2 PID控制参数的整定 (16)3.4 传统PID控制的难题 (17)第四章BP神经网络PID控制器 (19)4.1 神经网络用于控制领域 (19)4.2 神经网络PID控制研究的意义与现状 (19)4.3 BP神经网络 (20)4.4 BP神经网络参数自整定PID控制器 (22)4.5 BP神经网络近似PID控制器 (26)III第五章BP神经网络PID控制器的编程与仿真 (29)5.1 编程语言Matlab语言简介 (29)5.2 BP神经网络自整定PID控制器的编程实现 (30)5.2.1参数初始化核心代码 (30)5.2.2 前馈计算核心代码 (30)5.2.3 误差反传核心代码 (31)5.3 BP神经网络自整定PID控制器的仿真 (32)5.4 BP神经网络近似PID控制器的编程实现 (38)5.5 BP神经网络近似PID控制器的仿真测试 (39)5.6 本章小结 (41)结束语 (42)参考文献 (43)致谢 (44)附录一：神经自整定PID控制器的M程序 (45)附录二：神经近似PID控制器的M程序 (48)外文资料原文 (51)外文资料译文 (54)IV第一章引言第一章引言1.1神经网络PID控制器研究现状及发展态势PID控制器从问世至今已经几十年了，成为工业过程控制中主要技术成功应用于机械冶金电力和轻工等工业过程控制领域中[1]，对于PID控制器来说，要想得到较理想的控制效果，必须先对其三个参数：即比例系数( Kp )，微分系数( Ki )，微分系数( Kd )进行优化。
神经网络优化PID参数论文
辽宁科技大学本科生毕业设计（论文）第Ⅰ页单神经元自适应PID控制器设计摘要在控制理论和技术飞跃发展的今天，PID控制由于其结构简单、稳定性能好可靠性高等优点而被广泛应用。
然而在实际的工业过程中，许多被控过程机理复杂，具有高度非线性。
这就要求在PID控制中，不仅PID参数的整定不依赖于对象数学模型，并且PID参数能在线调整，以满足实时控制的要求。
单神经元自适应PID控制将是解决这一问题的有效途径。
利用神经网络具有自学习、自组织、联想记忆和并行处理等功能和对于复杂系统控制可以达到满意效果的优势，提出了具有自学习和自适应能力的单神经元来构成单神经元自适应PID控制器的策略。
这种神经元构成的控制器不仅结构简单，且能适应环境变化，有较强的鲁棒性。
使自适应PID控制达到最优。
其仿真结果表明：该控制器与典型的PID控制器相比，系统输出能够很好地跟踪参考模型的输出显著提高了系统的动态响应性能。
关键词：自适应；PID控制；神经元Single Neuron Adaptive PID Controller DesignAbstractIn the rapid development of control theory and technology nowaday, PID control has been widely used because of its simple structure, stable performance and high reliability. However, in actual industrial processes, many complex mechanism controlled process has highly nonlinear.This requires the PID control, PID parameter setting not only do not rely on mathematical models, and the PID parameters can be adjusted on line to meet the requirements of real-time control. Single neuron adaptive PID control will be an effective way to solve this problem. Using neural network self-learning, self-organization, associative memory and parallel processing features and control of complex systems can achieve satisfactory results, this paper proposed a self-learning and adaptive capacity of single neurons to form the single neuron adaptive PID control strategy. These neurons constitute the controller not only simple in structure, and can adapt to environmental changes, have stronger robustness. Adaptive PID control to optimal. The simulation results show that the controller, compared with the typical PID controller, the system output can track the reference model very well, the output of the system significantly improved dynamic response.Keywords: adaptive, PID control, neurons目录摘要 (I)ABSTRACT ...................................................................................................................................... I I 1绪论 . (1)1.1自适应控制介绍 (1)1.2自适应控制系统的分类 (2)1.3自适应控制的理论 (4)2 PID控制 (7)2.1PID控制器 (7)2.2PID控制器的参数整定 (8)2.3自适应PID控制 (9)3 神经网络控制的发展与应用 (10)3.1传统控制理论的局限性 (10)3.2神经网络控制的发展与现状 (11)3.3人工神经网络与自动控制 (13)3.4单神经元模型 (13)3.5人工神经元的数学模型 (15)3.6激活函数 (16)3.7神经网络学习规则 (17)4单神经元自适应PID控制器的设计 (19)4.1单神经元自适应PID控制器 (19)4.2改进的单神经元自适应PID控制器 (20)４.3转换器的实现 (20)4.4常规PID控制器与单神经元自适应PID控制器仿真比较 (21)4.5单神经元自适应PID控制器学习规则可调参数的选取 (23)结论 (24)致谢 (25)参考文献 (26)附录A (27)附录B (28)1绪论1.1 自适应控制介绍70年代以来，由于空间技术和过程控制发展的需要，特别是在微电子和计算机技术的推动下，自适应发展很快[1]。
基于BP_神经网络的PID_控制算法参数优化
- 22 -高 新 技 术从本质上来看，PID 控制算法就是对比例、积分和比例微分间的关系进行控制的一种算法。
PID 控制调节器具有适应性强、鲁棒性良好的特征，因此被广泛应用于工业控制领域。
但是，随着科学技术、控制理论发展，在工业生产中被控对象逐渐向复杂化和抽象化的趋势发展，并呈现滞后性、时变性和非线性的特征，这使传统PID 控制器难以精准调控这种较复杂的控制系统。
为了解决该问题，研究人员将控制理论与其他先进的算法相结合，形成全新的控制理论，包括神经网络控制、遗传算法以及模糊控制等。
对神经网络算法来说，由于其具有较高的鲁棒性和容错性，因此适用于复杂的非线性控制系统中，并且具有广阔的应用前景和较大的发展潜力。
1 BP 神经网络结构及算法BP 神经网络将网络视为一个连续域，在这个网络中，输入层和输出层都是任意时刻、任意数目的样本值，网络输出层值与输入层值间也可以具有任意关系，这个学习过程就称为BP 神经网络学习过程。
作为一种被广泛应用的神经网络模型，BP 神经网络由输入层、输出层和隐含层组成：1） 输入层。
从第i 个输入向量中产生相应的输出值。
2） 输出层。
在输出值的作用下将其转换为输入数据。
3） 隐含层。
在输出值的作用下对数据进行隐含处理，将处理后的结果反馈给输入层，3个输入层构成1个BP 神经网络。
当输入数据在时间域内经过多次的误差传播时，最后被一个误差源作为输出信号，即经过输入单元和输出组的中间信息。
如果该误差源的误差小于输出单元和输出组中各单元间的误差，那么这些单元在计算输出时就会有很大的变化；如果超过了期望值，那么这一单元被认为是输入量存在误差（也就是输入信号存在误差），将不再使用该单元；如果仍然超过期望值，那么输出量又会存在误差[1]。
通过分析输入与输出量间的关系可以得出BP 网络中各个隐藏层上节点数与该输出量间的关系。
BP 神经网络的拓扑结构如图1所示。
为了对BP 神经网络进行运算和优化，该文设定了中间层的加权和结点临界，以便将全部采样的真实输出量与预期的输出量的偏差控制在一个很低的区间，并且通过调节这个区间来保证它的稳定性。
bp神经网络在pid控制器参数整定中的应用
bp神经网络在pid控制器参数整定中的应用
BP神经网络在控制器参数整定中的应用越来越广泛。
BP神经网
络是一种人工神经网络，可以模拟人类神经系统的信息处理功能，用
于复杂系统建模和控制，在PID控制器参数整定中得到了广泛的应用。
一般来说，PID控制器由三部分组成：比例、积分和微分。
根据常
规PID控制调节策略，需要经过多次实验调整参数，以获得最佳控制
效果。
然而，传统的参数调整方法难以满足快速改变的系统和复杂的
控制系统的变化需求，因此，BP神经网络的出现为PID控制参数整定
提供了一种新的思路和手段。
BP神经网络可以用于自动调整PID参数，具有更高的效率和更好
的精度。
通过将系统模型形式化为BP神经网络，可实现基于模型的
PID调节策略，使得调节参数直接从系统模型获得，从而极大地减少参
数的调节时间。
此外，BP神经网络还可以用于故障诊断，如特征提取、特征识别和故障诊断。
可以说，BP神经网络的出现，大大提高了控制
器参数的整定效率和精度。
因此，BP神经网络已成为PID控制器参数整定的重要工具。
它不
仅可以大大提高控制参数调整效率，而且还可以更准确地预测控制系
统的行为。
同时，BP神经网络也可以用于诊断和保护，以确保系统更
加稳定和可靠。
因此，BP神经网络在PID控制器参数整定中应用广泛。
BP神经网络与PID控制的结合
神经网络可以指向两种，一个是生物神经网络，一 个是人工神经网络。
生物神经网络主要是指人脑的神经网络。人脑是人 类思维的物质基础，思维的功能定位在大脑皮层， 后者含有大约1011个神经元，每个神经元又通过神 经突触与大约103个其它神经元相连，形成一个高度 复杂高度灵活的动态网络。作为一门学科，生物神 经网络主要研究人脑神经网络的结构、功能及其工 作机制，意在探索人脑思维和智能活动的规律。
周而复始的信息正向传播和误差反向传播过程，是 各层权值不断调整的过程，也是神经网络学习训练 的过程，此过程一直进行到网络输出的误差减少到 可以接受的程度，或者预先设定的学习次数为止。
PID控制
PID控制器（比例-积分-微分控制器）是一个在 工业控制应用中常见的反馈回路部件，由比例单元 P 、积分单元I 和微分单元D 组成。PID 控制的基础 是比例控制；积分控制可消除稳态误差，但可能增 加超调；微分控制可加快大惯性系统响应速度以及 减弱超调趋势。
人工神经网络（Artificial Neural Network， 即ANN ），是20世纪80年代以来人工智能领域兴起 的研究热点。它从信息处理角度对人脑神经元网络 进行抽象，建立某种简单模型，按不同的连接方式 组成不同的网络。所以它的技术原型就是自然神经 网络。在工程与学术界也常直接简称为神经网络或 类神经网络。人工神经网络是一种运算模型，由大 量的节点（或称神经元）之间相互联接构成。
（3） 置k=k+1，返回到（1）。
总结
将神经网络与PID控制相结合，利用神经网络的 自学习能力和逼近任意函数的能力，可在线进行PID 参数调整，有效地控制较复杂的被控对象，大大改 善了常规PID控制器的性能，同时也显示了神经网络 在解决高度非线性和严重不确定系统方面的潜能。 所以BP神经网络PID控制比传统的PID控制具有更好 的控制特性。
基于神经网络的PID控制及其仿真
式中 : KP , KI , KD 分别为比例 、 积分 、 微分系数 ; e ( k) 为 第 k 次采样的输入偏差值 ; u ( k) 为第 k 次采样时刻的输 出值 。 PID 控制器由比例 ( P) 、 积分 ( I) 、 微分 ( D) 三个部 分组成 , 直接对被控对象进行闭环控制 , 并且三个参数 KP , KI , KD 为在线调整方式 。 1. 2 神经网络 B P 神经网络的结构如图 1 所示 。 B P 神经网络通常采用基于 B P 神经元的多层前向 神经网络的结构形式 。典型的 B P 神经网络是 3 层网 络 ,包括输入层 、 隐层和输出层 , 各层之间实行全连接 。 输入层节点只是传递输入信号到隐含层 ; 隐含层神经元
( )
设 , x 1 , x2 , …, x n 为 B P 网络的输入 ; y1 , y2 , …, y n 为 B P 网络的输出 ; w ji 为输入层到隐含层的连接权值 ;
w ij 为 隐含层到输出层的连接权值 。
2 1
( 3) 计算各神经网络的输入/ 输出 , 其输出层的输
图 1 中各参数之间的关系为 : 输入层 : x i = x i 隐含层 :
1. 4 神经网络 PID 控制器的控制算法 ( 1) 确定神经网络的结构 ,即确定输人节点数和隐
图1 三层 B P 网络结构图
含层节点数 , 并给出各层加权系数的初值 w ij1 ( 0) 和 ( 2) w ji ( 0) , 并选定学习速率 η和惯性系数α, 令 k = 1 ;
( 2 ) 采样得到 r ( k) 和 y ( k) , 计算当前时刻的误差 e ( k) = r ( k) - y ( k) ;
0 引 言
1. 1 常规的 PID 控制器
BP神经网络算法的改进及其在PID控制中的应用研究共3篇
BP神经网络算法的改进及其在PID控制中的应用研究共3篇BP神经网络算法的改进及其在PID控制中的应用研究1随着工业自动化的不断推进和智能化的不断发展，控制理论和算法变得越来越重要。
PID控制算法已成为现代控制中最常用的算法之一。
然而，传统的PID控制算法在某些情况下会出现一些问题，这些问题需要新的解决方案。
因此，本文将探讨BP神经网络算法的改进及其在PID控制中的应用研究。
BP神经网络是一种前向反馈神经网络，它通过反复迭代调整参数来学习训练数据，从而实现分类和回归等任务。
BP神经网络作为一种非线性动态系统，具有自适应性、非线性和强泛化能力等特点。
在控制系统中，BP神经网络可以用于模型预测、模型识别和模型控制等方面。
在控制系统中，PID控制是一种常规的线性控制技术。
然而，传统的PID控制算法存在一些问题，如难以解决非线性系统、难以控制多变量系统等。
为了解决这些问题，人们开始探索将BP神经网络用于控制系统。
BP神经网络可以通过学习训练数据来逼近未知非线性系统，从而实现对系统的控制。
在使用BP神经网络控制系统时，需要进行参数调整来保证网络的准确性和控制效果。
对于传统的BP神经网络，训练过程需要耗费大量的计算时间和计算资源。
因此，人们提出了一些改进的BP神经网络算法，如逆传播算法、快速BP算法和LM算法等。
逆传播算法是一种基于梯度下降的BP神经网络算法，该算法通过不断地调整权重和偏置来实现网络的训练。
快速BP算法是一种改进的逆传播算法，它增加了一些优化步骤，使训练过程更快速和高效。
LM算法是一种基于牛顿法的BP神经网络算法，在训练过程中可以自动调整学习率，从而提高训练的速度和准确性。
在控制系统中，BP神经网络可以用于模型预测、模型识别和模型控制等。
例如，在模型控制方面，可以使用BP神经网络来进行预测，并根据预测结果来调整控制参数，从而实现对系统的更加有效的控制。
此外，在模型识别方面，人们也可以使用BP神经网络精确地识别复杂的非线性系统，实现对系统的更加准确的控制。
基于神经网络的自适应PID控制策略研究
基于神经网络的自适应PID控制策略研究近年来，神经网络技术逐渐成为控制领域中的热点研究方向之一。
在控制领域中，PID控制器是最常用的一种控制器，但是，在复杂的非线性系统中，PID控制器可能会失效，因此需要一种更为智能化的自适应控制策略。
本文将着重研究基于神经网络的自适应PID控制策略的原理和应用。
一、神经网络控制简介神经网络控制是一种使用神经网络技术实现控制的控制方法。
神经网络具有自学习和自适应能力，能够适应未知的非线性因素，因此能够有效地提高控制精度。
在神经网络控制中，通常使用BP神经网络进行训练，将网络的输入与输出之间的关系建模，进而得到控制器。
二、PID控制器PID控制器是最常用的一种控制器，它由比例项、积分项和微分项组成。
其中，比例项控制系统的静态误差，积分项控制系统的稳态误差，微分项控制系统的动态响应。
经过调整PID参数，可以实现对系统的稳态和动态性能的优化。
三、传统PID控制器的缺点通过传统PID控制器的参数调整，可以得到较好的控制效果。
但是，在非线性系统控制中，PID控制器的参数调整会变得更加困难，可能会导致系统不稳定或控制精度不高。
这是因为传统PID控制器中的参数是固定的，无法根据系统的变化进行自适应调整。
因此，需要一种更为灵活、智能的自适应控制方式。
四、基于神经网络的自适应PID控制策略与传统PID控制器不同，基于神经网络的自适应PID控制器能够在实时控制过程中不断调整控制器参数，以应对不同的情况。
它能够根据系统的输入和输出实时调整控制器的权值，从而实现对非线性系统的自适应控制。
基于神经网络的自适应PID控制策略的实现方法，一般是将系统的输入和输出作为训练数据，通过训练得到神经网络的权值。
在控制器实时控制过程中，根据系统输出实时调整神经网络的权值，从而实现自适应控制。
五、应用实例基于神经网络的自适应PID控制策略在实际应用中，可以针对不同的场景进行多样化应用。
下面以一个灯光控制系统为例来进行说明。
神经网络在PID控制器参数优化中的研究
２ 安 阳师范学 院， ． 河南 安 阳 ４ ５０ ） ５ ００ 摘要 ： 研究 ＰＤ控制器参数优化问题 。工业过程控制要求稳定性 ， Ｉ 跟踪特性均应实时快速。由于 ＰＤ控制效果 取决 于比例 、 Ｉ 积分和微分 ３个参数取值 ， 传统 Ｐ Ｉ Ｄ参数采用试 凑方式 进行优化 ， 往往费时且难 以满足实时控 制效果 ， 导致控 制精度不高 。 为 了提高 ＰＤ控制精度 ， Ｉ 改善系统性能 ， 提出一种神经网络的 ＰＤ参数优化方法 。方法将 ＰＤ控制器输入作 为神经网络输 Ｉ Ｉ
一
收稿 日 ： １ １ — ２ 修回 日 ： １ 一 １ ｏ 期 ２ ０— １ ０ ０ 期 ２ １ Ｏ 一２ ０
】７ — ７
统的不确定性 、 非线性 ， 对系统参 数进行模拟 ， 从而到 系统变 化规律 。目前 ， 通过采用神经 网络进行 ＰＤ控制器参 数优化 Ｉ 成为 一 个 热 点 问 题 。尤 其 是 径 向 基 函数 （ ａｉ ａｉ Ｒ ｄ ｌｂ ｓ ａ ｓ ｆｎｔ ｎ Ｒ Ｆ 神经 网络 因其 具有 良好的非线性 映射 逼近能 ｕｃｏ ，Ｂ ） ｉ 力、 自适应学 习、 并行处理和强鲁棒性等优 点 ， 十分适 用复杂 非线性系统进行建模和控制 Ｊ Ｉ 。ＰＤ控制 器的性能 与 Ｒ Ｆ Ｂ 神经 网络参数 十分相 关 ， 传统 Ｒ Ｆ参数 选择 方法采 用梯 度 Ｂ 下降算法 ， Ｒ Ｆ神经 网络 不可避 免 出现全 局搜 索能力 弱 使 Ｂ 和训 练速 度慢 的缺 陷 ， 很难 获得全 局最 优参 数 的 ＰＤ控制 Ｉ 器 ， 而影 响了 Ｒ Ｆ神经 网络在 ＰＤ控 制器 的广泛应用 ， 从 Ｂ Ｉ 因 此在 Ｒ Ｆ神经网络 用于 ＰＤ控 制 器参数 过程 中， Ｂ Ｂ Ｉ Ｒ Ｆ神经 网络 自身参数 的优化是 Ｒ Ｆ网络设 计的一个 难点。 Ｂ 粒子群算法是一种群体智能寻优算法 ， 具有很 强的并行 处理能力 ， 能够进行启发 式智 能搜索 ， 过粒子 群算 法可 以 通 搜索得到 Ｒ Ｆ神经网络全局最优参数。针对 Ｒ Ｆ神经 网络 Ｂ Ｂ 在 ＰＤ控 制参数优化过程存在 的不足 ， 了获得 最优控制器 Ｉ 为
BP神经网络在PID调节器设计中的应用
BP神经网络在PID调节器设计中的应用【摘要】本文首先简单介绍了传统PID控制器的原理、结构及优缺点和BP 神经网络的原理与特点，然后介绍了基于BP神经网络的数字式PID控制器的搭建的一种方法。
【关键词】PID；数字式；BP神经网络1.PID控制器的原理及结构PID控制器就是基于偏差的比例（Proportional）、积分（Integral）和微分（Derivative）的控制器，是工业过程控制中历史最悠久而且生命力最强的控制方式。
由于PID控制器的算法相对简单，鲁棒性强，因此PID控制应用很广泛。
根据国外相关机构的统计得知，实际应用中约有90%的控制回路采用PID控制器实现。
随着现代控制理论的发展，业界不断涌现更新的控制方案，但至今PID 仍是最重要的控制方式。
下面简要介绍PID控制的结构及优缺点。
（1）比例环节对控制系统性能的影响。
比例环节的增益系数Kp可以即时的反映控制系统的偏差信号e（t），一旦偏差产生，则比例环节可以立即产生调节作用。
由于一般系统均为负反馈，因此系统偏差将逐渐减小。
Kp的大小决定了比例环节作用的强弱。
当Kp较大时，比例环节作用强，系统的偏差减小快。
当Kp小时，则比例环节的作用较小。
但是当Kp过大时，系统将逐渐趋于不稳定，出现超调过大、系统震荡甚至发散的现象。
以机电系统为例，一般超调量应控制在10%～20%，否则机械系统将受到不可逆的损坏。
（2）积分环节对控制系统性能的影响。
积分环节的作用是用来消除系统的稳态误差，提高系统的稳态无差度，从而实现系统对给定信号的无静差跟踪。
积分环节反映了对偏差的历史值的积分，只要偏差存在且不为零，则积分值就会持续变化。
当偏差为零后，积分值不再变化，此时积分调节的输出为恒值，系统亦达到稳态。
根据表达式易知，积分环节的作用强弱取决于时间常数Ti和Kp。
此处可认为Kp为定值，则积分环节的作用强弱仅与Ti有关。
Ti越小，则积分环节的作用越强；Ti越大，则积分环节的作用越弱。
基于神经网络的PID温度控制系统
在完成软件编程的基础上, 选取一个二阶纯滞后的被控
技 对象,利用 LabVIEW 进行了仿真验证。选取被控对象的传递
函数为:
术
(9)
创 控制器中的加权系数采用 BP 网络学习算法进行自整定,
加权系数初始矩阵区间为 [0 0.5]。按照上面的算法用 Lab－
新 VIEW8.0 编程,仿真图形如图 4 所示。可见,系统响应速度快,并
技 we applicate the technology to temperature control system.This paper shows the hardware structure of temperature control system, the design method of PID controller and the software of this system. The application has shown that the system has good effects.
Temperature Control System Based on Neural Network PID
(1.山东省对外经济贸易职业中专学校;2.泰山医学院) 王 岩 1 陆 强 2
WANG Yan LU Qiang
摘要: 本 文 以 美 国 国 家 仪 器 公 司 的 图 形 化 编 程 语 言 LabVIEW8.0 为 开 发 平 台 , 将 虚 拟 仪 器 技 术 和 神 经 网 络 技 术 相 结 合 , 利 用 神 经 网 络 对 PID 参 数 进 行 整 定 , 建 立 了 BP 神 经 网 络 PID 控 制 模 型 , 并 且 应 用 于 热 处 理 炉 炉 温 控 制 。 本 文 阐 述 了 炉 温 控 制 系 统 的 硬 件 结 构 和 PID 控 制 器 的 设 计 方 法 , 给 出 了 炉 温 控 制 系 统 的 软 件 设 计 。 该 温 度 控 制 系 统 应 用 于 热 处 理 炉 的 炉 温 控 制 中 , 取得了较好的效果。 关键词: 神经网络; PID; 虚拟仪器 中图分类号: TP206 文献标识码: A
基于神经网络的自适应PID控制的智能衣架
基于神经网络的自适应PID控制的智能衣架智能衣架是一种利用先进技术，能够自动折叠、晾晒、熨烫服装的家用电器，对于现代人来说，这种智能家居产品已经渐渐成为家庭生活的一部分。
目前市面上的智能衣架对于服装的折叠、晾晒、熨烫等功能的控制还存在一定的不足，有时候不够灵活，甚至无法满足用户的个性化需求。
为了解决这个问题，基于神经网络的自适应PID控制技术应运而生，通过将神经网络技术应用到智能衣架的控制系统中，使智能衣架能够更加智能化、自适应性更强，并且更好地满足用户的需求。
自适应PID控制技术是一种能够根据系统的实际情况，自适应地调整PID控制器参数的控制技术。
它主要包括神经网络和PID控制器两部分。
神经网络是一种模拟生物神经元网络的计算模型，具有非常强大的非线性拟合能力和自适应性；PID控制器是一种经典的控制器，主要由比例、积分、微分三个部分组成。
通过将神经网络和PID控制器结合起来，就可以实现智能系统中的自适应PID控制技术。
在智能衣架中，通过神经网络对服装折叠、晾晒、熨烫等过程进行建模和学习，然后将学习得到的模型应用到PID控制器中，实现对智能衣架的自适应控制。
具体地说，首先通过传感器获取服装的重量、材质、湿度等信息，然后将这些信息输入到神经网络中进行处理，神经网络将根据这些信息对服装的折叠、晾晒、熨烫等过程进行预测和学习，最后将学习得到的模型应用到PID控制器中进行控制，实现对智能衣架的智能化和自适应控制。
基于神经网络的自适应PID控制技术的出现，使智能衣架具有了更强的智能化和自适应性。
智能衣架可以根据不同服装的重量、材质、湿度等信息，自动调整对服装的折叠、晾晒、熨烫等过程，更加精确地控制服装的折叠和熨烫的力度和时间；智能衣架还可以根据用户的习惯和需求，自动学习用户对服装的折叠、晾晒、熨烫等过程的偏好，从而更好地满足用户的个性化需求。
基于神经网络的自适应PID控制技术为智能衣架的控制系统带来了革命性的升级，使智能衣架更加智能化、自适应性更强，并且更好地满足用户的需求。
改进量子遗传算法在PID参数整定中应用
万方数据
第１０期
曾 成．等：改进量子遗传算法在ＰＩＤ参数整定中应用
＠
对象ⅣＧｏ（ｓ）＿ｅ－－０５，／（ｓ＋１）２ 仿真结果如表１所示。 图３为控制对象Ｉ～Ⅳ的单位阶跃响应曲线（图 中．Ａ为系统的阶跃响应幅值）。由表ｌ和图３可以看 出．采用量子遗传算法整定的ＰＩＤ控制器具有良好的 控制效果．与其他算法整定的ＰＩＤ控制器相比。它响 应速度较快。调节时间和上升时间较短．几乎没有超 调．稳态误差为０。
１Ｖ ＱＤＰＳＯ［ｚ１ ２．４８００ ０．８１３０ １．４０００
ＱＧＡ ２．７３４４ ０．７８４２ １．５４３０
５．６５ ４．３８
０ ４．７０ ３．０３ ２．９２
１．２
２．０６ ２．７５ １．９４ ５．３６ ２．７８ ３．７９
吨０．６
０
ｔ／ｓ
…一ＧＡ，——ＰＳＯ，～一ＱＧＡ
（ａ）对象Ｉ
１．２
≮０．６
在量子遗传算法中采用量子比特的概率幅（ａ，ＪＢ） 来编码染色体．以一个量子比特来存储和表达一个 基因。该基因可以为“０”态。或“１”态，或它们的任意 叠加态．即此时该基因所表达的不再是某一确定的 信息。而是包含所有可能的信息．对该基因的任一操 作也会同时作用于所有可能的信息。由于采用量子 比特编码使得一个染色体可以同时表达多个态的 叠加，使得量子遗传算法比经典遗传算法拥有更好 的多样性特征。采用量子比特编码也可以获得较好 的收敛性，随着１ ａ｛：或１口ｌ：趋于。或ｌ，量子比特 编码的染色体将收敛到一个单一态．
ｖ０１．２９ Ｎｏ．１０
＠ ０ｎ ２００９
改进量子遗传算法在ＰＩＤ参数整定中应用
曾成，赵锡均 （中国工程物理研究院电子工程研究所，四川绵阳６２１９００）
摘要：参数整定是ＰＩＤ控制器设计的关键，针对ＰＩＤ控制器参数整定问题．提出一种基于改进量子遗传算
神经网络PID控制系统的研究
神经网络PID控制系统的研究神经网络PID控制系统是一种将神经网络与PID控制策略相结合的控制方法。
这种控制系统在处理具有非线性、不确定性和时变性等特性的系统时具有显著的优势。
随着人工智能和自动化技术的不断发展，神经网络PID控制在工业过程控制、航空航天、机器人等领域的应用越来越广泛。
本文将介绍神经网络PID控制系统的研究背景、意义和现状，分析相关文献，并探讨未来的研究方向。
神经网络PID控制系统的研究始于20世纪90年代。
自那时以来，许多学者致力于研究神经网络PID控制系统的理论和实践。
其中，最具代表性的工作是利用神经网络对PID控制器的参数进行自适应调整。
例如，王占林等（2005）提出了一种基于神经网络的PID参数自适应控制器，用于解决传统PID控制器难以适应被控对象变化的问题。
该方法通过神经网络学习和调整PID控制器的参数，以提高控制系统的性能。
然而，他们的方法未能在复杂的实际应用场景中进行验证。
在另一方面，一些研究者于利用神经网络对PID控制器进行改进。
例如，赵春娜等（2007）提出了一种基于RBF神经网络的PID控制器，以解决传统PID控制器在处理非线性系统时的不足。
RBF神经网络具有较好的逼近能力和较低的计算复杂度，可以用于非线性系统的建模和控制。
然而，他们的方法需要选择适当的RBF神经网络结构和参数，这在实际应用中可能具有一定的挑战性。
本文提出了一种基于深度学习的神经网络PID控制系统。
我们通过数据采集和预处理，建立了被控系统的模型。
我们使用加速度传感器和角度传感器对机器人手臂进行了数据采集，包括位置、速度和加速度等参数。
然后，我们利用这些数据训练了一个深度神经网络模型，以实现对机器人手臂的高效控制。
在神经网络模型建立后，我们通过调整PID控制器的参数，实现了对传统PID控制器的优化。
具体地，我们利用神经网络的自适应学习能力，动态地调整PID控制器的Kp、Ki和Kd等参数。
这样，PID控制器可以根据实时数据自动调整其参数，以适应不同的运行条件和环境。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｎｏ ｔｅ ｓ Ｐ ｔ ｌｕ Ｕｎｖ ｒｉ ， ｑ ｎ ６ ３ ８ Ｃ ｉａ ｒ ａ ｔ ｅ ｏｅ ｍ ｉｅｓｔ Ｄａ ｉｇ１ ３ １ ， ｈｎ ） ｈ ｒ ｙ
［ ｓｒ ｃ！Ｔ ｉ ｐｐ ｒ ｒｓｎｓａ ｎｉｅａｊｓｎ ｔｏ ｆＰｏ ｏｔ ｎＩｔｇａｉｎＤｉｅｅｔ ｔ ｎＰＤ） ａａ ｔｒ ｂ ｓｄｏ ａ ｔｍ ｕａ Ａｂｔａｔ ｈｓ ａｅ ｅｅ ｔ ｎｏ ｌ ｄｕ ｔ ｇｍｅｈ ｄｏ ｒｐ ｒｏ ｎｅ ｒｔ ｆ ｒｎｉ ｉ （Ｉ ｐ ｒｍｅｅｓ ａｅ ｎＱｕ ｎｕ Ｎｅｒｌ ｐ ｎ ｉ ｉ ｏ ｆ ａｏ
ＣＡ Ｍ ａ － ｎ， Ｉ ａ －ｈ ， ＡＯ ｎ Ｏ ｏｊ 。Ｌ ｎｃ ｉ ＸＩ Ｈｏ ｇ ｕ Ｐ
ｆ ． ｃ ｏ ｌ ｆＣｏ ｕ ｅ ａ Ｓ ｈ ｏ ｍｐ ｔ ｒ＆ Ｉ ｆ ｒ ｔ ｎ Ｔ ｃ ｎｏ ｏ ｙ ｂ Ｐ ｓ — ｏ ｔ ｒ ｌＲｅ ｅ ｒ ｈ Ｃｅ ｔｒ ｆＯｉ ａ ｄ Ｇａ ｇ ｎ ｅ ｉ ｇ ｏ ｎ ｏ ｍａ ｉ ｅ ｈ ｌ ｇ ； ． ｏ ｔ ｃ ｏ ａ ｓ ａ ｃ ｎ ｅ ｓｏ ｌ ｎ ｓＥｎ ｉ ｅ ｒｎ ． ｏ ｄ
ｐ ｒ ｅ ｅ ｓ ｏ ａｉ ｎ ａ ｇ ｅ ｏ ｂ ｔ ｈ ｓ ｄ ｉ ｏ ｔｏ ａ ｇ ． ｑ ａ ｔ ｍ ｅ ｒ ｌｎ ｔ ｒ ｓ ｍｏ ｅ ａ ｅ ｎ ｑｕ ｎ ｕ ｎ ｕ ｏ ｓｐ ｏ ｏ ｅ Ｂｙ ｕｓｎ ａ ａ ｔ ｒ ：ｒ ｔ ｔｏ ｌ ｆｑｕ ｉｓｐ ａ ｅ ａ ｔ ｃ ｎ ｒ ｌ ｎ ｅ Ａ ｕ ｎ ｕ ｎ ｕ ａ ｅ ｗｏ ｋ ｄ ｌｂ ｓ ｄ ｏ ａ ｔ ｍ ｅ ｒ ｎ ｉ ｒ ｐ ｓ ｄ． ｉ ｇ ｍ ｎ ｎ ｓ ｒ
中圈分类号：Ｔ１ Ｐ８
量子神 经 网络在 Ｐ Ｄ 参数调 整 中的应 用 Ｉ
曹茂俊 ａ Ｉ李盼池 ａｉ ， ｂ ｔ肖 红
（ 东北石油大学 ａ 计算机 与信 息技术 学院 ； ． 油与天然气工程博士 后科研 流动站 ，黑龙江 大 庆 １３ １） ． ｂ石 ６３８ 摘 要 ：提 出一 种基于量子神经 网络（ Ｎ ｓ 比例积分微分（Ｉ ） 数在线 调整 方法。通过构造受控量子旋转 门，给 出一 个量子神经 元模 Ｑ Ｎ） 的 ＰＤ 参
ＤＯｈ １．９ ９ ．ｓ．０ ０３ ２ ． １．２０ １ ０３ ６ ／ｉ ｎ１ ０ —４ ８１９ ９ ５年 ，美 国 Ｌ ｕｓ ｎ ｏ ｉａ ａ大学 Ｋ ｋ教授首 次提 出量子神 ｉ ａ 经计 算的概念 。１９ Ｊ ９ ７年 ，美国 Ｈ ｕｔｎ大学 的 Ｇｏ ａ ｙ等 ｏｓ ｏ ｐｔ ｈ 借 用量子理论 中量子态叠加 的思想 ，提 出了基于多级激励函 数的量子神经 网络（ ｕ ｎｕ Ｎ ｕａ Ｎ ｔ ｏｋ， Ｎ 模型 。 Ｑ ａｔｍ ｅ ｒｌ ｅｗ ｒｓＱ Ｎ） Ｊ ２０ ０ ０年 ，英国的 Ａ ｉ等研究了量子神经 网络的结构 和模型 ， ｊ ｔ 基于 多宇 宙的量子理论观点 ，提 出了构建叠加 的多宇宙量子
Ｎｅｗ ｒ ｓＱＮＮｓ ｙ ｄ ｓ ｎｎ ｏ ｔ ｌ ｄ ｑ ａ ｔ ｍ ｏａ ｏ ａ ，ａ ｑ ａ ｔｍ ｅ ｒｎ ｍｏ ｅ ｓｃ ｎ ｔ ｃｅ ，ｉｃｕ ｉｇ ｔ ｉｄ ｆ ｄ ｓ ｎ ｔ ｏｋ（ ） ．Ｂ ｅ ｉ ｉｇ ａ ｃ ｎｒ ｌ ｕ ｕ ｒｔｔ ｎ ｇ ｔ ｕ ｎ ｇ ｏｅ ｎ ｉ ｅ ｕ ｎ ｕｏ ｄ ｌｉ ｏ ｓ ｕ ｔｄ ｎ ｌｄｎ ｗｏ ｋｎ ｓ ｏ ｅ ｉ ｒ ｇ
型 ，其中包括输入量子 比特相位的旋转角度和控制量 ２ 种设计参数。在 此基础 上提 出一个量子神经 网络模型 ，利用梯度下降法设计该模型 的学 习算法 ，并将其用于 ＰＤ参数 的在线调整 ，实验结果表 明，Ｑ Ｎ 的调整 能力及稳 定性均优于反 向传播 网络 。 Ｉ Ｎ ｓ
关健词 ：受控量子旋转 门；量子神经元 ；量子神经 网络 ；比例积分微分参数调整 ；量子 比特相位
第３ ７卷 第 １ 期 ２
、０ －７ ，ｌ３
・
计
算
机
工
程
２１ ０ １年 ６月
Ｊ ｎ ２ １ ｕ ｅ ０１
Ｎｏ． ２ １
Ｃｏ ｐｕ ｅ ｇｉ ｅ ｒｎｇ ｍ ｔｒＥｎ ｎ ｅ ｉ
人 工智 能及 识别 技术 －
文章编号； ０ ４８０１ ２ ８ ． 文献标识码： １０ ２（ １１ １２ ０ ２ ）— — ３ Ａ
Ａｐ ｌ ａｉｎ０ ａ ｔｍ ｅ ｒ ｌ ｅｗ ｒ ｓ ｐｉ ｔ ｆ ｃ ｏ Ｑｕ ｎｕ Ｎ ｕ ａ ｔ ｏ ｋ Ｎ
ｉ ｒｐ ｒｉｎＩ ｔｇ ａｉｎＤｉ ｅｅ ｔ ｔ ｎＰ ｒ ｍｅｅ ｓ ｊ ｓ ｎ ｎＰ ｏ ｏ ｔ ｅ ｒ ｔ ｆ ｒ ｎｉ ｉ ａ ａ ｔｒ ｕ ｔ ｔ ｏ ｎ ｏ ａｏ Ａｄ ｍｅ
ｏ Ｎｓ ｄ ｌ ｅｓｐ ｒ ｒＯｔａｏ ｅＢ ｃ ｒｐ ｇ ｔ ｎＢ ） ｅｗｏｋ ． ｆ ＱＮ ｅａ ｅ ｏ ｔ ｆ ａｋＰｏ ａａｉ （ ｎ ｔ ｒｓ ｍｏ ｕ ｉ ｔ ｈ ｔ ｒ ｈ ｏ Ｐ
［ ｙｗｏ ｄ ｌｃ ｎｒｌ ｄｑ ａｔｍ ｔｔ ｎｇｔ； ｕ ｔｍ ｅ ｒｎ Ｑｕ ｔｍ ｕａ Ｎｅｗｏｋ （ Ｎｓ； ｒｐ ｒｏ ｔｇａｉｎＤｉｅｅ ｔ ｔ ｎＰＤ） Ｋｅ ｒ ｓ ｏ ｔ ｌ ｕ ｎｕ ｒ ａｉ ａ ｑ ａ ｕ ｎ ｕｏ ； ａ ｕ Ｎｅｒｌ ｔ ｒｓＱＮ ）Ｐｏ ｏｔ ｎＩ ｅ ｒｔ ｆ ｒｎｉ ｉ （Ｉ ｏｅ ｏ ｏ ｅ ｎ ｎ ｉ ｎ ｏ ｆ ａｏ ｐ ｒｍｅｅｓ ｄｕｔ ｎ； ｈｓ ｆ ｕ ｉ ａａ ｔ ｊｓ ｒａ ｍｅｔｐ ａｅｏ ｂｔ ｑ ｓ
ｇａｉｎ ｅｃｎ ｌｏ ｔｍ， ａｎｎ ｌｏ ｔｍ ｏ ｅｍｏ ｅ ｅｉｎ ｄ Ｅ ｐｒ ｎａ ｓｌ ｈ ｗ ｔａ ｂ ｔ ｅａｊ ｓｎ ｂｌｙａ ｄｔｅｓ ｂｌｙ ｒｄｅ ｔ ｓｅｔ ｇ ｒｈ ａｌ ｒｉｇａ ｒ ｈ ｆｈ ｄｌｓ ｓ ｅ ． ｘ ｅｉ ｔｌｅｕｔ ｓｏ ｔ ｏｈｔ ｄｕｔ ｇａ ｉｔ ｎ ｔ ｉｔ ｄ ａ ｉ ｅ ｇｉ ｔ ｉｄ ｇ ｍｅ ｒ ｓ ｈ ｈ ｉ ｉ ｈ ａ ｉ