神经网络自整定多变量PID控制方法研究
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。
(完整word版)基于BP神经网络的自整定PID控制仿真
基于BP神经网络的自整定PID控制仿真一、实验目的1.熟悉神经网络的特征、结构及学习算法。
2.通过实验掌握神经网络自整定PID的工作原理。
3.了解神经网络的结构对控制效果的影响。
4. 掌握用Matlab实现神经网络控制系统仿真的方法。
二、实验设备及条件1.计算机系统2.Matlab仿真软件三、实验原理在工业控制中，PID控制是工业控制中最常用的方法。
这是因为PID控制器结构简单，实现简单，控制效果良好，已得到广泛应用。
但是，PID具有一定的局限性：被控制对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。
为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用神经网络控制的方法。
利用神经网络的自学习这一特性，并结合传统的PID控制理论，构造神经网络PID控制器，实现控制器参数的自动调整。
基于BP神经网络的PID控制器结构如图4所示。
控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且3个参数在线整定；二是神经网络NN，根据系统的运行状态，学习调整权系数，从而调整PID参数，达到某种性能指标的最优化。
图4中神经网络采用结构为4-5-3型的BP网络。
BP网络是一种单向传播的多层前向网络。
输入节点对应系统的运行状态量，如系统的偏差与偏差变化率，必要时要进行归一化处理。
输入变量的个数取决于被控系统的复杂程度，输出节点对应的是PID的3个可调参数。
由于输出不能为负，所以输出层活化函数取2()(1)()(1)1(1)a k y k y k u k y k -=+-+-非负的Sigmoid 函数，隐含层取正负对称的Sigmoid 函数。
本系统选取的BP 网络结构如图5所示。
网络的学习过程由正向和反向传播两部分组成。
如果输出层不能得到期望输出，那么转入反向传播过程，通过修改各层神经元的权值，使得误差信号最小。
输出层节点分别对应3个可调参数K p 、K i 、K d 。
基于FPGA的神经网络自整定PID控制器设计
0..2 年 2 月
基于 !"#$ 的神经网络自整定 "%& 控制器设计
!"# $#%&’( )* +#,-./ +#01)-2 3#/*4!,(&(’ 56$ 7)(0-)//#- 8.%#9 )( :5;<
江吕锋
白瑞林
沈宪明
’()*+,）
（江南大学控制科学与工程研究中心， 无锡
控制器实现非线性控制由 OO、 输出 "%&、 ! 求和、 增益 !" 等组成。 OO 自整定增量式 "%& 控制算法形式 为 !#$ % !& ’（ ($ ) ($ ) (）* !+ ’ ($ * !, ’（ ($ ) ’ ($ ) ( * ($ ) ’） 式中， !& R $& S -& T !$& ， !+ R $+ S -+ T !$+ ， !, R $, S -, T !$, ， $& 、 $+ 、 $, 为给定基值常量， -& 、 -+ 、 -, 为可调放 大系数， 由 -" 网络拟合 !$& 、 !$+ 、 !$, 为非线性系数， 实现。 -" 网络结构为 ) U V U + 形式， 如图 ’ 所示。 网络训练采用闭环学习， 在线实现整个控制过程
.
引言
随着 )N 技术的迅猛发展， 以及近十多年来智能控
的特点完成改进的 -" 网络自整定 "%& 控制器的 !"#$ 设计。
制技术的成就， 智能控制在工业用仪器仪表和信息电 器 （ %$） 产业中得到了广泛应用， 其实现手段也趋于多 样化。采用 !"#$ 实现控制器与使用冯・诺伊曼 （ 1=3 结构的微控制器 （ .NP） 相比， 具有信息流并 O:@<933） 行性、 快速性、 灵活性和易于扩展等特点。特别在实现 复杂智能控制策略时， 由于微控制器只能顺序执行程 序， 随着算法复杂程度的提高， 执行速度必 将受 到 限 制。 !"#$ 可固件串行与并行实现算法， 从本质上提高 了处理速度， 对实时性要求较高的智能控制过程来说 是一种有效的实现途径。 随着 !"#$ 技术的不断发展， 各种智能控制策略 的 !"#$ 固核实现的研究随之活跃。 2:3;6:44: Q77=63F 等人完成了神经网络的 !"#$ 实现并应用于监控和诊
基于RBF神经网络整定的PID控制器设计及仿真_毕业设计(论文)
华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。
然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。
对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。
采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。
运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。
然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (3)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (7)2.3神经网络的结构 (8)2.3.1前馈网络 (8)2.3.2 反馈网络 (8)2.4神经网络的学习方式 (9)2.4.1监督学习(有教师学习) (9)2.4.2非监督学习(无教师学习) (9)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (10)2.5.1 RBF神经网络的发展简史 (10)2.5.2 RBF的数学模型 (10)2.5.3被控对象Jacobian信息的辨识算法 (11)2.5.4 RBF神经网络的学习算法 (12)2.6 本章小结 (14)3 PID控制器 (14)3.1 PID控制器简介 (14)3.2 经典PID控制原理 (14)3.3 现有PID控制器参数整定方法 (16)3.4 PID控制的局限 (17)3.5本章小结 (17)4 基于RBF神经网络整定的PID控制器设计 (17)4.1 RBF神经网络的PID整定原理 (17)4.2 神经网络PID控制器的设计 (18)4.3 本章小结 (19)5 仿真分析 (19)5.1 系统的稳定性分析 (19)5.2 系统抗干扰能力分析 (21)5.3 系统鲁棒性分析 (22)5.4 本章小结 (24)结论 (25)参考文献 (26)致谢 (27)附录仿真程序 (28)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。
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。
基于神经网络的PID控制算法研究
基于神经网络的PID控制算法研究近年来，随着机器学习和人工智能技术的不断发展，神经网络在控制领域的应用也逐渐得到了广泛关注。
其中，基于神经网络的PID控制算法作为一种新型的控制方法，已经被证明具有极高的控制精度和适应性。
由于传统的PID控制算法存在着超调、稳态误差等问题，因此在实际工程中往往需要进行各种手动调参。
而基于神经网络的PID控制算法则可以通过学习数据来自适应地优化控制参数，从而在不同工况下都能够实现优秀的控制效果。
同时，神经网络还可以实现非线性控制和逆模型控制等高级控制策略，更加符合实际应用的需求。
基于神经网络的PID控制算法的基本思路是，将神经网络与PID控制器结合起来，构建一个新的混合型学习控制器。
具体而言，首先需要建立一个基于神经网络的模型来描述被控对象的动态特性，然后利用该模型对PID控制器进行参数的自适应优化，最终实现目标系统的控制。
一般来讲，神经网络PID控制算法的实现过程包括以下几个步骤：首先，需要选择合适的神经网络模型和控制器结构。
然后，利用样本数据对神经网络进行训练，得到一个有效的模型。
接着，将训练好的神经网络模型与PID控制器进行耦合，形成一个混合型控制器。
最后，通过仿真或者实际测试来验证控制器的性能。
在具体实现神经网络PID控制算法时，需要注意以下几个关键问题：一是神经网络的选择和搭建，不同的应用需要选择不同的网络结构和训练算法；二是神经网络模型的准确性，神经网络需要能够准确地描述被控对象的动态特性；三是控制器的参数优化，需要避免过度学习和过拟合等问题。
目前，神经网络PID控制算法已经成功应用于许多领域，例如机械控制、电力系统控制、化工过程控制等。
实际应用结果显示，基于神经网络的PID控制算法相比传统PID控制算法，在控制精度、抗干扰能力、稳定性等方面都具有显著的优势，是一种极具应用前景的控制策略。
总的来说，基于神经网络的PID控制算法是一种结合了神经网络与PID控制器的混合型学习控制策略，具有优秀的控制精度和适应性。
多变量耦合系统PID神经网络控制方法研究
多变量耦合系统PID神经网络控制方法研究朱林;吴冬雪;赵倩【摘要】多变量系统内部的耦合性以及对象参数的复杂性，给控制系统的设计带来了一系列的问题。
传统控制方法无法对其进行精确解耦，导致系统控制精度较低。
本文构建一种基于遗传算法优化的PID神经网络解耦控制器。
该方法利用PID优良的动态控制特性和神经元网络非线性表达能力对多变量耦合系统进行解耦，在神经网络权值修正算法中增加动量项，提高网络学习效率，并采用遗传算法优化初始权值，克服了PID神经网络权值学习过程中易陷入局部最优值的缺点，提高了控制精度。
仿真结果表明：优化后的PID神经网络具有较高的稳态精度和较快的响应速度，能够实现解耦控制。
【期刊名称】《制造业自动化》【年(卷),期】2014(000)003【总页数】4页(P125-128)【关键词】神经网络;遗传算法;多变量;解耦;PID控制【作者】朱林;吴冬雪;赵倩【作者单位】内蒙古科技大学信息工程学院，包头014010;内蒙古科技大学信息工程学院，包头014010;中海石油海南天然气有限公司，海口578001【正文语种】中文【中图分类】TP1830 引言以多变量、强耦合、非线性为特点的复杂工业过程控制，一直是控制理论与控制工程领域的研究热点和前沿。
复杂工业过程控制由于数学模型变量多、变量间耦合、非线性和高阶，相应控制器设计困难。
在工业控制中，PID控制一直是通用、有效的控制方法[1]。
但是，面对多变量、强耦合、非线性为特点的复杂工业过程，PID控制效果会变差甚至不可控。
神经网络具有很强的自学习、自适应和任意非线性表达能力，近年来逐渐应用于复杂系统的控制中。
当系统存在不确定性因素时，更能体现神经网络的优越性。
文献[2]以二变量耦合时变系统为对象，设计了一种PID神经网络模型。
该模型与用神经网络对PID控制器参数进行辅助修改的方法有本质的区别[3,4]。
应用PID神经网络控制时，无需为对象的参数和系统结构进行辨识，可根据对象参数变化时对系统输出的影响，“在线”地调整PID神经网络的权值，较好地解决了多变量、耦合系统的控制难题。
基于BP神经网络的自校正PID控制研究
基于BP 神经网络的自校正PID 控制研究摘 要: 基于反向传播BP 算法的神经网络具有很强的学习能力,适应能力.本文详细叙述了BP 算法的原理,并将改进的BP 神经网络应用在传统的PID 控制中,克服了PID 控制在参数的调整过程中对于系统模型过分依赖的缺点.利用MATLAB 仿真的结果表明基于BP 神经网络的自校正控制能够使传统PID 控制的参数逼近最优达到很好的控制效果. 关键词: BP 算法,神经网络,PID 控制1引言随着科学技术的发展,人们需要加以控制的过程和系统越来越复杂,许多系统具有大型,复杂和强烈非线性的特点.对这些系统进行有效准确的控制就非常的困难.传统的PID 控制是通过对偏差的比例(P),积分(I),微分(D)的线性组合构成控制向量对被控对象进行控制.它算法结构简单,但是,当被控对象具有非线性,时变不确定性和难以建立精确的数学模型时,PID 控制器参数整定不良,性能欠佳,不能达到理想的控制效果.随着人们对神经网络的研究,基于BP 算法的神经网络以其自学习,自适应及逼近任意函数的能力在控制领域得到应用,将BP 神经网络和传统的PID 控制相结合构成的比例,积分,微分神经元控制器,不仅克服了PID 控制的缺陷,而且具有快速的学习能力,快速的适应性,良好的性能和鲁棒性.因此,可以通过神经网络对系统性能的学习来达到最佳的比例,积分,微分组合,实现最佳的PID 控制效果.2 神经网络的BP 算法2.1 神经网络的结构BP 神经网络是控制领域中应用最多的神经网络,它是多层神经元彼此以前馈方式连接组成的网络,网络中没有信号反馈,只有相邻层神经元,每个神经元首先完成输入信号与连接权值的内积计算,然后通过一个非线性函数作用产生输出.BP 神经网络通常由输入层,输出层和若干隐层构成每层由若干个结点组成, 每一个结点表示一个神经元,上层结点与下层结点之间通过权值联接, 同一层结点之间没有联系。
基于BP神经网络的自适应PID控制器设计
基于BP神经网络的自适应PID控制器设计自适应PID控制器是一种基于BP神经网络的控制器设计方法，它结合了传统的PID控制器与神经网络的优势，可以适应系统参数变化、非线性和模型误差的情况。
本文将详细介绍基于BP神经网络的自适应PID控制器的设计原理和实现步骤。
1.简介PID控制器是一种经典的控制方法，通过计算误差的比例、积分和微分部分，调节输出控制量来实现对系统的控制。
然而，传统的PID控制器无法处理非线性和参数变化的系统，容易产生较大的误差。
而BP神经网络则具有非线性映射和自适应学习的能力，可以对非线性系统进行建模和控制。
2.BP神经网络的建模BP神经网络是一种前馈神经网络，具有输入层、隐含层和输出层。
输入层接收系统的输入量，输出层输出控制量，隐含层则通过一系列的神经元进行信息传递和处理。
BP神经网络通过训练集的样本进行学习，调整网络的权值和偏置，使得网络的输出与期望输出尽可能一致。
3.PID控制器的设计PID控制器由比例、积分和微分三个部分组成。
比例部分通过调节误差的大小来控制输出，积分部分可以控制持续的误差，微分部分则可以控制误差的变化率，提高系统的响应速度。
PID控制器的参数可以根据系统的特性进行调整。
4.自适应PID控制器的设计a.构建BP神经网络模型，通过训练集对模型进行学习，得到网络的权值和偏置。
b.使用PID控制器的比例、积分和微分部分计算出控制量，并将控制量作为输入量输入到BP神经网络中。
c.根据神经网络的输出，计算系统的输出，将其与期望输出进行比较，得到误差。
d.根据误差的大小，调整PID控制器的参数。
e.重复步骤b-d，直到系统达到期望输出。
5.应用实例自适应PID控制器可以应用于各种系统的控制中，如温度控制、位置控制等。
以温度控制为例，系统输入为温度传感器的读数，输出为控制器输出的控制量。
通过采集训练集数据和期望温度值，利用BP神经网络对系统进行建模和学习，然后根据PID控制器的参数计算出控制量，进而控制温度的变化。
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
基于深度神经网络的自适应PID控制
基于深度神经网络的自适应PID控制自适应 PID 控制是现代控制理论中的一种重要方法，它通过不断地对实际控制系统的反馈信息进行分析，来实现对系统参数的自适应优化，从而达到更优的控制效果。
在传统的控制方法中，PID 控制器是最常见的一种控制器，它通过改变比例、积分、微分三个参数来控制系统的输出行为。
虽然 PID 控制的思想简单而直观，但它往往需要通过人工调整控制器参数才能达到最佳的控制效果，这使得传统的PID 控制方法在复杂的工业控制系统中应用受到了很大的限制。
近年来，随着深度学习技术的快速发展，越来越多的控制问题开始通过深度神经网络来解决。
深度神经网络通过多层的非线性映射来实现复杂的数据处理和表达，具有非常强的模型适应力和自适应能力，并且能够从大量的数据中学习到系统的隐含规律，从而提高控制性能。
基于深度神经网络的自适应 PID 控制是一个典型的应用场景。
它通过将深度神经网络嵌入到PID 控制器中，实现对系统参数的自适应学习，从而优化控制效果。
具体实现上，基于深度神经网络的自适应PID 控制可以分为以下两个步骤：首先，通过采集真实系统的数据，训练一个深度神经网络，用来对系统的动态特性进行建模和预测。
其次，在 PID 控制器中将这个深度神经网络作为预估器，根据预测误差来自适应调整 PID 控制器的参数，从而达到更优的控制效果。
在实际应用中，基于深度神经网络的自适应 PID 控制已经得到了广泛的应用。
例如在工业自动化领域，它可以通过对温度、压力等参数的自适应调整来实现对化工过程的控制；在机器人控制中，它可以实现对机械臂的精确控制和路径规划；在无人驾驶汽车中，它可以通过对车速、转向等参数的自适应调整来实现对车辆的自动驾驶。
总之，基于深度神经网络的自适应 PID 控制是现代控制理论中的一种重要方法，它能够实现对复杂工业系统的自适应优化。
随着深度学习技术的发展，我们相信基于深度神经网络的自适应 PID 控制将会在更多的领域得到应用，并取得更加突出的成果。
基于BP神经网络PID整定原理和算法步骤_精品
基于BP神经网络PID整定原理和算法步骤_精品1.基本原理PID控制器是一种经典的闭环控制算法，由比例项、积分项和微分项组成。
BP神经网络是一种具有自适应性的模型，可以根据输入和输出之间的关系来自动调整权重和偏置。
2.算法步骤2.1样本数据的采集在PID控制系统中，需要采集一些样本数据来训练神经网络。
可以通过试验或仿真的方式，对控制系统进行加扰动或变动目标值的操作，得到系统的输入与输出数据。
2.2数据的预处理对采集到的数据进行预处理，主要包括去除噪声、标准化等操作，使得数据更加准确和可靠。
2.3神经网络的构建根据PID控制器的结构，构建对应的BP神经网络模型。
一般来说，BP神经网络由输入层、隐含层和输出层组成。
输入层接收系统的输入数据，隐含层进行特征提取和非线性变换，输出层得到控制系统的输出。
2.4神经网络的训练将预处理后的样本数据输入到神经网络中进行训练。
训练过程中，通过调整网络的权重和偏置，使得网络的输出与期望的输出之间的误差最小化。
2.5PID参数的优化在神经网络训练完成后，可以得到最优的网络结构和权重。
根据神经网络的输出，可以得到相应的PID参数。
一般来说，比例项的参数可直接取输出层的权重，积分项和微分项的参数则可以根据网络的偏置来计算。
2.6控制系统的实时调整将优化得到的PID参数应用到实际的控制系统中。
在控制过程中，根据系统的实时反馈信号，可以通过PID控制器进行实时的调整，使得系统的响应特性达到最佳。
总结：基于BP神经网络的PID整定，通过训练神经网络来寻找最佳的PID 参数，以达到控制系统的最优响应特性。
该方法可以应用于各种复杂的控制系统中，具有很好的适应性和鲁棒性。
但需要注意的是，BP神经网络的训练过程需要较长的时间和大量的样本数据，因此在实际应用中需要进行一定的优化和加速。
基于RBF网络的自整定PID控制
1 PID控制原理
• PID控制系统框图如图1所示。
常规PID控制系统原理框图 图1 常规 控制系统原理框图
1 PID控制原理
• PID控制器是一种线性控制器，它根据给定 值与实际值的偏差构成控制量。常规PID控 制离散算法为：
1 PID控制原理
• 对于实际的工业生产过程来说，往往具有 非线性、时变不确定性等，应用常规的PID 控制便不能达到理想的控制效果;而且PID控 制器由于参数整定困难，在实际应用中往 往参数整定不良、性能欠佳，对于运行的 工况适应性很差。这样，人们就一直在寻 求PID控制器参数的自动整定技术，以便适 应复杂的工况和高指标的控制要求。
3 RBF神经网络PID整定原理
• 增量式PIபைடு நூலகம்控制算法
• PID三项输入为
3 RBF神经网络PID整定原理
• 神经网络整定指标为
• 参数调整使用梯度下降法
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
• 被控对象为：
• 采样时间为1ms，参考模型指令信号为： 1ms
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
• 建立3-6-1的RBF神经网络
图4参考模型辨识结果 参考模型辨识结果
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
图5 Jacobian信息辨识结果 信息辨识结果
4 仿真实例——
基于RBF神经网络辨识的单神经元PID模型参考自适应控制
2 RBF神经网络模型
• RBF网络结构如图2所示。
图2 RBF网络结构图 网络结构图
2 RBF神经网络模型
基于神经网络的PID参数自整定控制及其Matlab仿真研究
文 章 编 号 ：１ ７ － ９ Ｘ（ ０ １ ０ ・ ０ １０ ６ ２６ １ ２ １ ） ４０ ６ —３
基 于神 经 网络 的 Ｐ Ｄ 参数 自整 定控 制 Ｉ
及 其 Ｍ ａｌｂ仿 真 研 究 ｔ ａ
杨 友 林
（ 海 大 学 工 学 院 ， 宁 锦州 １ １０ ） 渤 辽 ２ ００
摘
要 ： 神 经 网 络 白适 应 Ｐ Ｄ算 法 与传 统 的 ＰＤ 控 制算 法进 行 比较 分 析 ， 过 仿 真 实 验 ， 证 神 经 网络 自适 将 Ｉ Ｉ 通 验
网络 是一种 模拟 动 物 神 经 网 络行 为特 征 ， 行 分 进
（） ３ 将计算 好 的参数 值在 控制器 上设置好 ， 作 阶跃响应 试验 ， 观察 系统 的调 节过程 ， 当修 改控 适 制 器 的参 数 ， 直到调 节过 程满 意为止 ．
１ 衰减 曲线法 ． ２
布式并 行信 息处 理 的 数 学模 型 ， 网 络根 据 系 统 该
决 Ｐ Ｄ参数 自整 定 的问题 ． Ｉ
衰减 曲线法 是在 总结 临界 比例带 法基础上 发
展起 来 的 ， 是 利用 比例 作 用 下产 生 的 ４：ｌ 或 它 （
１ １ 衰 减振 荡过 程 时 ， 定 值扰 动的 衰减 实 验 ０： ） 设 数据 ， 据经 验 公 式 求解 控 制 器 的参 数 ． ４：１ 根 以
数．
棒 性好 、 定性 高等 优 点 而广 泛 地 应 用 于 各种 工 稳 业 过程 控制 之 中． Ｉ 控 制 中参数 整 定 是 重要 的 ＰＤ
内容 ， 但是 传 统 的 Ｐ Ｄ参 数 整 定 方 法 比较 繁 琐 ， Ｉ
并且对 一些 较复 杂的 控制对 象 而言 控制 效果 不 明 显， 因此 限制 了 Ｐ Ｄ 控 制 的进 一 步 发 展
神经网络算法在自整定PID控制中的运用
∑ 薯 一
ｉ ＝１
…
Ｌｌ Ｊ
３基于神经网络的非线性 自整定Ｐ Ｉ Ｄ 控制
Ｐ Ｉ Ｄ控 制是 发 展最 早 的经 典控 制 算法 之
一
我 们 知 道 ，ｕ （ ｋ １的 求 出 需 要 ｕ （ ｋ ． １ ） ，
ｅ （ ｋ ） ，ｅ （ ｋ ． １ ） ，ｅ （ ｋ ． ２ ）四个 数 据 ，神 经 网 络 的 作
基 本 结构 的 的 Ｅ ｌ ｍａ ｎ神 经 网络 是阶 层结 构 ，类 似于一般 的多层前馈神经 网络 ，也有输 入 层 ， 隐 含 层 和 输 出 层 。 但 除 此 之 外 ，Ｅ ｌ ｍａ ｎ
将神 经 网络应 用于 Ｐ Ｉ Ｄ参 数 的 自整定 方
案 设 计 如 图 ２所 示 。
而且 Ｐ Ｉ Ｄ 控 制 器 一 直 是 控 制 领 域 的 基 本 控
制方式 ，其算法简单 ，可 靠性高，利用系统 的
偏 差 ，基 于 比例 （ Ｐ ）、积分 （ Ｉ ） 、微 分 （ Ｄ） 来进行控制 。
２基于神经网络的辨识
系 统辨识 （ Ｓ ｙ ｓ ｍ ｍ Ｉ ｄ ｅ ｎ ｔ ｉ ｉ ｆ ｅ ￣ｉ ｏ ｎ ）是现 代 控制理论 中一个很重要 的组成部分。在现代的 控制过程 中，由于系统越来越复杂 ，被控对象
算机 中，组成计算机控制 系统，能够完成更多
型构建
通过训练与学 习，建 立一个模型，使其能表达 更复杂 的计算 与控 制。由于计算机处理 的是数 Ｉ Ｄ控制算法 数字化 。 系统的正 向动力学特性 。 另外还有一种逆模型 ， 字量 ，故需将 Ｐ
前提是其拟辨 识的非线性系统可逆 ，因为并不
型应用较多。
图１ ：Ｐ Ｉ Ｄ 控 制 系 统 原 理 图
神经网络PID
神经网络PIDBP神经网络PID控制方法研究3.1引言所谓“神经网络”是以一种简单计算处理单元（即神经元）为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统；不仅如此，神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。
神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。
由于神经网络己具有逼近任意连续有界非线性函数的能力，对于长期困扰控制界的非线性系统和不确定性系统来说，神经网络无疑是一种解决问题的有效途径。
采用神经网络方法设计的控制系统具有更快的速度(实时性)、更强的适应能力和更强的鲁棒性。
正因为如此，近年来在控制理论的所有分支都能够看到神经网络的引入及应用，对于传统的PID控制当然也不例外，以各种方式应用于PID控制的新算法大量涌现，其中有一些取得了明显的效果。
传统的控制系统设计是在系统数学模型己知的基础上进行的，因此，它设计的控制系统与数学模型的准确性有很大的关系。
神经网络用于控制系统设计则不同，它可以不需要被控对象的数学模型，只需对神经网络进行在线或离线训练，然后利用训练结果进行控制系统的设计。
神经网络用于控制系统设计有多种类型，多种方式，既有完全脱离传统设计的方法，也有与传统设计手段相结合的方式。
一般来说，基于神经网络的PID控制器的典型结构主要有两种，单神经元网络PID控制器和神经网络PID控制器两种控制算法。
本章将详细介绍基于BP神经网络的PID控制算法，然后对单闭环调速系统的进行设计，对其进行Matlab 算法仿真。
3.2基于BP神经网络的PID整定原理PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系。
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)。
Ｓ ｕ ｙ ｏ ｅｆ Ｔｕ ｉ ｇ Ｍ ｕ ｔ ａ ｉｂ ｅ Ｐ Ｄ ｎ ｒ ｌ ｒ ｔ ｄ ｎ Ｓ ｌ－ ｎ ｎ ｌ ｖ ｒａ ｌ Ｉ Ｃｏ ｔ ｏｌ ｉ ｅ
Ｂａ ｅ ｎ Ｎｅ ｒ ｌＮｅｗｏ ｋ ｓ ｄ ｏ ｕ ａ ｔ ｒ
Ｗ ＡＮＧ ａ － ｉ ＬＩ Ｍｅ ｇ， Ｕ ｉ Ｘｉ ｏ ｙ ， Ｕ ｎ ＬＩ Ｚａ －ｗｅ Ｌ ＡＮ ａ －ｆ ｎ ｎ， Ｉ Ｘｉｏ ｅ ｇ
第２卷 第５ ９ 期
文章编号 ： ０ — ３ ８ ２ １ ） ５ ０ ０ — ４ １ ６ ９ ４ （ ０２ ０ — ２ ５ ０ ０
计
算
机
仿
真
２１年５ ０ ２ 月
神 经 网络 自整 定 多 变 量 Ｐ Ｄ 控 制 方 法 研 究 Ｉ
王 小艺 ． 刘 萌 ， 载文 ，院 ， 北京 １０４ ） ００ ８
ｐａｅｉｎｒｃ ｃｌ ｉ ｉｏｉａ ｆ ｉｉ ｄｂｄ Ｂ Ｂ ｓｗ ｇ ｙｔ ｈ ｓ ｎｅ ｉ ｕａｏ ｂ ｌｇ ｌｌ ｄ ｅ ｅ （ Ｆ ） ｅ ａｅｓｓ ｍ，ａｄｃｎｉｅ ｎ ｅｔ ｅ ｙ ｏｌ ｅｒ ｒ ｔｎ ｏ ｃ ｕ ｚ ｅ ｎ ｏｓ ｒ ｇｔ ｉ ｄｌ ，ｎ ｎ ｎａ， ｄ ｉ ｈ ｍｅ ａ ｉ
（ ｃｏｌ ｆ ｏ ｐ ｔ ｎ ｆｒ ａ ｏ ｎｉｅｒ ｇ ｅ ｉｇＴｃ ｎｌ ｙａ ｄＢ ｓ ｅｓＵ ｉ ｒｉ ， ｅ ｉｇ１０ ４ ， ｈ ａ Ｓｈｏ ｏ ｍ ｕｅ ａ ｄＩ ｏｍ ｔ ｎＥ ｇ ｅｉ ，Ｂ ｉｎ ｅｈ ｏ ｇ ｎ ｕｉ ｓ ｎ ｅｓｙ Ｂ ｉｎ ００ ８ Ｃ ｉ ） Ｃ ｒ ｎ ｉ ｎ ｎ ｊ ｏ ｎ ｖ ｔ ｊ ｎ
ｄ ｆ ｅｔ ｅｅ ｔ ａｊｓ ｔ ａ ｆｍ ｄ ｙＰＤ ｐｒｍ ｔ ｓ ｉａｙ ｈ ｉ ｌ ｉ ｘｅｉ ｎ ｅｕｔ ｓｏ ａ ｔｅ ｉｅ ｎ ｖｌ ｏ ｄ ｔｈ ｒｔ ｏ ｏｉ Ｉ ａａ ｅｅ ．Ｆｎｌ ，ｔｅｓ ａ ｏ ｅｐｒ ｔ ｓｌ ｈ ｗ ｔ ｔ ｈ ｆｒ ｌ ｕ ｅ ｅ ｆ ｒ ｌ ｍｕ ｔ ｎ ｍｅ ｒ ｓ ｈ
ｍｅｈ ｄ ｉ ｅ ｓ ｌ ｎ ｆ ｃｉ ｅ ｉ ｈ Ｆ ｅ ｇ ｙ ｔ ｍ． ｔ ｏ ｓｆ ａ ｉ ｅ ａ ｄ ｅｆ ｔ ｎ ｔ ｅ Ｂ Ｂ ｓ ｗａ ｅ ｓ ｓｅ ｂ ｅ ｖ
ＫＥＹＷ ＯＲＤＳ： ＤＲＮＮ； ｉ ｌｇｃ ｕｄ ｚ ｄ ｂ ｄ； ｅ － ｕ ｉ ｇ； ｅ ｏ ｐ ｉｇ ｃ ｎ ｒ ｌ Ｂ ｏｏ ｉａ ｆ ｉ ｉｅ ｅ Ｓ ｒ ｔ ｎ ｎ Ｄ ｃ ｕ ｌ ｏ ｔｏ ｌ ｌ ｆ ｎ
ＰＤ ｃｎｒｌ ｅ ｏ ａｅ ｎｔｅｄａｏ ａ ｒｃｒ ｎ ｎｕａ ｎｔｏｋ Ｄ Ｎ Ｉ ｏ ｔ ｔ ｄｂｓｄｏ ｉｇｎｌ ｅｕｒ ｔ ｅ ｒ ｅ ｒ（ Ｒ Ｎ）ｗ ｓｐｏｏｅ ｉ ｐｐｒ ｎｏ ｅ ｔ ｏｍ ｈ ｈ ｅ ｌ ｗ ａ ｒｐｓｄｉ ｔ ｓ ａｅ．Ｉ ｒ ｒｏ ｎｈ ｄ
摘要 ： 关于污水优化处理系统控 制问题 。针对 三相 内循环生物 流化床污水处理系统结构上的特殊性和生物反应过程 的复杂 性． 以及污水处理过程的非线性 、 时滞 、 时变 、 多输人多 输出等 特点 ， 出一种对角递 归神经 网络 （ ｉ ｏａ Ｒ ｃｒ ｎ Ｎ ｕａ 提 Ｄａ ｎｌ ｅｕｒ ｔ ｅｒｌ ｇ ｅ Ｎ ｔｏｋ Ｄ ＮＮ） 自整定多变量 ＰＤ控制方法。通过 Ｄ Ｎ ｅ ｒ， Ｒ ｗ 的 Ｉ Ｒ Ｎ对控制参 数进行在线辨识 ， ＰＤ控制 器提供梯度 信息 ； 为 Ｉ 同时 考虑到生物流化床污水处理系统输出变量 之间的特殊耦合关 系 ， 将反馈偏差 划分为不 同等级 ， 以调整 ＰＤ参数 修正速率 的 Ｉ 快慢。进行仿 真验证 ， 验证了该 方法在 生物流化床污水处理 中的有效性和可行性 。 关键词 ： 角递归神经网络： 对 生物流化 床； 自整定 ； 解耦控制 中图分类号 ：Ｐ ８ Ｔ １３ 文献标识码 ： Ａ ’
ＡＢＳ ＴＲＡＣＴ： ｍｉ ｇ ａ ｈ ａｔ ｕ ａ ｉ ｆｓｒ ｃｕ ｅ ａ ｄ ｔ ｅ ｃ ｍｐ ｅ ｉ ｆｂｏ ｏ ｉａ ｅ ｃ ｉｎ ｐ ｏ ｅ ｓ ｏ ｅ ｔ ｒ ｅ Ａｉ ｎ ｔ ｅ ｐ ｒｉ ｌ ｒ ｙ ｏ ｔ ｔ ｒ ｎ ｈ ｏ ｌｘ ｔ ｏ ｉｌ ｇｃ ｌｒ ａ ｔ ｒ ｃ ｓ ｆｔ ｈ ｅ － ｔ ｃ ｔ ｕ ｙ ｏ ｈ
ｔ － ａ ｙｎ ，ｍｕ ｔ ｌ ｎ ｕ ｎ ｌ ｐ ｅ ｏ ｔ ｕ ｆｓ ｗ ｇ ｒ ａｍｅ ｔｐ ｏ ｅ ｓ ｎ ａ ｔ — ｕ ｎ ｎ ｎ ｌ —ｖ ｒａ ｌ ｉ ｍｅ ｖ ｒ ｉ ｇ ｌ ｐ ｅ ｉ ｐ ｔａ ｄ ｍｕ ｔ ｌ ｕ ｐ ｔｏ ｅ ａ ｅ ｔ ｔ ｎ ｒ ｃ ｓ ，ａ ｕ ｏ ｔ ｒ ｉ ｇ ａ ｄ ｍｕｔ ａ ｂｅ ｉ ｉ ｅ ｉ ｉ