1、“.....单神经网络连接权重初值选取神经网络连接权重初值的选取对于神经元网络的学习和收敛速度是很重要的，因为连接权重初值决定了网络学习的起始点和收敛的初始方向。恰当的选择连接权重初值，可使网络的学习和收敛的速度加快，且能避免陷入局部最小，达到事半功倍的效果。神经网络连接权重初值选取有其独特的原则，这个选取原则是参照控制器的特点确定的。控制器的计算公式和参数控制器的输入值为系统给定输入和系统输出的偏差值，即控制器的输出值为比例作用积分作用和微分作用的线性叠加值，离散形式控制规律为公式中为采样周期为积分时间常数为微分时间常数为比例系数为积分系数为微分系数。单神经网络的连接权重初值选取输入层至隐含层的连接权重初值选取对于单输出神经元网络单神经网络,根据控制算式的特点,选取其输入层至隐含层的连接权重初值,使其完成由,映射的功能。为了实现,的映射，选取输入层至隐含层的连接权重初值为......”。

2、“.....使神经网络连接权重初值时的输出等价于控制器输出。选取,,仿真程序流程图实现程序流程图如下图所示。仿真程序其程序见附录。开始对各层权值赋予初值输入样本，计算各层输出计算期望输出与实际输出偏差结束调整各层权值计算各层误差信号рр增，增,р误差允许值是否否是图程序实现流程图结论本设计是将神经元网络与相结合，以便改进传统控制的性能，并利用算法通过调整神经网络的权值实现了控制器的实时自校正,具有调节时间短超调量小自适应等优点,从而克服了传统控制器在复杂的动态的和不确定的系统控制参数整定难的问题。本设计的创新点在单神经网络控制系统中加入算法，使其具有良好的鲁棒性自适应性和容错性，使系统具有良好的控制效果。但是算法还存在着些缺陷易形成局部极小而得不到全局最优训练次数多使得学习效率低，收敛速度慢网络的学习记忆具有不稳定性。针对以上问题本设计还有待进步研究，例如增加动量向自适应调节学习步长等......”。

3、“.....在将近半年的时间里，老师在我对课题的学习和研究以及学习和生活方面都给与了无微不至的帮助和关心。导师渊博的学识，敏锐的科学洞察力，严谨的治学态度，强烈的创新思想和对科研教育事业的执著追求都给我留下难忘的印象，并将激励我在今后的工作中勇敢地面对困难和挑战。在论文完成过程中，参考和吸收了许多前人的研究成果，在此并向他们表示感谢。在我做毕业设计期间，得到了父母和家人的关心和支持，是它们无私的爱才使我能够在学习上不断进取，取得今天的成绩。也要感谢和我起做毕业设计的舍友，在他们的帮助下我完成了毕业设计，再次感谢所有在我做毕业设计期间给我帮助的老师和同学们。最后，我要感谢担任我论文评审和评阅的各位老师，谢谢他们提出的宝贵意见和建议。参考文献李士勇模糊控制神经网络控制和智能控制论哈尔滨哈尔滨工业大学出版社朱大奇......”。

4、“.....记录每次权值调整后的训练误差计算反向传播误差计算权值调整量权值调整分离隐层到输出层的权值显示计算结果测试绘制学习误差曲线，杨淑莹模式识别与智能计算技术实现北京电子工业出版社陶永华，尹怡欣，葛芦生新型控制及其应用北京机械工业出版社赵娟平神经网络控制策略及其仿真研究微计算机信息，黄金燕，葛化敏，唐明军基于神经网络的控制方法的研究微计算机信息，王亚斌基于神经网络控制及其仿真江苏冶金期王树青等编著工业过程控制工程北京化学工业出版社，胡志军，王建国，王鸿斌基于优化神经网络的控制研究与仿真微电子学与计算机韩力群著人工神经网络理论设计及应用北京化学工业出版社，赵文峰著控制系统设计与仿真西安西安电子科技大学出版社，任子武，高俊山基于神经网络的控制器自动化技术与应用，年期程代展，段广仁第届中国控制会议论文集中册北京北京航空航天大学出版社,,,,......”。

5、“.....输入层到隐层的初始权值,隐节点初始阈值隐层到输出层的初始权值,输出层初始阈值输入层到隐层的初始权值扩展隐层到输出层的初始权值扩展输入样本扩展记录每次权值调整后的训练误差正向计算网络各层输出判断训练是否停止息的处理功能。利用状态转换函数可将作用到个特定神经元上的各个输入和单元当前状态相互结合，产生种新的激发状态。在般的神经元网络模型定义中，将神经元作为种静态的映射元件，其状态函数被定义为种静态映射，是不完善的。下面将引入动态的积分和微分函数，与静态的比例函数分别定义不同的神经元。神经元的输出神经元的状态由此神经元的输出函数决定。用神经元状态为自变量，按其输出函数就可产生神经元的输出值，即神经元的输出函数也有很多种形式，包括恒等函数阈值函数统计函数形函数拟线性函数随机函数等等。神经元的计算通过以上对神经元模型的分析可知，神经元的输入是对所有输入信息的总和，神经元的状态转换函数及输出函数则有不同的形式，从而决定了不同类型的神经元模型......”。

6、“.....并建立比例元积分元和微分元。比例元比例控制规律和比例函数在连续控制器中，比例控制器是最简单的种，其输出值随输入信号成比例变化，设为控制器的输出，为控制器的输入，为比例系数，则比例控制器的计算公式为式中为比例函数。如下图所示比例控制系统，比例控制器始终产生个与输入信号成正比的输出值。在传统控制系统中，此输入信号即为系统的被调量与给定值的偏差。因此，只要偏差存在，比例控制器就有相应的控制作用输出至被控对象，使偏差减少，从而及时有力地抑制了干扰的影响。但是，比例控制器存在着个不可避免被控对象图比例控制系统框图的缺点，这个缺点就是它不能克服静态误差。因为比例控制作用是以偏差的存在为前提条件的，旦偏差不存在，比例控制器的输出就为零值。由于比例控制规律的产生与系统过去的状态无关，因此它的离散化算式很简单，设采样时刻为，则比例算式为式中为比例函数的离散形式。比例元定义按以下方法和公式所确定的神经元即为比例元......”。

7、“.....有个输入支路与其相连，则在任意时刻，单元的总输入,式中,为个与其相连的神经元的输出值为相应的连接权重值。比例元的状态函数为比例函数，但其比例系数为。比例元在时刻的状态式为比例元的输出函数可以选择非线性函数的种，如果选择比例阈值函数，则输出为,积分元积分控制规律和积分函数在控制规律中，积分是保证系统控制无静差的关键。对于积分控制器，其输出值与其输入值的积分成正比。如设为控制器的输出，为控制器的输入，为积分时间常数，则积分控制器的表达式为式中为积分函数。由于积分控制器的输出值和输入值的积分成正比，因此只要有输入值存在，其输出值就会不断加强直到控制器的最大值。在传统控制器中，将系统的被调量与给定值的偏差作为积分控制器的输入，只要偏差存在，积分控制器作用随时间不断加强，直到完全克服干扰作用为止。在被调量的偏差消失以后，由于积分规律的特点......”。

8、“.....因而能保证控制静差为零。单纯的积分控制器也有它的弱点，它的动作过于缓慢，因而在改善静态准确度的同时，往往使控制的动态品质变坏，过渡过程时间延长，甚至造成系统的不稳定。因此，在实际工业中，它不能单独使用，必须和比例控制规律组合使用，如下图所示。积分元的定义按以下方法和公式所确定的神经元即为积分元。设积分元为神经元网络中的第个神经元，有个输入支路与其相连，则在任意时刻，单元的总输入,式中,为个与其相连的神经元的输出值，为相应的连接权重值。积分元的状态函数为积分函数，但其积分系数为。积分元在时刻的状态式为,积分元的输出为,微分元微分控制规律和比例函数微分控制的作用主要是改善控制系统的动态性能。对于微分控制器，其输出比例被控对象图比例控制系统框图积分值与其输入值的微分成正比。如设为控制器的输出，为控制器的输入，为微分时间常数......”。

9、“.....式中。输出层单神经网络的输出层结构比较简单，它只包含个神经元，完成网络的总和输出功能，其总输入为式中为隐含层各神经元输出值为隐含层至输出层的连接权重值。输出层神经元的状态函数与比例元的状态函数相同，状态为输出层神经元的输出函数与网络中其他神经元的输出函数相同，输出为,而的输出就等于输出层神经元的输出，即反传学习计算方法当单神经网络进行控制时，网络连接权重值的调整基于被控量实际值的偏差，神经元网络的输出经过被控对象，被控对象与神经元网络密不可分，学习算法必须考虑被控对象的作用。可以将单神经网络控制器和被控对象看作个整体，即个具有更多层数的神经元网络。网络的最后几层或几层对应与被控对象是未知的。这个整体神经元网络以最小为训练学习的准则和目标......”。