在研究的基础上本文开发了基于虚拟仪器技术LABWINDOWS /CVI的解耦控制系统，该系统由A/D转换 PC7484多功能数据采集卡、PC机和基于LABWINDOWS /CVI的人机界面构成，采样信号经采集卡转换成数字信号后送入P C机，经对角递归神经网络与PID控制器融合的控制算法处理获得数字式控制电压，再由D/A转换得到模拟控制电压，作为对象的输入，以实现实际问题中强耦合系统的解耦控制，实验证明该方法有效的解除了耦合影响，有较好的静态和动态性能，提高了控制品质，有工程实用价值。

目  录

引言1
1  解耦回顾与综述2
1.1 引论2
1.2 多变量耦合系统3
1.2.1多变量耦合系统的发展历程3
1.2.2多变量系统解耦概述4
1.3 常见解耦方法简介  4
1.3.1传统解耦方法4
1.3.2自适应解耦方法7
1.3.3智能解耦方法7
1.4 PID控制及人工神经网络8
1.4.1 PID控制8
1.4.2人工神经网络10
1.5 本文所做的工作11
2  多变量控制系统及其解耦11
2.1 多变量过程控制系统的描述11
2.2 多变量过程控制系统的解耦13
2.2.1多变量系统的耦合及解耦13
2.2.2基于神经网络的系统解耦14
2.3 本章小结18
3  对角形递归神经网络18
3.1 对角形递归神经网络的提出18
3.2 DRNN的数学模型19
3.3 DRNN的学习算法21
3.4 DRNN权值学习速率的推导21
3.5 DRNN神经网络的应用23
3.6 DRNN神经网络建模的步骤及性能研究24
3.6.1 DRNN神经网络建模的步骤24
3.6.2 DRNN算法及其实现的几点说明25
4  动态仿真与解耦性能研究28
4.1 DRNN解耦策略28
4.2 动态仿真试验30
5  基于Labwindows/CVI的DRNN解耦实现31
5.1 Labwindows/CVI概述31
5.1.1 Labwindows/CVI的特点31
5.1.2在CVI下开发仪器软件32
5.2 数据采集与系统组成33
5.2.1数据采集卡pc7484简介33
5.2.2系统组成34
5.3 基于Labwindows/CVI的解耦控制器的实现36
6  结论与展望37
谢辞39
参考文献40
附录40

DRNN神经网络是一种内含有动态特性的三层神经网络，它将神经网络的自学习信息综合、学习记忆和自适应能力以及逼近非线性函数的能力与PID控制规律有机的结合在一起。DRNN神经网络解耦控制器既具有传统PID控制器的优点，又具有神经网络的并行结构和本质学习记忆功能及逼近任意函数的能力。网络的收敛速度快并且保证了控制系统的稳定性。DRNN网络中比例元、积分元和微分元的存在，使DRNN网络控制系统的响应速度快、超调小、稳态误差为零。这一解耦控制器的隐层神经元采用带有自馈特性多步动态前向学习算法，能从本质上实现解耦，并且使系统具有更好的动态性能，调节时间短。
本文采用动态递归神经网络作为非线性系统辨识器，两层线性神经网络作为控制器，从而实现了基于动态递归神经网络的非线性自适应PID 控制。该系统的控制结构简单，可在系统状态完全未知的情况下进行控制，并具有良好的处理动态问题的能力。通过非线性系统的仿真试验可以看出，该系统具有良好的控制性能，从而为动态神经网络在非线性系统控制中的应用奠定了基础。
将DRNN与PID控制器相结合的解耦控制策略，结构简单，易于实现。在不需要进行精确建模的情况下，通过自身的训练和学习，可在系统状态完全未知的情况下进行控制，且能对PID 参数进行在线寻优、校正，不仅实现了多变量系统的解耦控制，即消除了各变量间的耦合作用，而且还使系统由一定的自适应能力，仿真结果表明该控制器具有对付复杂控制问题的能力，适用于非线性系统。对工程应用中的很多控制系统地解耦设计具有很好的指导意义和使用价值。
从目前解耦方法的研究和应用现状看，随着人工智能的引入和日益成熟，将智能控制策略和传统控制方法相结合构造智能复合型控制器，提高整定中的推理、判断能力，进一步提高控制系统的各项性能，是解耦发展的一个研究热点。递归神经网络解耦也必然成为人们研究的重要解耦方法。