研究内容

神经网络算法是处理PID解耦控制中一个重要算法，研究的基本内容包括如下：

1、掌握神经网络的基本原理。

2、掌握人工蜂群算法，人工鱼群算法，PID解耦算法算法。

3、对2种算法用matlab语言编写。

4、修改和完善神经网络算法，尽量缩短神经网络训练时间并提高预测精度。

5、分析改进的神经网络算法在不同情况下进行故障诊断预测的实验结果。

6、对改进的神经网络算法的试验结果进行分析总结。

结论

通过以上一系列实验，可以看出基于混合仿生学群体优化算法的运动检测存在缺陷可以看出修改的算法在后期有较好的结果，加大了收敛域，不断优化目标函数的值，而且到了最优值所用的代数也比基本人工鱼群，蜂群算法少。这样达到了之前设计优化的人工鱼群算法的目标。[19]

1.该算法能有效地解决PID解耦控制；

2.该算法不仅能够适用于复杂的群体优化。运动场景，克服了误把背景移动检测为运动目标移动的缺点。对检测出来的运动区域进行矩形框标识，并绘制出运动区域的中心点，即运动的路径；

3.弥补了单一方法带来的不足，使得刚开始的解在一定的邻域内质量较优；

4.第一阶段的时候避免了陷入部分极值，为后面的的步骤坐下准备工作；

5.第二阶段有这较为强大的去采蜜的能力，使得快速收敛，然后到了全局最优解，有着调节功能能较好的加速算法与加速收敛的速度。

实验的结果满足预期目标，说明本课题已经把基础和理论很好地结合在一起，克服旧算法存在的缺陷，构造新的算法，得到适应性较强的基于邻阶差分法的快速运动检测。在检测适应性、性能上都有进一步的提升。在有限的时间和有限的技术能力限制下怀着本人对毕业设计工作的认真对待以及对技术的认真学习的态度完成了本次的毕业设计工作，希望本次的毕业设计能呈现代表我大学四年的完美作品。

进一步工作的方向

目前引入动量因子改进的蜂群算法可以避免神经网络陷入极小值。但还存在缺陷，如以上各算法的仿真结果所示，均方误差不如L-M优化算法。基于神经网络理论的神经网络时间序列预测方法，充分利用网络和记忆函数的数值逼近。根据时间序列的历史价值，该算法识别时间序列的固有模式。神经网络时间序列预测方法可以根据历史数据来预测未来值。神经网络算法虽然具有较强的信息处理能力，但仍存在一定的缺陷。例如，该算法容易陷入局部极值点，具有网络抖动的问题和网络初始权值和阈值的选取。粒子群优化算法是一种模拟鸟类捕食的群体智能优化算法。在未来进一步进展中，可以继续研究基于BP神经网络算法的网络的初始权值和阈值的选择和陷入局部最小点缺陷的PSO-BP算法。但该算法还在刚起步的阶段，需要更多的理论分析，生物学基础，算法的改进，算法的应用。