CN104635725A - 超前校正器结构参数的获取方法及装置 - Google Patents

Abstract

本发明提供一种超前校正器结构参数的获取方法和装置，该方法包括：a)确定自动控制系统被控对象和超前校正器的传递函数结构、以及系统期望的频域特性；b)对于所确定的系统传递函数结构和期望的频域特性，构造相应的神经网络；c)采集所述系统的多个数据样本；d)将所采集到的数据样本输入神经网络中，对该神经网络进行训练；e)获取该超前校正器的结构参数。使得使用该方法和装置获取超前校正器的结构参数时，只需用户输入系统被控对象的结构参数K、α、β和引入超前校正器后系统期望的频域性能参数γ、ω，就可迅速计算出该超前校正器的结构参数，从而大大简化了超前校正器结构参数的获取过程，因此，可以缩短超前校正器的设计时间。

Description

超前校正器结构参数的获取方法及装置

技术领域

本发明属于自动控制领域，具体涉及一种基于人工智能的超前校正器结构参数的获取方法和装置。

背景技术

自动控制是指利用控制装置使被控对象(如电机、液位系统、机床等)的工作状态按预定规律运行。图1是方框图，示出了自动控制系统的一个简单模型。在图1所示的自动控制系统中，开始时，将参考信号输入控制装置，控制装置根据输入的参考信号对被控对象进行控制，使被控对象产生输出信号，该输出信号经反馈环节反馈到控制装置输入端，并与参考信号进行比较，然后，控制装置再根据比较结果调整其对被控对象的控制，如此循环下去，最终使被控对象产生与参考信号匹配或相符的输出信号。图2是方框图，示出了图1中的自动控制系统模型的频域结构。如图2所示，从频域来看，被控对象为G_p(s)，而反馈环节为H(s)，参考信号为R(s)，输出信号为C(s)。

衡量自动控制系统性能的指标包括稳定性、稳态性能指标(如开环增益K等)、动态性能指标(如相角裕量、剪切频率等)。一般来说，仅由被控对象构成的系统性能较差，并且在很多情况下，调整系统被控对象的参数也不能使系统的各项性能指标达到要求。此时，通常在系统中引入一些附加装置，以改变系统的性能，使之满足工程要求。这些附加装置称为校正器。

校正器的类型有多种，一类常用的校正器为超前校正器。图3是方框图，示出了引入超前校正器后的自动控制系统的频域结构。如图3所示，超前校正器G_c(s)串联在系统的前向通道中。串联的超前校正器利用其相角超前特性去增大系统的相角裕量，从而在系统的稳态性能无损的前提下可以提高系统的快速性、平稳性等动态性能。

具体说，对于一类常见的被控对象来说，其传递函数结构可以表示为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β可以视为该被控对象的结构参数。而引入的超前校正器的传递函数结构可以表示为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数。引入超前校正器后系统的期望的频域性能参数则包括相角裕量γ和剪切频率ω。

在现有的超前校正器的结构参数的获取过程中，通常利用原理性步骤，根据严格的数学推导(例如经典的频域分析与设计方法)从被控对象的结构参数K、α、β和引入超前校正器后系统期望的频域性能参数γ、ω来得到校正器的结构参数aT、T。

在利用原理性步骤根据严格的数学推导来获取超前校正器的结构参数的过程中，由于不熟练、计算失误、高阶难以计算、数字过于复杂等多种原因，会使得超前校正器的结构参数的获取对于一些设计人员来说过于艰难，因而容易导致超前校正器设计中的延误与错误的出现。

发明内容

本发明是为了解决现有技术中存在的上述技术问题而做出，其目的在于提供一种超前校正器结构参数的获取方法和装置，使得使用该方法和装置获取超前校正器的结构参数时，只需用户输入被控对象的结构参数K、α、β和引入超前校正器后系统期望的频域性能参数γ、ω，就可迅速计算出该超前校正器的结构参数，从而避免复杂的数学推导。

为了实现上述目的，在本发明的一个方面，提供一种超前校正器结构参数的获取方法，该方法包括：

a)确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω；

b)根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数；

c)采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω；

d)将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练；

e)将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。

优选地，在对所述神经网络进行训练的过程中，可以采用试凑算法获得所述神经网络隐含层的节点数l。

另外，优选地，对所述神经网络进行训练的步骤可以包括：

第一步：初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1_ij]，w2＝[w2_jk]，b1＝[b1_j]，b2＝[b2_k]；

第二步：输入所述多个数据样本中的一个未使用的数据样本中的K、α、β、γ、ω的值；

第三步：根据输入的K、α、β、γ、ω的值，向前计算所述神经网络的输出值；

第四步：计算该输出值与该未使用的数据样本中的aT和T之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步，如果不小于，则执行第五步；

第五步：反向计算所述神经网络的局部梯度；

第六步：根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步；

第七步：判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步，如果判断为是，则完成了所述神经网络的训练。

在本发明的另一方面，提供一种超前校正器结构参数的获取装置，其包括：传递函数结构确定单元、神经网络单元、数据样本库、神经网络训练单元、超前校正器结构参数获取单元，其中，

所述传递函数结构确定单元确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω；

所述神经网络单元根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数；

所述数据样本库采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω；

所述神经网络训练单元将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练；

所述超前校正器结构参数获取单元将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。

由上面的描述以及后面所给出的具体实施例可以看到，本发明利用神经网络算法来获取超前校正器的结构参数，即超前校正器的传递函数结构中的系数aT、T，摒弃复杂的原理性计算，只需用户输入系统被控对象的结构参数K、α、β和引入超前校正器后系统期望的频域性能参数γ、ω，就可迅速计算出该超前校正器的结构参数aT、T，从而大大简化了获取超前校正器结构参数的过程，因此，可以缩短超前校正器的设计时间。

附图说明

图1是方框图，示出了自动控制系统的一个简单模型；

图2是方框图，示出了图1中的自动控制系统模型的频域结构；

图3是方框图，示出了引入超前校正器后的自动控制系统的频域结构；

图4是流程图，示出了本发明的一个实施例所述的超前校正器结构参数的获取方法；

图5是示意图，示出了本发明的一个实施例所述的神经网络；

图6是流程图，示出了本发明的一个实施例所述的对神经网络进行训练的方法；

图7是曲线图，示出了本发明的一个例子中的引入超前校正器后系统的阶跃响应曲线；

图8是曲线图，示出了图7例中的系统的脉冲响应曲线；

图9是曲线图，示出了图7例中的系统的幅频波特图和相频波特图；

图10是方框图，示出了本发明的一个实施例所述的超前校正器结构参数的获取装置。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

图4是流程图，示出了本发明的一个实施例所述的超前校正器结构参数的获取方法。如图1所示，本发明所述的超前校正器结构参数的获取方法包括如下步骤：

首先，在步骤S10中，确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω。

然后，在步骤S20中，根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络。图5是示意图，示出了本发明的一个实施例所述的神经网络的结构。如图5所示，本实施例中的神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数。

随后，在步骤S30中，采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω。表1示出了采集到的已有的4组K、α、β、γ、ω、aT、T值。在实践中，还可以采集更多的数据样本。

表1

接着，在步骤S40中，将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练。

图6是流程图，示出了本发明的一个实施例所述的对神经网络进行训练的方法。如图6所示，根据本发明的一个实施例，对所述神经网络进行训练的步骤可以包括：

第一步，在步骤S41中，初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1_ij]，w2＝[w2_jk]，b1＝[b1_j]，b2＝[b2_k]。

第二步，在步骤S42中，输入所述多个数据样本中的一个未使用的数据样本中的K、α、β、γ、ω的值。

第三步，在步骤S43中，根据输入的K、α、β、γ、ω的值，向前计算所述神经网络的输出值。

第四步，在步骤S44中，计算该输出值与该未使用的数据样本中的aT和T之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步(后面将描述的S47)，如果不小于，则执行第五步，即步骤S45。

第五步，在步骤S45，反向计算所述神经网络的局部梯度。

第六步，在步骤S46中，根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步(即步骤S43-S44，实际上是迭代过程)。

第七步，在步骤S47中，判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步(S42)，如果判断为是，则完成了所述神经网络的训练。

返回图1，最后，在步骤S50中，将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。

优选地，在对所述神经网络进行训练的过程中，可以采用试凑算法获得所述神经网络隐含层的节点数l。在神经网络设计中，隐含层节点数决定着神经网络性能的好坏，是神经网络设计中的难点，这里采用试凑算法来确定隐含层的节点数。也可以根据经验来确定隐含层的节点数。

下面具体描述本发明的一个例子。

对于本发明所涉及的超前校正器，根据上述方法确定出神经网络隐含层节点数为20，神经网络参数w1、b1、w2、b2分别为(以矩阵形式表示)：

$\begin{array}{c}w1=\\ \left[\begin{array}{ccccc}1.8998& 0.6897& -0.1439& 1.1893& -0.6690\\ 1.2908& -1.7216& -0.5585& -0.8689& 1.0639\\ -1.5254& 1.5541& 1.6565& -0.1991& 0.6830\\ 1.4738& 1.6119& 1.0688& 0.7740& 0.1446\\ 0.6550& 0.4422& -0.9448& 1.2266& 1.6967\\ -1.5531& 0.9014& -0.1207& 1.5357& -0.8935\\ -1.2955& 1.1770& -0.8035& 0.8196& 1.5290\\ 0.3831& -0.3172& 1.1248& -1.7641& 1.5031\\ 1.6586& 0.7782& 0.7960& -1.3170& -0.5867\\ 1.5879& -1.2576& 0.7590& -1.1641& 0.0264\\ -1.1068& 0.5985& -0.8582& 1.5346& -1.2766\\ 0.9490& -1.8986& -0.1404& -0.4994& -1.7331\\ 2.0555& -1.1022& -0.0602& 0.9028& -0.0410\\ 0.2593& -1.6604& -1.8630& -1.0868& 1.3287\\ 1.0969& -1.8109& -1.5958& 1.4973& 1.2673\\ -1.3828& 1.4206& -0.2237& -0.8624& -1.9283\\ -0.6826& 0.7698& 1.7943& -1.3990& -0.0706\\ 1.7016& -0.7711& -1.1482& -1.4198& -0.3078\\ 1.0643& 2.0368& 0.8175& 0.4463& -1.7058\\ 1.8997& -1.6974& -1.6608& -0.0139& -0.2712\end{array}\right]\end{array}$

$\begin{array}{c}b1=\\ \left[\begin{array}{c}-2.6949\\ -2.1281\\ 1.9713\\ -1.7098\\ -1.6569\\ 1.3111\\ 1.1761\\ -0.6490\\ -0.4885\\ 0.7219\\ -0.0731\\ 0.7746\\ 0.7590\\ -0.8772\\ 1.1630\\ -1.5502\\ -1.3448\\ 2.3611\\ 1.7252\\ 2.4561\end{array}\right]\end{array}$

$\begin{array}{c}w2=\\ \left[\begin{array}{cc}-0.2918& 0.3847\\ -0.3429& 0.1365\\ -0.5870& -1.1607\\ -0.0454& 0.4194\\ 0.3191& -0.0764\\ -0.1694& -0.7365\\ -0.3253& 0.7493\\ -0.6561& 0.2098\\ -0.0593& 0.2727\\ -1.3627& -0.4785\\ -0.6588& 1.0758\\ 0.4148& 0.9885\\ 0.3397& 0.6343\\ 1.0110& 0.5710\\ -0.7710& -0.9601\\ 0.3353& 1.1620\\ -0.0241& -1.1360\\ -1.0494& -0.8794\\ 0.5206& 0.3945\\ -0.3931& -1.0510\end{array}\right]\end{array}$

$\begin{array}{c}b2=\\ \left[\begin{array}{c}0.2499\\ 0.14015\end{array}\right]\end{array}$

本例子所涉及的自动控制系统是转子绕线机系统，校正后的系统要求具有如下性能：1)系统的最大输出速度是12°/s、输出位置的容许误差小于2°；2)控制系统剪切频率ω≥3.8，相角裕量γ≥30，超调量不大于30％。

根据校正后的转子绕线机系统的设计要求，得到的神经网络的输入量为：x1＝K＝6、x2＝α＝0.2、x3＝β＝0.5、x4＝γ＝30、x5＝ω＝3.8。

通过上述步骤获取的神经网络的输出量为：aT＝0.4651、T＝0.0125，即超前校正器的传递函数为：G_c(s)＝(1+0.4651s)/(1+0.0125s)。

图7-图9分别示出了引入超前校正器后系统的阶跃响应曲线、脉冲响应曲线、幅频波特图和相频波特图(其中，γ＝44.6860，ω_c＝4.2887)。

如上参照图1-图9描述了本发明所述的超前校正器结构参数的获取方法。本发明所述的超前校正器结构参数的获取方法，可以采用软件实现，也可以采用硬件实现，或采用软件和硬件组合的方式实现。

图10是方框图，示出了本发明的一个实施例所述的超前校正器结构参数的获取装置。如图10所示，本发明所述的超前校正器结构参数的获取装置1000包括：传递函数结构确定单元100、神经网络单元200、数据样本库300、神经网络训练单元400、超前校正器结构参数获取单元500，其中，

传递函数结构确定单元100确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω；

神经网络单元200根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数；

数据样本库300采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω；

神经网络训练单元400将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练；

超前校正器结构参数获取单元500将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。

尽管已经结合详细示出并描述的优选实施例公开了本发明，但是本领域技术人员应当理解，对于上述本发明所提出的超前校正器结构参数的获取方法和装置，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (4)

1.一种超前校正器结构参数的获取方法，包括：

a)确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω；

b)根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数；

c)采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω；

d)将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练；

e)将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。

2.根据权利要求1所述的超前校正器结构参数的获取方法，其中，在对所述神经网络进行训练的过程中，采用试凑算法获得所述神经网络隐含层的节点数l。

3.根据权利要求1所述的超前校正器结构参数的获取方法，其中，对所述神经网络进行训练的步骤包括：

第一步：初始化所述神经网络，任意赋予w1、w2、b1和b2初始值，其中，w1＝[w1_ij]，w2＝[w2_jk]，b1＝[b1_j]，b2＝[b2_k]；

第二步：输入所述多个数据样本中的一个未使用的数据样本中的K、α、β、γ、ω的值；

第三步：根据输入的K、α、β、γ、ω的值，向前计算所述神经网络的输出值；

第四步：计算该输出值与该未使用的数据样本中的aT和T之间的误差，并判断该误差是否小于预定值，如果小于，则转到第七步，如果不小于，则执行第五步；

第五步：反向计算所述神经网络的局部梯度；

第六步：根据计算出局部梯度修正w1、w2、b1、b2值，并执行第三步至第四步；

第七步：判断是否使用所有数据样本对所述神经网络进行了训练，如果判断为否，则返回第二步，如果判断为是，则完成了所述神经网络的训练。

4.一种超前校正器结构参数的获取装置，包括：传递函数结构确定单元、神经网络单元、数据样本库、神经网络训练单元、超前校正器结构参数获取单元，其中，

所述传递函数结构确定单元确定自动控制系统被控对象的传递函数结构G_p(s)为：

$G_P\left(s\right)=\frac{K}{s(\mathrm{\αs}+1)(\mathrm{\βs}+1)}---\left(1\right)$

其中，K、α、β为该自动控制系统被控对象的结构参数；确定超前校正器的传递函数结构G_c(s)为：

$G_C\left(s\right)=\frac{\mathrm{aTs}+1}{\mathrm{Ts}+1}---\left(2\right)$

其中，aT、T为该超前校正器的结构参数；并且确定引入该超前校正器后系统的期望的频域性能参数为相角裕量γ和剪切频率ω；

所述神经网络单元根据由(1)式确定的自动控制系统被控对象、由(2)式确定的超前校正器以及期望的频域性能参数，构造相应的神经网络，该神经网络包括输入层、隐含层和输出层，其中，输入层节点的输入为该自动控制系统被控对象的结构参数K、α、β以及期望的频域性能参数γ、ω，输出层节点的输出为该超前校正器的结构参数aT、T，并且该K、α、β、γ、ω与该aT、T通过隐含层节点联系如下：

$O_k=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\left(f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{\mathrm{ij}}{x}_i-{b1}_j)\right){w2}_{\mathrm{jk}}-{b2}_k---\left(3\right)$

其中，k＝1或2，O₁＝aT，O₂＝T,1≤i≤n，n＝5，x₁＝K，x₂＝α，x₃＝β，x₄＝γ，x₅＝ω，1≤j≤l，l为隐含层节点数，w1_ij表示输入层第i节点到隐含层第j节点的权值，b1_j表示输入层到隐含层第j个节点的阈值，w2_jk表示隐含层第j节点到输出层第k节点的权值，b2_k表示隐含层到输出层第k节点的阈值，f为tansig函数；

所述数据样本库采集多个已有的数据样本，每个已有的数据样本包括所述自动控制系统被控对象的结构参数K、α、β；引入的超前校正器的结构参数aT、T；以及引入该超前校正器后系统的频域性能参数γ、ω；

所述神经网络训练单元将所采集到的数据样本输入上述(3)式所表达的神经网络中，对该神经网络进行训练；

所述超前校正器结构参数获取单元将所述已有数据样本之外的K、α、β、γ、ω值输入所述训练好的神经网络中，获取与该K、α、β、γ、ω对应的超前校正器的结构参数aT、T。