基于某BP神经网络地自适应PID控制器设计Word格式文档下载.docx
《基于某BP神经网络地自适应PID控制器设计Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《基于某BP神经网络地自适应PID控制器设计Word格式文档下载.docx（11页珍藏版）》请在冰点文库上搜索。
基于BP神经网络的自适应PID控制器的控制器如图2所示：
该控制器的算法如下：
（1）确定BP神经网络的结构，即确定输入节点数M和隐含层节点数Q，并给各层加权系数的初值
和
，选定学习速率
和惯性系数
，此时k=1；
（2）采样得到rin（k）和yout（k），计算该时刻误差error（k）=rin（k）-yout（k）；
（3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数
；
（4）根据经典增量数字PID的控制算法（见下式）计算PID控制器的输出u（k）；
（5）进行神经网络学习，在线调整加权系数
实现PID控制参数的自适应调整；
（6）置k=k+1，返回到
（1）。
三．仿真程序
%BPbasedPIDControl
clearall;
closeall;
xite=0.25;
alfa=0.05;
S=1;
%Signaltype
IN=4;
H=5;
Out=3;
%NNStructure
ifS==1%StepSignal
wi=[-0.6394-0.2696-0.3756-0.7023;
-0.8603-0.2013-0.5024-0.2596;
-1.07490.5543-1.6820-0.5437;
-0.3625-0.0724-0.6463-0.2859;
0.14250.0279-0.5406-0.7660];
%wi=0.50*rands（H,IN）;
wi_1=wi;
wi_2=wi;
wi_3=wi;
wo=[0.75760.26160.5820-0.1416-0.1325;
-0.11460.29490.83520.22050.4508;
0.72010.45660.76720.49620.3632];
%wo=0.50*rands（Out,H）;
wo_1=wo;
wo_2=wo;
wo_3=wo;
end
ifS==2%SineSignal
wi=[-0.28460.2193-0.5097-1.0668;
-0.7484-0.1210-0.47080.0988;
-0.71760.8297-1.60000.2049;
-0.08580.1925-0.63460.0347;
0.43580.2369-0.4564-0.1324];
wo=[1.04380.54780.86820.14460.1537;
0.17160.58111.12140.50670.7370;
1.00630.74281.05340.78240.6494];
x=[0,0,0];
u_1=0;
u_2=0;
u_3=0;
u_4=0;
u_5=0;
y_1=0;
y_2=0;
y_3=0;
Oh=zeros（H,1）;
%OutputfromNNmiddlelayer
I=Oh;
%InputtoNNmiddlelayer
error_2=0;
error_1=0;
ts=0.001;
fork=1:
1:
6000
time（k）=k*ts;
ifS==1
rin（k）=1.0;
elseifS==2
rin（k）=sin（1*2*pi*k*ts）;
%Unlinearmodel
a（k）=1.2*（1-0.8*exp（-0.1*k））;
yout（k）=a（k）*y_1/（1+y_1^2）+u_1;
error（k）=rin（k）-yout（k）;
xi=[rin（k）,yout（k）,error（k）,1];
x
（1）=error（k）-error_1;
x
（2）=error（k）;
x（3）=error（k）-2*error_1+error_2;
epid=[x
（1）;
x
（2）;
x（3）];
I=xi*wi'
;
forj=1:
H
Oh（j）=（exp（I（j））-exp（-I（j）））/（exp（I（j））+exp（-I（j）））;
%MiddleLayer
K=wo*Oh;
%OutputLayer
forl=1:
Out
K（l）=exp（K（l））/（exp（K（l））+exp（-K（l）））;
%Gettingkp,ki,kd
kp（k）=K
（1）;
ki（k）=K
（2）;
kd（k）=K（3）;
Kpid=[kp（k）,ki（k）,kd（k）];
du（k）=Kpid*epid;
u（k）=u_1+du（k）;
ifu（k）>
=10%Restrictingtheoutputofcontroller
u（k）=10;
ifu（k）<
=-10
u（k）=-10;
dyu（k）=sign（（yout（k）-y_1）/（u（k）-u_1+0.0000001））;
%Outputlayer
dK（j）=2/（exp（K（j））+exp（-K（j）））^2;
delta3（l）=error（k）*dyu（k）*epid（l）*dK（l）;
fori=1:
d_wo=xite*delta3（l）*Oh（i）+alfa*（wo_1-wo_2）;
end
wo=wo_1+d_wo+alfa*（wo_1-wo_2）;
%Hiddenlayer
fori=1:
dO（i）=4/（exp（I（i））+exp（-I（i）））^2;
segma=delta3*wo;
delta2（i）=dO（i）*segma（i）;
d_wi=xite*delta2'
*xi;
wi=wi_1+d_wi+alfa*（wi_1-wi_2）;
%ParametersUpdate
u_5=u_4;
u_4=u_3;
u_3=u_2;
u_2=u_1;
u_1=u（k）;
y_2=y_1;
y_1=yout（k）;
wo_3=wo_2;
wo_2=wo_1;
wi_3=wi_2;
wi_2=wi_1;
error_2=error_1;
error_1=error（k）;
figure
（1）;
plot（time,rin,'
r'
time,yout,'
b'
）;
xlabel（'
time（s）'
ylabel（'
rin,yout'
figure
（2）;
plot（time,error,'
error'
figure（3）;
plot（time,u,'
u'
figure（4）;
subplot（311）;
plot（time,kp,'
kp'
subplot（312）;
plot（time,ki,'
g'
ki'
subplot（313）;
plot（time,kd,'
kd'
四．运行结果
升级会员 