基于BP神经网络自适应PID控制器设计.docVIP

基于BP神经网络的PID控制器设计基于BP神经网络的PID控制器PID控制是最早发展起来的、 应用领域至今仍然广泛的控制策略之一，它是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统。其优点是算法简单、 鲁棒性好和可靠性高。但是，由于实际工业生产过程往往具有非线性，许多非线性系统难以确定精确的数学模型，常规的PID控制器就不能达到理想的控制效果，由于受到参数整定方法烦杂的困扰，参数往往整定不良、 性能欠佳。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。基于BP网络的自适应PID控制器，通过BP神经网络调整自身权系数，对PID控制参数进行调节，以达到某种性能指标的最优。 基于BP神经网络的PID控制器基于BP神经网络的PID控制 此控制器由两部分组成： （1）经典的PID控制器，直接对被控对象进行闭环控制，并且三个参数，，为在线调整方式； （2）神经网路，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，是输出层神经元的输出状态对应于PID控制器的一个可调参数，，。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制率下的PID控制器参数。 基于BP神经网络的PID控制器 该控制器的算法如下： （1）确定BP神经网络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，，； （4）根据经典增量数字PID的控制PID控制u(k)； （5）进行神经网络学习，在线调整加权系数和实现PID控制%BP based PID Control clear all; close all; xite=0.25; alfa=0.05; S=1; %Signal type IN=4;H=5;Out=3; %NN Structure if S==1 %Step Signal wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi; wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H); wo_1=wo;wo_2=wo;wo_3=wo; end if S==2 %Sine Signal wi=[-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324]; %wi=0.50*rands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi; wo=[1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494]; %wo=0.50*rands(Out,H); wo_1=wo;wo_2=wo;wo_3=wo; end 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); %Output from NN middle layer I=Oh; %Input to NN middle layer