模糊PID控制器..docVIP

模糊PID控制器 智能控制是一门新兴的理论和技术，它是传统控制发展的高级阶段，主要用来解决那些传统方法难以解决的控制对象参数在大范围变化的问题，其思想是解决PID参数在调整问题的有效途径。 近年来，智能控制无论是理论上还是技术上均得到了长足的发展，随之不断涌现将智能控制方法和常规PID控制方法融合在一起的新方法，形成了许多形式的智能PID控制器，如模糊PID控制器、神经元PID控制、专家PID控制等。这些方案的理论依据不同，采用的手段也不同，但它们都是针对如何选取和调整PID参数，都是保持PID控制器结构的基础上，采用新的方法确定PID参数。这些方法在一定程度上提高了PID控制器的性能，但这些方法一般是针对某些具体的问题，缺乏通用性，附加的结构与算法也增加了控制器的复杂性，因此不能得到广泛的应用。 神经元PID控制 随着神经元网络的研究与应用，人们开始采用神经元网络与PID控制相结合，以便改进传统PID控制的性能，这方面的研究已经取得了一些成果。 由具有自学习和自适应能力的单神经元构成单神经元自适应智能PID控制器，不但结构简单，而且能适应环境的变化，有较强的顽健性。下面介绍几种典型的学习规则。 无监督Hebb学习规则 Hebb学习是一类相关学习，其基本思想是：如果两个神经元同时被激活，则它们之间的连接强度的增强与它们激励的乘积成正比，以表示神经元的激活指，表示神经元的激活值，表示神经元和神经元的连接权值，则Hebb学习规则可表示 式中，为学习速率。 有监督的Delta学习规则 在Hebb学习规则中，引入教师信号，即将换成希望输出与实际输出之差，就构成有监督学习的Delta学习规则，即 有监督的Hebb学习规则 将无监督的Hebb学习规则和有监督的Delta学习两者结合起来就构成有监督的Hebb学习规则，即 单神经元自适应PID控制结构如图所示 单神经元自适应控制器是通过对加权系数 %Fuzzy Tunning PID Control clear all; clear all; a=newfis(fuzzpid); a=addvar(a,input,e,[-3,3]); %Parameter e a=addmf(a,input,1,NB,zmf,[-3,-1]); a=addmf(a,input,1,NM,trimf,[-3,-2,0]); a=addmf(a,input,1,NS,trimf,[-3,-1,1]); a=addmf(a,input,1,Z,trimf,[-2,0,2]); a=addmf(a,input,1,PS,trimf,[-1,1,3]); a=addmf(a,input,1,PM,trimf,[0,2,3]); a=addmf(a,input,1,PB,smf,[1,3]); a=addvar(a,input,ec,[-3,3]); %Parameter ec a=addmf(a,input,2,NB,zmf,[-3,-1]); a=addmf(a,input,2,NM,trimf,[-3,-2,0]); a=addmf(a,input,2,NS,trimf,[-3,-1,1]); a=addmf(a,input,2,Z,trimf,[-2,0,2]); a=addmf(a,input,2,PS,trimf,[-1,1,3]); a=addmf(a,input,2,PM,trimf,[0,2,3]); a=addmf(a,input,2,PB,smf,[1,3]); a=addvar(a,output,kp,[-0.3,0.3]); %Parameter kp a=addmf(a,output,1,NB,zmf,[-0.3,-0.1]); a=addmf(a,output,1,NM,trimf,[-0.3,-0.2,0]); a=addmf(a,output,1,NS,trimf,[-0.3,-0.1,0.1]); a=addmf(a,output,1,Z,trimf,[-0.2,0,0.2]); a=addmf(a,output,1,PS,trimf,[-0.1,0.1,0.3]); a=addmf(a,output,1,PM,trimf,[0,0.2,0.3]); a=addmf(a,output,1,PB,smf,[-0.1,0.3]);