MATLAB基于BP神经网络PID控制程序.docxVIP

MATLAB基于BP神经网络PID控制程序 %BP based PID Control clear all; close all; xite=0.20; %学习速率 alfa=0.01; %惯性因子 IN=4;H=5;Out=3; %NN Structure 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); %隐含层加权系数wi初始化 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); %输出层加权系数wo初始化 wo_1=wo;wo_2=wo;wo_3=wo; ts=20; %采样周期取值 x=[0,0,0]; %比例，积分，微分赋初值 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 隐含层的输出 I=Oh; %Input to NN middle layer 隐含层输入 error_2=0; error_1=0; for k=1:1:500 %仿真开始，共500步 time(k)=k*ts; rin(k)=1.0; %Delay plant sys=tf(1.2,[208 1],inputdelay,80); %建立被控对象传递函数? dsys=c2d(sys,ts,zoh); %把传递函数离散化? [num,den]=tfdata(dsys,v); %离散化后提取分子、分母 yout(k)=-den(2)*y_1+num(2)*u_5; error(k)=rin(k)-yout(k); xi=[rin(k),yout(k),error(k),1]; %经典增量式数字PID的控制算式为： BP神经网络PID的控制算式为： x(1)=error(k)-error_1; %比例输出 x(2)=error(k); %积分输出 x(3)=error(k)-2*error_1+error_2; %微分输出 epid=[x(1);x(2);x(3)]; I=xi*wi;% 隐含层的输入，即：输入层输入*权值 for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer在激活函数作用下隐含层的输出 end K=wo*Oh; %Output Layer 输出层的输入，即：隐含层的输出*权值 for l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd 输出层的输出，即三个pid控制器的参数 end 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); if u(k)=10 % Restricting the output of controller 控制器饱和环节 u(k)=10; end if u(k)=-10 u(k)=-10; end %以下为权值wi、wo的在线调整，参考刘金琨的《先进PID控制》 dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001)); %Output layer 输出层 for j=1:1:Out dK(j)=2/(exp(K(j))+exp(-K(j)))^2; end for l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l); end for l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); end end wo=wo_1+d_wo+al