發(fā)動(dòng)機(jī)傳動(dòng)電機(jī)的轉(zhuǎn)速控制BP+PID

1、目錄一、設(shè)計(jì)題目1二、系統(tǒng)的工作原理2三、BP神經(jīng)網(wǎng)絡(luò)33.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)33.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法4四、基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器64.1 PID控制器64.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器7五、程序代碼及結(jié)果分析105.1程序代碼105.2仿真結(jié)果13六、結(jié)論15一、設(shè)計(jì)題目柴油-電力機(jī)車傳動(dòng)電機(jī)的轉(zhuǎn)速控制柴油機(jī)有著十分廣泛的用途，它可用來驅(qū)動(dòng)內(nèi)燃機(jī)車的傳動(dòng)電機(jī)，從而保證重型列車的正常運(yùn)行。但是柴油機(jī)的工作效率對(duì)轉(zhuǎn)速非常敏感，因此為了提高其工作效率，應(yīng)該控制傳動(dòng)電機(jī)的轉(zhuǎn)速。圖中給出了柴油內(nèi)燃機(jī)車的電力傳動(dòng)模型。柴油機(jī)wrvrv0vd常量放大器if Lf Rf ia La Ra 發(fā)

2、電機(jī)電機(jī)測(cè)速機(jī)負(fù)載w0，J，bvfVg圖1-1 轉(zhuǎn)速控制模型移動(dòng)輸入電位計(jì)的游標(biāo)，可設(shè)置控制閥的位置，從而設(shè)定傳動(dòng)電機(jī)的預(yù)期轉(zhuǎn)速wr。負(fù)載轉(zhuǎn)速w0是受控變量，其實(shí)際值由測(cè)速機(jī)測(cè)量。測(cè)速機(jī)由電機(jī)軸上的皮帶驅(qū)動(dòng)，其輸出電壓v0是系統(tǒng)的反饋?zhàn)兞?。由于輸入電位?jì)提供了預(yù)期參考電壓，由此可求得參考電壓與反饋電壓間的偏差為( vr - v0 )。放大器將偏差電壓放大后，生成電壓信號(hào)vf，并用作直流發(fā)電機(jī)的線圈磁場(chǎng)電壓。在電力傳動(dòng)系統(tǒng)中，柴油機(jī)的輸出轉(zhuǎn)速恒為wq，直流發(fā)電機(jī)由柴油機(jī)驅(qū)動(dòng)，其輸出電壓Vg是電樞控制直流電機(jī)的驅(qū)動(dòng)電壓。此外電樞控制直流電機(jī)的勵(lì)磁磁場(chǎng)電流i也保持恒定不變。在上述條件下，由于VR的作

3、用，直流電機(jī)將產(chǎn)生力矩T，并使負(fù)載轉(zhuǎn)速w0逐漸趨近于預(yù)期轉(zhuǎn)速wr。已知：l 電機(jī)的反電動(dòng)勢(shì)系數(shù)為Kb31/50；l 與電機(jī)有關(guān)的參數(shù)為J=1，b=1，La=0.2，Ra=1；l 發(fā)電機(jī)有關(guān)的參數(shù)為勵(lì)磁電阻Rf=1，勵(lì)磁電感Lf=0.1，Lg=0.1，Rg=1；l 測(cè)速機(jī)增益Kt=1；l 發(fā)電機(jī)常數(shù)Kg，電機(jī)常數(shù)Km自定；二、系統(tǒng)的工作原理本系統(tǒng)利用移動(dòng)輸入電位計(jì)的游標(biāo)，可設(shè)置控制閥的位置，從而設(shè)定傳動(dòng)電機(jī)的預(yù)期轉(zhuǎn)速wr，在移動(dòng)輸入電位計(jì)兩端加有電源，每當(dāng)游標(biāo)移動(dòng)一定距離，電位計(jì)上輸出電壓也跟隨變化，該變化的電壓（由輸入電位計(jì)提供的的預(yù)期參考電壓）與電動(dòng)機(jī)反饋回來的電壓值v0進(jìn)行比較，得到一個(gè)電

4、壓差vr - v0。電壓差V1輸入運(yùn)算放大器K，根據(jù)放大器“虛短”與“虛虧”方法，放大器K的放大系數(shù)為540，電壓差V1經(jīng)過放大器K放大后輸出電壓信號(hào)V2，并用作直流發(fā)電機(jī)的線圈磁場(chǎng)電壓。在電力傳動(dòng)系統(tǒng)中，柴油機(jī)的輸出轉(zhuǎn)速恒為wq，直流發(fā)電機(jī)由柴油機(jī)驅(qū)動(dòng)，其輸出電壓Vg是電樞控制直流電機(jī)的驅(qū)動(dòng)電壓，直流電機(jī)帶動(dòng)負(fù)載轉(zhuǎn)動(dòng)并由測(cè)速機(jī)測(cè)量其實(shí)際轉(zhuǎn)速w0。測(cè)速機(jī)由電機(jī)軸上的皮帶驅(qū)動(dòng)，其輸出電壓v0是系統(tǒng)的反饋?zhàn)兞?。此外電樞控制直流電機(jī)的勵(lì)磁磁場(chǎng)電流i也保持恒定不變。其中，控制系統(tǒng)的被控對(duì)象是電動(dòng)機(jī)，發(fā)電機(jī)；被控量是電壓；系統(tǒng)的輸入量為轉(zhuǎn)速wr，輸出量為轉(zhuǎn)速w0；給定量是移動(dòng)輸入電位計(jì)，功率放大器K，測(cè)

5、速發(fā)電機(jī)。系統(tǒng)模型及結(jié)構(gòu)圖如下：功率放大器直流發(fā)電機(jī)電樞控制電路傳感器r(t)期望轉(zhuǎn)速負(fù)載轉(zhuǎn)速0(t)+ 圖 2-1 系統(tǒng)模型540 1圖2-2 系統(tǒng)結(jié)構(gòu)圖 系統(tǒng)傳遞函數(shù)求解：由上述框架結(jié)構(gòu)圖可以看出該系統(tǒng)為一個(gè)四階系統(tǒng)，為求解方便將其化簡(jiǎn)成一個(gè)二階系統(tǒng)（除去不大的極點(diǎn)），其結(jié)構(gòu)框圖如下圖2.3：54010.62圖2-3 化簡(jiǎn)后的系統(tǒng)傳遞函數(shù)結(jié)構(gòu)圖簡(jiǎn)化思路如下：由于勵(lì)磁電感遠(yuǎn)小于勵(lì)磁電阻，故勵(lì)磁電感可以忽略。建立系統(tǒng)的數(shù)學(xué)模型和傳遞函數(shù)一般表達(dá)式：比較電路 V1=Vr-V0;(Vr輸入電壓，V1為偏差電壓)回饋電路 電機(jī)的反電動(dòng)勢(shì)系數(shù)為Kb31/50；放大電路 V10=1.5（正常工作點(diǎn)）；V

6、2=2e3v1發(fā)電機(jī)電路：電機(jī)電路：測(cè)速電路：測(cè)速機(jī)增益Kt=1；所以系統(tǒng)的開環(huán)傳遞函數(shù)為：系統(tǒng)的閉環(huán)傳遞函數(shù)為：三、BP神經(jīng)網(wǎng)絡(luò)3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)大腦是一部不尋常的智能機(jī)，它能以驚人的高速度解釋感覺器官傳來的含糊不清的信息。它能覺察到喧鬧房間內(nèi)的竊竊私語，能夠識(shí)別出光線暗淡的胡同中的一張面孔，更能通過不斷地學(xué)習(xí)而產(chǎn)生偉大的創(chuàng)造力。所謂神經(jīng)網(wǎng)路系統(tǒng)是利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一種技術(shù)系統(tǒng)，它是一種大規(guī)模并行的非線性動(dòng)力學(xué)系統(tǒng)。嚴(yán)格地講神經(jīng)網(wǎng)絡(luò)應(yīng)該稱為人工神經(jīng)網(wǎng)絡(luò)，為了簡(jiǎn)化起見，一般省略人工二字直接稱神經(jīng)網(wǎng)絡(luò)，可簡(jiǎn)記為 NN（Neural Network）。由于神經(jīng)網(wǎng)絡(luò)

7、具有信息的分布存儲(chǔ)、并行處理以及自學(xué)習(xí)等優(yōu)點(diǎn)，所以它在信息處理、模式識(shí)別，智能控制等領(lǐng)域有著廣闊的應(yīng)用前景。人工神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)不是利用物理器件來完整的復(fù)制生物體中細(xì)胞網(wǎng)絡(luò)，而是采納其可利用的部分來解決目前計(jì)算機(jī)或其它系統(tǒng)不能解決的問題，如學(xué)習(xí)、識(shí)別、控制和專家系統(tǒng)等。隨著生物和認(rèn)知科學(xué)的發(fā)展，人們對(duì)人腦的結(jié)構(gòu)和認(rèn)知過程的了解越來越深入，促進(jìn)了人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，越來越多的生物特性將被利用到工程中去。圖3-1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3-1所示。由圖可見，BP網(wǎng)絡(luò)是一種具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接

8、。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實(shí)際輸出之間誤差的方向，從輸出層反向經(jīng)過各中間層回到輸入層，從而逐層修正各連接權(quán)值，這種算法稱為“誤差反向傳播算法”，即BP算法。隨著這種誤差逆向的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。與感知器不同的是，由于誤差反向傳播中會(huì)對(duì)傳遞函數(shù)進(jìn)行求導(dǎo)計(jì)算，BP網(wǎng)絡(luò)的傳遞函數(shù)要求必須是可微的，所以不能使用感知器網(wǎng)絡(luò)中的硬閉值傳遞函數(shù)，常用的有sigmoid型對(duì)數(shù)、正切函數(shù)或線性函數(shù)。由于傳遞函數(shù)是處處可微的，所以對(duì)BP網(wǎng)絡(luò)來說，一方面，所劃分的區(qū)域不再

9、是一個(gè)線性劃分，而是由一個(gè)非線性超平面組成的區(qū)域，它是比較平滑的曲面，因而它的分類比線性劃分更加精確，容錯(cuò)性也比線性劃分更好;另一方面，網(wǎng)絡(luò)可以嚴(yán)格采用梯度下降法進(jìn)行學(xué)習(xí)，權(quán)值修正的解析式十分明確。3.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法設(shè)有n個(gè)輸入節(jié)點(diǎn)，;q個(gè)輸出節(jié)點(diǎn)，;網(wǎng)絡(luò)層的隱含節(jié)點(diǎn)有p個(gè)神經(jīng)元。輸入層第i個(gè)單元至隱含層第j個(gè)單元連接權(quán)。隱含層第j個(gè)單元至輸出層第t個(gè)單元連接權(quán)。隱含層各單元的閾值為，輸出層各個(gè)單元的閾值為，在訓(xùn)練該網(wǎng)絡(luò)的學(xué)習(xí)階段，設(shè)有N組訓(xùn)練樣本，先假定用其中的某一固定樣本k輸入輸出模式對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。輸入層:n個(gè)輸入，;也就是輸入樣本。中間層: （1）；j=1,2p（2）輸出層：；t

10、=1,2,q（3）（4）為了模擬生物神經(jīng)元的非線性特性，激勵(lì)函數(shù)常選用s函數(shù)（5）S函數(shù)不但具有可微分性，而且具有飽和非線性特性，這又增強(qiáng)了網(wǎng)絡(luò)的非線性映射能力。S函數(shù)的微分函數(shù)為:=（6）單元輸出閉值是為模擬神經(jīng)元的閉值電位而設(shè)置的，在網(wǎng)絡(luò)的學(xué)習(xí)過程中，它和各連接權(quán)一樣不斷的被修正。閡值的作用反應(yīng)在S函數(shù)的輸出曲線上，使曲線向左平移了閡值大小的單位，它起到了調(diào)節(jié)神經(jīng)元興奮水平的作用。定義第N個(gè)標(biāo)準(zhǔn)模式的誤差函數(shù)為: （7）學(xué)習(xí)過程按使誤差Ek減少最快的方向調(diào)整權(quán)值系數(shù)，直到獲得滿意的權(quán)值為止。根據(jù)梯度下降原則使連接權(quán)的調(diào)整量與的負(fù)值稱比例，連接權(quán)的修正公式如下: 式中t=l，2，.q;j=l

11、，2，p;0<<1（8）相應(yīng)的閉值公式為:（9）若連接權(quán)值不直接作用于輸出層神經(jīng)元，情況就有所不同了，但仍按梯度下降法（10）（11）（12）于是（13）同理（14）BP網(wǎng)絡(luò)學(xué)習(xí)算法計(jì)算步驟如下:(l)初始化，置所有的連接權(quán)值，為隨機(jī)數(shù)(2)提供訓(xùn)練集，即給出順序賦值的輸入向量和期望的輸出向量。(3)計(jì)算中間層和輸出層的各神經(jīng)元實(shí)際輸出。(4)計(jì)算期望輸出與實(shí)際輸出的偏差。(5)計(jì)算和，調(diào)整中間層至輸出層的連接權(quán)和閉值。(6)計(jì)算和，調(diào)整輸入層至中間層的連接權(quán)和閉值。(7)返回2，直至誤差滿意為止。四、基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器4.1 PID控制器PID 控制器是一個(gè)在工業(yè)控制

12、應(yīng)用中常見的反饋回路部件。這個(gè)控制器把收集到的數(shù)據(jù)和一個(gè)參考值進(jìn)行比較，然后把這個(gè)差別用于計(jì)算新的輸入值，這個(gè)新的輸入值的目的是可以讓系統(tǒng)的數(shù)據(jù)達(dá)到或者保持在參考值。和其他簡(jiǎn)單的控制運(yùn)算不同，PID控制器可以根據(jù)歷史數(shù)據(jù)和差別的出現(xiàn)率來調(diào)整輸入值，這樣可以使系統(tǒng)更加準(zhǔn)確，更加穩(wěn)定。可以通過數(shù)學(xué)的方法證明，在其他控制方法導(dǎo)致系統(tǒng)有穩(wěn)定誤差或過程反復(fù)的情況下，一個(gè)PID反饋回路卻可以保持系統(tǒng)的穩(wěn)定。4.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器BP神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)的能力，而且結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明了。通過神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的能力，可以找到某一最優(yōu)控制規(guī)律下的P、I、D參數(shù)。基于BP神經(jīng)網(wǎng)絡(luò)的PID控

13、制系統(tǒng)結(jié)構(gòu)如圖3-1所示?？刂破饔袃刹糠纸M成:(1)經(jīng)典的PID控制器，直接對(duì)被控對(duì)象過程閉環(huán)控制，并且三個(gè)參數(shù)Kp，Ki，Kd為在線整定式;(2)神經(jīng)網(wǎng)絡(luò)NN:根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制的參數(shù)，以期望達(dá)到某種性能指標(biāo)的最優(yōu)化。即使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)參數(shù)Kp，Ki，Kd，通過神經(jīng)網(wǎng)絡(luò)的自身學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，從而使其穩(wěn)定狀態(tài)對(duì)應(yīng)于某種最優(yōu)控制規(guī)律下的PID控制參數(shù)。圖4- 1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)圖增量式PID控制算法描述如下： (15)在上式中Kp、Ki、Kd分別為比例、積分和微分系數(shù);e(k)為系統(tǒng)實(shí)際輸出和期望值之間的誤差;u(k)為控制

14、器的輸出。BP神經(jīng)網(wǎng)絡(luò)的輸入變量個(gè)數(shù)取決于被控系統(tǒng)的復(fù)雜程度，輸出節(jié)點(diǎn)對(duì)應(yīng)的是PID的三個(gè)可調(diào)參數(shù)。由于輸出不能為負(fù)，所以輸出層激活函數(shù)取非負(fù)的sigmoid函數(shù)（）隱含層取正負(fù)對(duì)稱的Sigmoid函數(shù)（）。由此，我們構(gòu)造一個(gè)三層BP網(wǎng)絡(luò)的結(jié)構(gòu)為3-8-3所設(shè)計(jì)出的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4-2所示：圖4-2三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖圖4-2中，網(wǎng)絡(luò)輸入層的輸入、輸出為： (16)其中，將網(wǎng)絡(luò)的輸入變量作為控制器的輸入，即 (17)網(wǎng)絡(luò)隱含層的輸入、輸出為: (18)式中，可，為隱含層加權(quán)系數(shù);i=l，2，8；上角標(biāo)(l)、(2)、(3)分別代表輸入層、隱含層、輸出層。網(wǎng)絡(luò)輸出層的輸入、輸出為：

15、(19)式中，輸出層輸出節(jié)點(diǎn)分別對(duì)應(yīng)三個(gè)可調(diào)參數(shù)Kp、Ki、Kd。取性能指標(biāo)函數(shù)為: (20)一般地，按照梯度下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按E(k)對(duì)加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一使搜索快速收斂全局極小的慣性項(xiàng) (21)式中，叮為學(xué)習(xí)速率，a為慣性系數(shù)。 (22)又有 (23)則有 (24)由于未知，可以用一個(gè)BP網(wǎng)絡(luò)建立一個(gè)被控對(duì)象的辨識(shí)模型，再用此模型去訓(xùn)練BP網(wǎng)絡(luò)控制器，以解決權(quán)值修正時(shí)導(dǎo)數(shù)項(xiàng)的計(jì)算。本文近似用符號(hào)函數(shù)取代，從而簡(jiǎn)化計(jì)算。由此帶來計(jì)算不精確的影響可以通過調(diào)整學(xué)習(xí)速率來補(bǔ)償。上述分析可得網(wǎng)絡(luò)輸出層加權(quán)系數(shù)的學(xué)習(xí)算法為: (25)同理可得到隱含層加權(quán)系數(shù)的學(xué)習(xí)方法 (2

16、6)式中，。該控制器控制算法歸納如下:(l)確定BP網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出各層加權(quán)系數(shù)的初值和，選定學(xué)習(xí)速率和慣性系數(shù)，此時(shí)k=1。(2)采樣得到和，計(jì)算該時(shí)刻誤差。(3)計(jì)算神經(jīng)網(wǎng)絡(luò)NN各層神經(jīng)元的輸入、輸出，NN輸出層的輸出即為PID控制器的三個(gè)可調(diào)參數(shù)KP，Ki，Kd。(4)根據(jù)式4一17計(jì)算PID控制器的輸出u(l)。(5)進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)和，實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整。(6)置k=k+l，返回到(2)。五、程序代碼及結(jié)果分析5.1程序代碼clear all;close all;% 系統(tǒng)參數(shù)賦初值%xite=0.000001; %

17、學(xué)習(xí)速率alfa=0.15; %慣性系數(shù)IN=4;H=5;Out=3;%wi=0.50*rands(H,IN); %神經(jīng)網(wǎng)絡(luò)權(quán)值初始化wi=-0.6534 -0.2842 -0.3906 -0.7250;-0.8085 -0.1476 -0.4470 -0.1870;-1.0428 0.5876 -1.6474 -0.4955;-0.2832 0.0095 -0.5620 -0.1779;0.4151 0.3087 -0.2521 -0.4145;wi_1=wi;wi_2=wi;wi_3=wi;%wo=0.50*rands(Out,H);wo= 0.7588 0.2628 0.5832 -0.

18、1404 -0.1313;-0.1134 0.2961 0.8364 0.2217 0.4520;0.7213 0.4578 0.7684 0.4974 0.3644;wo_1=wo;wo_2=wo;wo_3=wo;x=0,0,0;u_1=0.0;u_2=0.0;u_3=0.0;u_4=0;u_5=0; %PID輸出賦初值，為方便后面的y_1=0.0;y_2=0.0;y_3=0.0;y_4=0;y_5=0; %輸出給0值error_1=0;error_2=0;Oh=zeros(H,1);I=Oh; %隱含層輸入賦初值% 計(jì)算%ts=0.09for k=1:1:500time(k)=k*ts;r

19、in(k)=200;Kg=6;Km=4;num=5400*Kg*Km; %Unlinear modelden=1,11+0.62*Km,10+(6.2+5400*Kg)*Km;sys=tf(num,den); %傳遞函數(shù)G(s)離散化dsys=c2d(sys,ts,'z');num,den=tfdata(dsys,'v');yout(k)=-den(3)*y_2-den(2)*y_1+num(3)*u_2+num(2)*u_1; %輸出y離散化error(k)=rin(k)-yout(k);xi=error(k),error_1,error_2,1; %輸入層給

20、值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' %隱含層節(jié)點(diǎn)輸入for j=1:1:HOh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j);end %隱含層活化函數(shù)tanhx變成了歐拉形式K=wo*Oh; %輸出層節(jié)點(diǎn)輸入for l=1:1:OutK(l)=exp(K(l)/(exp(K(l)+exp(-K(l); %輸出層活化函數(shù)變成了歐拉氏求解endkp(k)=K(1);ki(k)=K(2);kd(

21、k)=K(3); %得到kp,ki,kd參數(shù)值Kpid=kp(k),ki(k),kd(k);du(k)=Kpid*epid; %計(jì)算U(k)u(k)=u_1+du(k);% 反向修正% 輸出層dyu(k)=sign(yout(k)-y_1)/(u(k)-u_1+0.0000001);for j=1:1:OutdK(j)=2/(exp(K(j)+exp(-K(j)2;endfor l=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l); % dJ/dWoendfor l=1:1:Outfor i=1:1:Hd_wo=xite*delta3(l)*Oh(i

22、)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%隱含層for i=1:1:HdO(i)=4/(exp(I(i)+exp(-I(i)2;endsegma=delta3*wo;for i=1:1:Hdelta2(i)=dO(i)*segma(i);endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%數(shù)據(jù)更新，循環(huán)修正u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_5=y_4;y_4=y_3;y_3=y_2;y_2=y_1;y_1=y

23、out(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endwi %找到較為合適的權(quán)值，縮小調(diào)整范圍wo% % 繪圖%figure(1);plot(time,rin,'r',time,yout,'b');xlabel('time(s)');ylabel('rin,yout'); %被控對(duì)象yfigure(2);plot(time,error,'r');xlabel('ti

24、me(s)');ylabel('error'); %誤差figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u'); %pid輸出ufigure(4);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp'); %，值subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');5.2仿真結(jié)果圖5-1圖5-2圖5-3圖5-4由上面幾幅圖可以看到，BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)在5s時(shí)刻期望輸出與實(shí)際輸出基本吻合，誤差也接近于0，在性能上要優(yōu)于常規(guī)PID控制系