s函数-神经网络PID

我毕设是这个研究好几天了

终于有点头绪.虽然你是3年前发的我忍不住跟你分享一下.

估计还会有人需要。我找了整整几天在网上找不到任何有用的资料

等过几天答辩完了有新的理解会回来补充，就当造福后人了。

switch flag,

case 0

[sys,x0,str,ts]=mdlInitializeSizes(nh)

case 3

sys=mdlOutputs(t,x,u,nh,xite,alfa,KF1,KF2,wi,wo)

case { 1,2, 4, 9 }

sys=[]

otherwise

error(['Unhandled flag = ',num2str(flag)])

end

flag是标志位.不同的flag取值代表函数进行不同的运算，这里flag=0进行初始化运算，=3进行sys输出运算，其他的不运算。

function [sys,x0,str,ts] = mdlInitializeSizes(nh)

sizes = simsizes

sizes.NumContStates = 0

sizes.NumDiscStates = 0

sizes.NumOutputs = 4+7*nh % dynamically sized？

sizes.NumInputs = 14*nh+7 % dynamically sized？

sizes.DirFeedthrough = 1 % has direct feedthrough

sizes.NumSampleTimes = 1

sys = simsizes(sizes)

str = []

x0 = []

ts = [-1 0]

这些是必要的参数设置，分别是连续参数为0，离散参数为0，输出个数4+7*nh，输入个数14*nh+7（不知道4和7是哪来的？分别是输入参数和返回参数的数量），直接馈入（我也不知道是什么）为1，取样次数为1.设置完赋给sys输出。

str是没用的东西，x0是初始状态为空矩阵，这里你打错字了是ts=[T0]，ts是一个1X2的向量，ts（1）是采样周期，ts（2）是偏移量。

wi_2=wi+reshape(u(8:7+4*nh),nh,4)

wo_2=wo+reshape(u(8+4*nh:7+7*nh),3,nh)

wi_1=wi+reshape(u(8+7*nh:7+11*nh),nh,4)

wo_1=wo+reshape(u(8+11*nh:7+14*nh),3,nh)

这个是学习网络的建立过程，具体我也不懂。

xx=[u(1)-u(2)u(1)u(1)+u(3)-2*u(2)]

这句是增量式PID控制算法，应该是你说的PID部分，我也不太懂。

程序部分我就知道这些。

还有我好久才查到的，nh代表神经元个数，xite是学习速率,alfa惯性系数。

希望对再来看的人有帮助。

参考一下刘金琨的《先进PID控制》这本书。

例子：被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1)

其中a（k）=1.2(1-0.8e^(-0.1k))

输入信号：rin（k）=1.0和rin（k）=sin（2t）

%BP based PID Control

clear all

close all

xite=0.25//学习速率

alfa=0.05//惯性系数

S=1%Signal type

IN=4H=5Out=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

-1.07490.5543 -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=wiwi_2=wiwi_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=wowo_2=wowo_3=wo

end

if S==2 %Sine Signal

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]

%wi=0.50*rands(H,IN)

wi_1=wiwi_2=wiwi_3=wi

wo=[1.04380.54780.86820.14460.1537

0.17160.58111.12140.50670.7370

1.00630.74281.05340.78240.6494]

%wo=0.50*rands(Out,H)

wo_1=wowo_2=wowo_3=wo

end

x=[0,0,0]

u_1=0u_2=0u_3=0u_4=0u_5=0

y_1=0y_2=0y_3=0

Oh=zeros(H,1) %Output from NN middle layer

I=Oh%Input to NN middle layer

error_2=0

error_1=0

ts=0.001

for k=1:1:6000

time(k)=k*ts

if S==1

rin(k)=1.0

elseif S==2

rin(k)=sin(1*2*pi*k*ts)

end

%Unlinear model

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'

for j=1:1:H

Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)))%Middle Layer

end

K=wo*Oh%Output Layer

for l=1:1:Out

K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))) %Getting kp,ki,kd

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

u(k)=10

end

if u(k)<=-10

u(k)=-10

end

dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001))

%Output layer

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+alfa*(wo_1-wo_2)

%Hidden layer

for i=1:1:H

dO(i)=4/(exp(I(i))+exp(-I(i)))^2

end

segma=delta3*wo

for i=1:1:H

delta2(i)=dO(i)*segma(i)

end

d_wi=xite*delta2'*xi

wi=wi_1+d_wi+alfa*(wi_1-wi_2)

%Parameters Update

u_5=u_4u_4=u_3u_3=u_2u_2=u_1u_1=u(k)

y_2=y_1y_1=yout(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)

end

figure(1)

plot(time,rin,'r',time,yout,'b')

xlabel('time(s)')ylabel('rin,yout')

figure(2)

plot(time,error,'r')

xlabel('time(s)')ylabel('error')

figure(3)

plot(time,u,'r')

xlabel('time(s)')ylabel('u')

figure(4)

subplot(311)

plot(time,kp,'r')

xlabel('time(s)')ylabel('kp')

subplot(312)

plot(time,ki,'g')

xlabel('time(s)')ylabel('ki')

subplot(313)

plot(time,kd,'b')

xlabel('time(s)')ylabel('kd')

利用BP神经网络来整定PID，也许能实现。但是书本上的这个BP-PID理论书本是错误的。你仔细看看，它的输出激活函数的值域是【0，1】，PID的参数不可能是只在这个范围啊！可以说输出没有反归一化（值域扩展）。至于输入归一化，可用不做，但是输出在0和1之间，就是闹笑话了

---