什么是bp神经网络pid控制

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')

楼主的这个问题已经是六年前的问题了（今天2021年5月），不知道楼主现在还关注这个话题不？神经网络自整定PID肯定是有效的。目前，神经网络自整定PID主要面临三个问题：一是初值选择的问题，不合理的初值很容易使闭环系统不稳定；二是神经网络自整定PID自身需要人为设定的参数较多，PID控制自身只需要三个人为设定参数，神经网络自整定PID则需要四个（三个初值和一个学习因子），这使得神经网络自整定PID比传统PID算法还要麻烦；三是缺乏完整的理论稳定性证明，神经网络自整定PID在线更新规则早已稳定，并且被广泛引用和应用，而基于神经网络自整定PID的闭环系统稳定性证明一直没有得到很好的解决，某种程度上，这限制了神经网络自整定PID的推广。

我个人也做了一些这样的研究，感兴趣的话可以参考我的一篇期刊论文。

Data-Driven Tracking Control Based on LM and PID Neural Network with Relay Feedback for Discrete Nonlinear Systems

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

---