BP神经网络整定的PID算法_matlab源程序

%BP based PID Control
clear all;
close all;

xite=0.28; % 学习速率
alfa=0.001; %惯性系数

IN=4;H=5;Out=3; %NN Structure（构造，神经网络结构）
wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;

wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo;%构成变量

Oh=zeros(H,1); %Output from NN middle layer
I=Oh; %Input to NN middle layer
error_2=0;
error_1=0;

ts=0.01;
sys=tf(2.6126,[1,3.201,2.7225]); %建立被控对象传递函数（LTI Viewer对象模型sys=tf(num,den)
将由传递函数模型所描述系统封装成对应的系统对象模型。
dsys=c2d(sys,ts,'z'); %把传递函数离散化（零阶保持器法离散化）
[num,den]=tfdata(dsys,'v'); %离散化后提取分子、分母（提取每项的常数）
for k=1:1:2000 %频率参数，构成一维数组
time(k)=k*ts;
rin(k)= 40;
yout(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_2+num(3)*u_3；
error(k)=rin(k)-yout(k);

xi=[rin(k),yout(k),error(k),1];
x(1)=error(k)-error_1; %计算P
x(2)=error(k); %计算I
x(3)=error(k)-2*error_1+error_2; %计算D
epid=[x(1);x(2);x(3)];
I=xi*wi'; %the output of the input layer , and 1*5
for j=1:1:H
Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle layer's output
end
K=wo*Oh; %Output Layer(the input of 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; % the increment(增加) of the output "u"
u(k)=u_1+du(k); % the output of the value of controlling
if u(k)>=45 % Restricting（限制）the output of controller
u(k)=45;
end
if u(k)<=-45
u(k)=-45;
end

dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001)); %当x<0时，sign(x)=-1当x=0时，sign(x)=0;
当x>0时，sign(x)=1。dyu(k)表示什么

%Output layer
for j=1:1:Out
dK(j)=2/(exp(K(j))+exp(-K(j)))^2; %the value of g'()
end
for l=1:1:Out
delta3(l)=error(k)*dyu(k)*epid(l)*dK(l); %输出值
end

for l=1:1:Out
for i=1:1:H
d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);%输出层权值的计算定义
end
end
wo=wo_1+d_wo+alfa*(wo_1-wo_2); %wo更新
%Hidden （隐藏）layer
for i=1:1:H
dO(i)=4/(exp(I(i))+exp(-I(i)))^2; %the value of the f'()
end
segma=delta3*wo; % the sum（总和）
for i=1:1:H
delta2(i)=dO(i)*segma(i); %求δ
end

d_wi=xite*delta2'*xi;
wi=wi_1+d_wi+alfa*(wi_1-wi_2);% 不就是wi修改更新的过程吗？个人认为：如果被控对象
的表达式:'yout'改变的话，权值修改的中间过程都不要改变，因为不管系统的输出是什么，
bp神经网络权值修改的公式都是一样的啊。有可能的话，可以把权值的初始值改一下，不
是必须的，反正神经网络会自己调整权值，只要不陷入局部极小值就可以了(对不同的系统
可以采取修改权值 学习效率和惯性系数来调整神经网络的控制效果)

%Parameters （参数，变量）Update（更新）
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); %最后为什么进行更新
y_2=y_1;y_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');

本来按照原来的传递函数是有图形的，但是换了传递函数就出现这个样子
是不是就像老师说的可以调节数轴。