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);