BP神经网络 PID控制simulink仿真

 

 

function [sys,x0,str,ts]=my_exppidf(t,x,u,flag) switch flag,case 0,[sys,x0,str,ts]=mdlInitializeSizes;case 2,sys=mdlUpdates(x,u);case 3,sys=mdlOutputs(t,x,u);case {1,4,9},sys=[];otherwiseerror(['unhandled flag=',num2str(flag)]);%异常处理 end function[sys,x0,str,ts]=mdlInitializeSizessizes=simsizes;%用于设置模块参数的结构体用simsizes来生成sizes.NumContStates=0;%模块连续状态变量的个数sizes.NumDiscStates=3;%模块离散状态变量的个数sizes.NumOutputs=4;%模块输出变量的个数sizes.NumInputs=7;%模块输入变量的个数sizes.DirFeedthrough=1;%模块是否存在直接贯通，1表示存在直接贯通，若为0，则mdlOutputs函数里不能有usizes.NumSampleTimes=1;%模块的采样时间个数,至少是一个sys=simsizes(sizes);%设置完后赋给sys输出x0=zeros(3,1);%系统状态变量设置str=[];ts=[0 0];%采样周期设为0表示是连续系统， % ts=[0.001 0];%采样周期设为0表示是连续系统， function sys=mdlUpdates(x,u)T=0.001;x=[u(5);x(2)+u(5)*T;(u(5)-u(4))/T];%3个状态量（偏差、偏差和以及偏差变化量），u(5)是偏差，u(4)是上一次的偏差，x(2)则是之前的偏差和sys=[x(1);x(2);x(3)]; function sys=mdlOutputs(t,x,u)xite=0.2;alfa=0.05;IN=3;H=5;OUT=3;wi=rand(5,3);%产生一个5*3的随机数矩阵，随机数在（0，1）区间wi_1=wi;wi_2=wi;wi_3=wi;wo=rand(3,5);wo_1=wo;wo_2=wo;wo_3=wo;Oh=zeros(5,1);%产生一个1*5的零矩阵(行矩阵)I=Oh;xi=[u(1),u(3),u(5)];%神经网络训练的3个输入，期望值、误差以及实际值epid=[x(1);x(2);x(3)];%3个状态变量（偏差、偏差和、偏差变化量）（3*1矩阵，列向量）I=xi*wi';%隐层的输入for j=1:1:5Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%隐层的输出值（1*5矩阵）行矩阵endK1=wo*Oh;%输出层的输入（3*1矩阵）for i=1:1:3K(i)=exp(K1(i))/(exp(K1(i))+exp(-K1(i)));%得到输出层的输出（KP、KI、KD）（1*3矩阵，行向量）endu_k=K*epid;%计算得到控制律u，1个值%%以下是权值调整%隐含层至输出层的权值调整dyu=sign((u(3)-u(2))/(u(7)-u(6)+0.0001));for j=1:1:3dK(j)=2/(exp(K1(j))+exp(-K1(j)))^2; %输出层的输出的一阶导endfor i=1:1:3delta3(i)=u(5)*dyu*epid(i)*dK(i); %输出层的deltaendfor j=1:1:3for i=1:1:5d_wo=xite*delta3(j)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo;%以下是输入层至隐含层的权值调整for i=1:1:5dO(i)=4/(exp(I(i))+exp(-I(i)))^2;%(1*5矩阵)endsegma=delta3*wo;%（1*5矩阵，行向量）delta2 = dO.*segma;d_wi = delta2'*xi+alfa*(wi_1-wi_2);wi=wi_1+d_wi;wo_3=wo_2;wo_2=wo_1;wo_1=wo;%储存输出层本次调整后的权值wi_3=wi_2;wi_2=wi_1;wi_1=wi;%储存隐层本次调整后的权值Kp=K(1);Ki=K(2);Kd=K(3);sys=[u_k,Kp,Ki,Kd];

1、仿真设置

 

2、关于 Transport Delay ，文章中要求延时80,但本例子中设置不延时，如果延时80s会出现一直是0直线

 

总结

以上是生活随笔为你收集整理的BP神经网络 PID控制simulink仿真的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。