clear all;
close all;
xite=0.5; %学习效率
alfa=0.05; %惯性系数
S=1; % 信号类型
IN=4;H=5;Out=3; %神经网络结构。输入层、隐含层、输出层节点数
if S==1 %阶跃信号
wi=[-0.6394 -0.2696 -0.3756 -0.7023; %隐含层加权系数wi
-0.8603 -0.2013 -0.5024 -0.2596;
-1.0749 0.5543 -1.6820 -0.5437;
-0.3625 -0.0724 -0.6463 -0.2859;
0.1425 0.0279 -0.5406 -0.7660];
%wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; %输出层加权系数wo
-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=wo;wo_2=wo;wo_3=wo;
end
if S==2 %正弦信号
wi=[-0.2846 0.2193 -0.5097 -1.0668;
-0.7484 -0.1210 -0.4708 0.0988;
-0.7176 0.8297 -1.6000 0.2049;
-0.0858 0.1925 -0.6346 0.0347;
0.4358 0.2369 -0.4564 -0.1324];
%wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[1.0438 0.5478 0.8682 0.1446 0.1537;
0.1716 0.5811 1.1214 0.5067 0.7370;
1.0063 0.7428 1.0534 0.7824 0.6494];
%wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo;
end
x=[0,0,0]; %赋初值
u_1=0.0;u_2=0.0;u_3=0.0;u_4=0;u_5=0; %赋初值
y_1=0.0;y_2=0.0;y_3=0.0;y_4=0;y_5=0; %赋初值
Oh=zeros(H,1); %隐含层输出 赋初值
I=Oh; %隐含层输入 赋初值
error_2=0;
error_1=0;
ts=20; %采样周期
for k=1:1:200
time(k)=k*ts; %时间轴
if S==1
rin(k)=1.0; %设定值为阶跃信号
elseif S==2
rin(k)=sin(1*2*pi*k*ts);%设定值为正弦曲线
end
%Unlinear model
Gp=tf([1.5],[20 1],'inputdelay',4);%传递函数
Gpz=c2d(Gp,ts,'z');%离散化传递函数
[num,den]=tfdata(Gpz,'v');%取出z变换后传递函数的分子分母系数
yout(k)=-den(2)*y_1+num(1)*u_2+ num(2)*u_3 ; % tao/T=n,n>1 对象输出值
error(k)=rin(k)-yout(k); %误差值
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)]; %误差向量
I=xi*wi'; %隐含层输入
for j=1:1:H
Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %隐含层输出
end
K=wo*Oh; %输出层输出
for l=1:1:Out
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %得到 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 % 输入量的硬约束
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)); %计算y对u的导数
%修正输出层加权系数wo
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);
%修正隐含层加权系数wi
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);
%参数更新
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); %保存输入量的过去值
y_5=y_4;y_4=y_3;y_3=y_2;y_2=y_1;y_1=yout(k);%保存输出量的过去值
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; %保存误差的过去值
error_1=error(k);
end
%bppid_s_plot
figure(1);
plot(time,rin,'r',time,yout,'b');
xlabel('time(s)');ylabel('rin,yout');
title('基于神经网络PID算法阶跃响应曲线');
figure(2);
plot(time,error,'r');
xlabel('time(s)');ylabel('error');
title('基于神经网络PID算法误差曲线');
figure(3);
plot(time,u,'r');
xlabel('time(s)');ylabel('u');
title('基于神经网络PID算法输入u曲线');
figure(4);
subplot(311);
plot(time,kp,'r');
xlabel('time(s)');ylabel('kp');
title('PID参数自整定曲线');
subplot(312);
plot(time,ki,'g');
xlabel('time(s)');ylabel('ki');
subplot(313);
plot(time,kd,'b');
xlabel('time(s)');
ylabel('kd');
评论0