BP_PID.rar_BP神经网络PID_bp pid_多输入多输出_神经网络PID_神经网络控制

clc clear all close all %% 网络结构初始化 rate1=0.006; %学习率，在0~1之间，学习率越大，对权值的修改越大，网络速度越快，过大的学习率产生振荡，过小的学习率收敛过慢。 rate2=0.001; k=0.3; K=3; y_1=zeros(3,1);y_2=y_1;y_3=y_1; %输出值 u_1=zeros(3,1);u_2=u_1;u_3=u_2; %控制率 h1i=zeros(3,1);h1i_1=h1i; %第一个控制量 h2i=zeros(3,1);h2i_1=h2i; %第二个控制量 h3i=zeros(3,1);h3i_1=h3i; %第三个控制量 x1i=zeros(3,1); x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; %隐含层输出 %权值初始化 %随机赋值 k0=0.03; %第一层权值 w11=k0*rand(3,2);w11_1=w11;w11_2=w11; w12=k0*rand(3,2);w12_1=w12;w12_2=w12; w13=k0*rand(3,2);w13_1=w13;w13_2=w13; %第二层权值 w21=k0*rand(1,9);w21_1=w21;w21_2=w21; w22=k0*rand(1,9);w22_1=w22;w22_2=w22; w23=k0*rand(1,9);w23_1=w23;w23_2=w23; %值限定 ynmax=1;ynmin=-1; %系统输出值限定 xpmax=1;xpmin=-1; %P节点输出限定 qimax=1;qimin =-1; %I节点输出限定 qdmax=1;qdmin=-1; %D节点输出限定 uhmax=1;uhmin=-1; %输出结果限定 %% 网络迭代优化 for k=1:1:200 %% 控制量输出计算 %--------------------------------网络前向计算-------------------------- %系统输出，传递函数 y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2); y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3); y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1); %控制目标为[0.7 0.4 0.6] r1(k)=0.7; r2(k)=0.4; r3(k)=0.6; %系统输出限制 yn=[y1(k),y2(k),y3(k)]; yn(find(yn>ynmax))=ynmax; %把yn中大于ynmax的值赋值为ynmax yn(find(yn<ynmin))=ynmin; %把yn中小于ynmin的值赋值为ynmin %输入层输出（两行一列输出） %每次循环之后都把输出和期望做为神经网络的输入 x1o=[r1(k);yn(1)]; %2行1列 x2o=[r2(k);yn(2)]; x3o=[r3(k);yn(3)]; %隐含层输入计算，权值乘以输入层的输出 x1i=w11*x1o; %3行1列 x2i=w12*x2o; x3i=w13*x3o; %比例神经元P计算，xpmax，xpmin为比例神经元的最大与最小输出值 xp=[x1i(1),x2i(1),x3i(1)]; %1*3，1行3列 xp(find(xp>xpmax))=xpmax; xp(find(xp<xpmin))=xpmin; qp=xp; %调整过xp之后赋值给qp h1i(1)=qp(1); h2i(1)=qp(2); h3i(1)=qp(3); %把qp三个值分别赋给hli(1)，h2i(1)，h3i(1) %积分神经元I计算 xi=[x1i(2),x2i(2),x3i(2)]; qi=[0,0,0]; %初始化qi qi_1=[h1i(2),h2i(2),h3i(2)]; qi=qi_1+xi; qi(find(qi>qimax))=qimax; qi(find(qi<qimin))=qimin; h1i(2)=qi(1); h2i(2)=qi(2); h3i(2)=qi(3); %把积分输出分别赋值给hli(2)，h2i(2)，h3i(2) %微分神经元D计算 xd=[x1i(3),x2i(3),x3i(3)]; qd=[0 0 0]; %初始化qd xd_1=[x1i_1(3),x2i_1(3),x3i_1(3)]; %这是微分，要减去上一次的值，要用到中间变量 qd=xd-xd_1; qd(find(qd>qdmax))=qdmax; qd(find(qd<qdmin))=qdmin; h1i(3)=qd(1); h2i(3)=qd(2); h3i(3)=qd(3); %把微分输出分别赋值给hli(2)，h2i(2)，h3i(2) %输出层计算 wo=[w21;w22;w23]; %输出层矩阵就是一个3行9列的矩阵 qo=[h1i',h2i',h3i']; %qo为1行9列 qo=qo'; %转置后为9行1列 uh=wo*qo; %得到uh为3行1列 uh(find(uh>uhmax))=uhmax; uh(find(uh<uhmin))=uhmin; u1(k)=uh(1); u2(k)=uh(2); u3(k)=uh(3); %控制律；在一次循环中分别付给u1，u2，u3 %% 网络权值修正 %---------------------网络反馈修正---------------------- %计算误差 error=[r1(k)-y1(k);r2(k)-y2(k);r3(k)-y3(k)]; %r1(k)，r2(k)，r3(k)为控制目标；y1(k)，y2(k)，y3(k)为当前值 error1(k)=error(1); error2(k)=error(2); error3(k)=error(3); J(k)=0.5*(error(1)^2+error(2)^2+error(3)^2); %调整大小 %u_1，u_2，u_3是控制率，y1，y2，y3是被控量，y_1是被控量上个时间的值 ypc=[y1(k)-y_1(1);y2(k)-y_1(2);y3(k)-y_1(3)]; uhc=[u_1(1)-u_2(1);u_1(2)-u_2(2);u_1(3)-u_2(3)]; %隐含层和输出层权值调整，利用的是梯度学习算法 %导数利用符号函数归为1或-1 %调整w21 Sig1=sign(ypc./(uhc(1)+0.00001)); dw21=sum(error.*Sig1)*qo'; w21=w21+rate2*dw21; %1x9 %调整w22 Sig2=sign(ypc./(uh(2)+0.00001)); dw22=sum(error.*Sig2)*qo'; %正负计算后乘上PID计算结果 w22=w22+rate2*dw22; %1x9 %调整w23 Sig3=sign(ypc./(uh(3)+0.00001)); dw23=sum(error.*Sig3)*qo'; w23=w23+rate2*dw23; %1x9 %输入层到隐含层权值调整 delta2=zeros(3,3); wshi=[w21;w22;w23]; %3x9 for t=1:1:3 delta2(1:3,t)=error(1:3).*sign(ypc(1:3)./(uhc(t)+0.00000001)); end %调整w11 for j=1:1:3 sgn(j)=sign((h1i(j)-h1i_1(j))/(x1i(j)-x1i_1(j)+0.00001)); %隐含层输出的前三个，隐含层输出比上输入 end s1=sgn'*[r1(k),y1(k)]; %乘上输入信号 wshi2_1=wshi(1:3,1:3); %隐含层到输出层的前三行三列 alter=zeros(3,1); dws1=zeros(3,2); for j=1:1:3 for p=1:1:3 alter(j)=alter(j)+delta2(p,:)*wshi2_1(:,j); %delta2为3x3，每循环一次为1x3，乘上后为1x1 end end %最终得到alter的三个值 for p=1:1:3 dws1(p,:)=alter(p)*s1(p,:); %alter乘上输入的信号的变化 end w11=w11+rate1*dws1; %最后调整权值w11 %调整w12 for j=1:1:3 sgn(j)=sign((h2i(j)-h2i_1(j))/(x2i(j)-x2i_1(j)+0.0000001)); end s2=sgn'*[r2(k),y2(k)]; wshi2_2=wshi(:,4:6); alter2=zeros(3,1); dws2=zeros(3,2); for j=1:1:3 for p=1:1:3 alter2(j)=alter2(j)+delta2(p,:)*wshi2_2(:,j); end end for p=1:1:3 dws2(p,:)=alter2(p)*s2(p,:); end w12=w12+rate1*dws2; %调整w13 for j=1:1:3 sgn(j)=sign((h3i(j)-h3i_1(j))/(x3i(j)-x3i_1(j)+0.0000001)); end s3=sgn'*[r3(k),y3(k)]; wshi2_3=wshi(:,7:9); alter3=zeros(3,1); dws3=zeros(3,2); for j=1:1:3 for p=1:1:3 alter3(j)=(alter3(j)+delta2(p,:)*wshi2_3(:,j)); end end for p=1:1:3 dws3(p,:)=alter2(p)*s3(p,:); end w13=w13+rate1*dws3; %参数更新 u_3=u_2;u_2=u_1;u_1=uh; y_2=y_1;y_1=yn; h1i_1=h1i;h2i_1=h2i;h3i_1=h3i; x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; end %% 结果分析 time=0.001*(1:k); figure(1) subplot(3,1,1) plot(time,r1,'r-',time,y1,'b-'); title('PID神经元网络控制','fontsize',12); ylabel('控制量1','fontsize',12); legend('控制目标','实际输出','fontsize',12); subplot(3,1,2) plot(time,r2,'r-',time,y2,'b-'); ylabel('控制量2','fontsize',12); legend('控制目标','实际输出','fontsize',12); subplot(3,1,3) plot(time,r3,'r-',time,y3,'b-'); xlabel('时间（秒）','fontsize',12);ylabel('控制量3','fontsize',12); legend('控制目标','实际输出','fontsize',12); figure(2) plot(time,u1,'r-',time,u2,'g-',time,u3,'b'); title('PID神经网络提供给对象的控制输入'); xlabel('时间'),ylabel('被控量'); legend('u1','u2','u3');grid figure(3) figure(3) plot(time,J,'r-'); axis([0,0.2,0,1]);grid title('控制误差曲线','fontsize',12); xlabel('时间','fontsize',12);ylabel('控制误差','fontsize',12);