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);
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
版权申诉
5星 · 超过95%的资源 199 浏览量
2022-09-21
19:03:39
上传
评论 3
收藏 3KB RAR 举报
邓凌佳
- 粉丝: 65
- 资源: 1万+
最新资源
- 微信小程序 - 图书管理系统源码.zip
- 微信小程序 - 图片自适应 ,富文本解析源码.zip
- 微信小程序 - 同乐居商城:购物车合算源码
- 1、根据输入的三条边值判断能组成何种三角形,并设计测试数据进行判定覆盖测试 三条边为变量a、b、c,范围为1≤边值≤10,不在范
- SQL server 练习题目8道(小白教学).zip
- Python 手写实现 iD3 决策树算法-根据信息增益公式.zip
- 411675952289057车联助手-小窗版(三星)3.5.1.apk
- 三种快速排序方法合并在一个文件中以便直接运行的Python代码示例
- 937712277954201实习5.word
- 2程序语言基础知识pdf1_1716337722703.jpeg
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
评论3