2022年神经网络 3.pdf

《2022年神经网络 3.pdf》由会员分享，可在线阅读，更多相关《2022年神经网络 3.pdf（17页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、神经网络在控制系统中的应用现状及展望1 引言基于神经网络的控制称为神经网络控制(NNC)。传统的基于模型的控制方法, 是根据被控对象的数学模型及对控制系统要求的性能指标来设计控制器,并对控制规律加以数学解析描述; 而神经网络不善于显式表达知识, 但它具有很强的逼近非线性函数的能力 , 即非线性映射能力。把神经网络用于控制正是利用它的优点 :(1)能够充分逼近任意复杂的非线性系统;(2)能够学习和适应严重不确定系统的动态特性;(3)由于大量神经元之间广泛连接, 即使少量神经元或连接损坏, 也不影响系统的整体功能 , 表现出很强的鲁棒性和容错性;(4) 采用并行分布处理方法 ,使得快速进行大量运算

2、成为可能。这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。将神经网络引入控制系统是控制学科发展的必然趋势, 它的引入不仅给这一领域的突破带来了生机, 也带来了许多亟待解决的问题 。神经控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制。利用神经网络,可以把控制问题看成模式识别问题, 被识别的模式是映射成“行为 ”信号的 “变 化 ”信 号。 神经控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值, 并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好效果。所以 , 可以将 神经网络在控制中的作用分为以下几种

3、:(1)基于精确模型的各种控制结构中充当对象的模型;(2)在反馈控制系统中直接充当控制器的作用;(3) 在传统控制系统中起优化计算作用;(4)在与其它智能控制方法和优化算法相融合中, 为其提供非参数对象模型、优化参数、推理模型及故障诊断等。2 神经网络控制发展现状一般情况下, 神经网络控制系统原则上可分为两大类: 一种 是基于神经网络的智能控制 ; 另一种是基于传统控制理论的神经控制。2.1 基于神经网络的智能控制它是由神经网络和其它智能控制方式相融合的控制系统, 其形式有以下几名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名

4、师精心整理 - - - - - - - 第 1 页，共 17 页 - - - - - - - - - 种:2.1.1 神经网络直接反馈控制这种控制方式使神经网络直接作为控制器, 利用反馈和使用遗传算法进行自学习控制。2.1.2 神经网络专家系统控制专家系统在表达知识和逻辑推理方面有较强的优势, 而神经 网络长于非线性映射和直觉推理, 将两者相结合发挥各自的优势, 会获得更好的控制效果。2.1.3 神经网络模糊逻辑控制模糊逻辑具有模拟人脑抽象思维的特点, 而神经网络具有模拟人脑形象思维的特点, 在过去十年中, 模糊逻辑和神经网络已在理论和应用方面获得独立发展, 然而近年来, 已把注意力集中到模糊

5、逻辑与神经网络的集成上,因两者结合更有利于抽象和形象思维两方面模拟人脑的思维特点, 是目前实现智能控制的重要形式。在此 , 我们对它们和表1 进行比较。表 1模糊逻辑系统与神经网络的比较将神经网络与模糊系统控制起来实现控制，是最近几年控制的热点，模糊神经网络是把模糊逻辑系统与神经系统结合起来，形成一个共生互补系统，它实际上是人类大脑结构和功能的模拟大脑神经网络“硬 件 ”拓扑结构+ 信息模糊处理“软件”的思想功能。 这两种对人脑的“硬件”和“软件”模拟的有机结合 , 不仅弥补了各自性能上的不足, 而且使得控制的智能程度进一步提高 , 尤其是对那些非线性时变系统或难以建模的对象,古典控制理论和现

6、代控制理论的方法无法设计出有效的控制器,而采用模糊神经网络控制却能收到良好的控制效果。目前 , 将模糊神经网络用于控制一般都是与其他控制方法相结合。如, 将模糊神经网络与自学习控制结合; 将模糊神经网络与变结构控制结合 ; 将模糊神经网络与自适应控制结合等。 其中大 多数关于模糊神经网络控制方面的文献是关于模糊神经网络在自适应控制中的应用。 在自适应控制中引入模糊神经网络建模工 具 , 将进一步改善神经网络自适应控制的鲁棒性和实时性, 特别适用于具有不确定性的非线性系统跟踪控制问题。但这类控制器的结构一般都是固定不变的 , 有可能造成如下两个问题。(1)神经网络本身的结构和性能不一定最佳, 有

7、时甚至会出现局部最优问题 ,名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 17 页 - - - - - - - - - 造成学习的效果不理想。 同时不利于模糊控制规则的增减, 有可能造成模糊规则的冗余或欠缺, 影响控制量计算速度或控制精度。(2)由于模糊规则的获取在一定程度上取决于先验知识, 即有关被控制对象特征的知识 , 这对复杂的控制对象来说具有很大的困难。针对问题(1), 可以用具有动态结构的神经网络进行推理, 自动地选择最理想的神经网络结构用来控制。对问题 (2

8、), 自从 Pro-cyk 和 Mamdani 最早提出自组织方法以来, 出现了许多调整方案可以很好地解决它。正是因为自组织控制在这方面的优势, 使得 在近几年中 , 变结构自组织模糊神经网络控制方案出现得较多。现在的自组织控制一般都是通过神经网络的结构和参数的学习,在线调整模糊神经网络的结构、增减模糊控制规律, 调整控制规则参数来改善控制性。2.1.4 神经网络滑模控制变结构控制从本质上应该看作是一种智能控制, 将神经网络和滑模控制相结合就构成神经网络滑模控制. 这种方法将系统的控制或状态分类,根据系统和环境的变化进行变换和选择, 利用 神经网络具有的学习能力,在不确定的环境下通过自学习来改

9、变滑模开关曲线 , 进而改善滑模控制的效果。2.2 基于传统控制理论的神经网络控制将神经网络作为传统控制系统中的一个或几个部分, 用以充当辨识器 ,或对象模型 , 或控制器等 , 常见的方式有 :2.2.1 神经自适应控制目前, 神经自适应控制已被广泛研究并得到巨大发展。神经自适应控制的一个发展是从采取BP 网络发展到采用其他类型的神经网络。如采用 RBF 网络的自适应控制 , 采用递归神经网络的自适应控制和采用模糊神经网络的自适应控制等。神经自适应控制的另一个发展是从单变量系统到多变量系统。另外,对神经自适应控制方案中的权值学习算法的收敛性以及闭环系统的稳定性进行分析的工作也已经展开。目前已

10、经出现的具体的神经控制方案很多 , 大致可归纳为以下几种类型 :(1)前馈直接控制方案它的主要思想是利用网络的建模能力对系统的逆动态进行建模, 以使得整个闭环系统的输入输出映射为恒等映射, 从而可实现跟踪控制。 前馈直接控制的优点是充分利用了神经网络的建模功能 , 其不足之处在于系统开始的鲁棒性不好, 因为控制器直接依赖于神经网络的初值。(2)间接自校正控制方案在间接自校正控制方案中神经网络用作过程参数或名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 17 页 - - -

11、 - - - - - - 某些非线性函数的在线估计器,而控制信号由常规控制器发出。 一般, 假使被控对象为单变量非线性系统:yk+1 = f(yk)+ g(yk)uk式中, f(yk) 和 g(yk) 为非线性函数。令fs(yk) 和 gs(yk) 分别代表f (yk)和 g(yk) 的估计值。如果f(yk) 和 g(yk) 是由神经网络离线辨识的 , 那么能够得到足够近似精度的fs(yk) 和 gs(yk),而且可以直接给出常规控制律:uk = dk+1 - fs(yk)/gs(yk)其中 dk+1 是期望输出值。(3) 直接自校正控制方案这种方法的思想是,如果 NN( 神经网络) 充分逼近

12、对象的逆动力学, 则从 NN的输出端至对象的输出端的传递函数近似为1。(4) 模型参考自适应控制方案此方案也可分为直接和间接两种方式,NNC的权重修正目标是使输出误差ec = ym- y 0 或二次型最小。对于直接模型参考自适应控制方案,由于未知的非线性对象处于ec 与 NNC之间, 给 NNC的参数修正带来困难, 为克服它,通常引入神经网络辩识器NNI, 在线修正其权重以使 ei= ys-y 0 , 这种方式即为间接模型参考自适应控制方案。2.2.2神经预测控制对于线性系统的预测控制,人们已做了深入广泛的研究。而将神经网络用于预测控制来解决非线性、大时延系统的预测控制问题的研究是近几年才开展

13、起来的,因而这方面的资料还不是很多。 现阶段神经预测控制研究主要集中在以下两个方面。(1) 高精度预测模型的建立预测控制依赖于预测模型,预测模型越精确,控制效果越好。而神经网络被广泛用于非线性过程的建模,所以对神经网络建模的研究对预测控制来说至关重要。 神经网络的系统建模在前已叙述, 在此不再重复。 需要补充的是,用于预测控制的神经网络不仅有前馈神经网络,还有反馈神经网络 、模糊神经网络等。(2) 预测控制与神经控制结合在预测控制中, 需要求解非线性方程组,计算量大,求解复杂, 且一般得不到最优解。并随着预测步数的增多,要考虑的因素更复杂, 难度将成倍递增。因此,为了达到更好的控制效果,它与

14、其它控制方法相结合势在必行。 如将预测控制与神经网络逆动态控制相结合,该方法具有比通常的神经网络逆动态控制快得多的响应速度和名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 17 页 - - - - - - - - - 更好的预测性能,将用 BP 网络对系统建模误差预测与模型预测相结合构成了广义预测控制, 它能抑制模型失配的影响, 增强广义预测控制的鲁棒性。2.2.3神经最优决策控制在最优决策控制系统中,状态空间根据不同控制条件被分成特征空间区域,控制曲面的实现是通过训练过

15、程完成的。由于时间最优曲面通常是非线性的,因此有必要使用一个能够逼近非线性的结构。3 神经网络及其应用3.1 人工神经网络来源大脑可视作为 10的 12次方个神经元组成的神经网络。一个神经元一般会与100 到 100000神经元连接，所构成的网络是一个巨大的网络。神经元的数学模型图 神经元的数学模型X 为输入，W 为权值，y为输出，b为阈值， f(*) 为激活函数神经元的数学公式图神经元的解剖图名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 17 页 - - - - -

16、- - - - 激活函数执行对该神经元所获得的网络输入的变换，也可以称为激励函数、活化函数：o=f（net）1、线性函数（ LinerFunction ）f （net）=k*net+c3.2、阈值函数（ ThresholdFunction ）阶跃函数ifnetf （net）=-ifnet 、均为非负实数，为阈值二值形式：1ifnetf （net）=0ifnet 双极形式：1ifnetf （net）=-1ifnet 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 17 页

17、- - - - - - - - - 3.3 人工神经网络初识众多神经元之间组合形成神经网络，例如下图的含有中间层（隐层）的网络原理如下3.4 BP神经网BP（Back Propagation）网络是 1986年由 Rumelhart 和 McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络。是目前应用最广泛的神经网络模型之一。BP 网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP 算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。BP 网络的传递函数：netenetfo11)(3.4.1BP 神经网络的

18、学习学习过程：神经网络在外界输入样本的刺激下不断改变网络连接的权值，阈值。以使网络的输出不断地接近期望的输出。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 17 页 - - - - - - - - - 学习的本质：对各连接权值、阈值的动态调整学习规则：权值、阈值调整规则， 即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则网络结构输入层有 n 个神经元，隐含层有q 个神经元,输出层有 m个神经元输入层与中间层的连接权值:Whi隐含层与输出层的连接权值:Who

19、隐含层各神经元的阈值:bh输出层各神经元的阈值:bo样本数据个数:m.3,2, 1k激活函数:(.)f3.5 基于 BP神经网络在PID控制系统中的应用3.5.1 常规的 PID控制器在模拟控制系统中 , 控制器最常用的控制规律是PID 控制。常规 PID控制)()()()()(utdtdetetetTTkdtip系统由模拟 PID控制器和被控对象组成 , 其控制律为式中:Kp 为比例系数 ;Ti 为积分时间系数 ;Td 为微分时间系数。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第

20、 8 页，共 17 页 - - - - - - - - - 对模拟 PID控制律(1) 进行离散化 , 得数字控制律为)2)(2()1(2)()1()()1()(u)(kekekeikekekukTkeTkdpPID 控制器的设计关键问题是如何选择比例、积分和微分系数, 而这些参数整定的困难使 PID 控制器的应用受到限制。实际上, 由于 PID 控制规律是一种线性的控制规律, 它具有经典控制理论的弱点, 因此仅对一般线性定常被控对象有较好的控制效果。BP神经网络具有逼近任意非线性函数的能力, 而且其结构和学习算法简单明确。通过神经网络自身的学习, 可以找到某一最优控制规律下的参数。基于BP神

21、经网络的 PID 控制系统结构如图 1 所示。控制器由两部分组成 : 数字 PID控制器: 它直接对被控对象进行闭环控制,并且 3 个参数 Kp、Ti 、Td为在线整定方式 ; BPNN 为 BP神经网络 : 它根据系统的运行状态 , 调节 PID 控制器的参数 , 以期达到某种性能指标的最优化。设 BP神经网络是一个 3 层 BP网络, 有 M个输入节点 ,Q 个隐层节点、3 个输出节点, 其结构如图 2 所示。图中, 输入节点对应系统运行的状态, 如系统不同时刻的输入量和输出量等 , 必要时进行归一化处理。 输出节点分别对应PID控制器的 3 个可调参数 KP 、Ti 、Td。由于 KP

22、、Ti 、Td不能为负值 , 所以输出层神经元的活化函数取非负的Sigmoid 函数, 而隐含层神经元的活化函数可以取正负对称的 Sigmoid 函数。图 2BP神经网络结构由图 2 可知 BP 神经网络的输入为1,1.,2, 1 ,0,jMjkMjjkex网络的隐含层输入和输出分别为名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 9 页，共 17 页 - - - - - - - - - 1),1,.,2, 1 ,0(,)()(),()(nQQ)2()2()1(0)2(ooowQik

23、netfkkketjlMjij式中wij表示隐含层地 j 个神经元到第 i 个神经元的加权系数； f.表活化函数，上角标表输入层，隐含层，输出层。网络的输出和输入为ToTokonetoownetdipllMjijkkikgkkk)3(2)3(1)3(0)3()3()1(0)3()3(,)(,)()2 ,1 ,0( ,)()(),()(式中：wij表示输出层第 i 个神经元到第 j 个神经元的加权系数， g. 表活化函数。取性能指标为：) 1(21)1()1(2122jkkykzyrI根据最速下降法修正网络的加权系数，并附加一使搜索快速收敛全局极小的惯性项，则有)()1()3()3()3(wkj

24、kwwlilili式 中 ：表 示 学 习 速 率 ；表 示 惯 性 系 数wnetnetolillllikkkkukykyjj)3()3()3()3()3()(.)()(.)()1(.) 1(w由于式中的)()1(ykuk未知，所以可以用近似符号函数)()1(skukygn有 PID 控制律式（ 2）可以求得。再令)2, 1 ,0( ,)()()()()1(sgn)1()()3()3()3()3(netlkgkkukukykekjnetol可得 BP 神经网络输出层的加权系数计算公式为名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - -

25、 - 名师精心整理 - - - - - - - 第 10 页，共 17 页 - - - - - - - - - )()()1()3()2()3()3(kkkwowliili同理可得隐含层加权系数的计算公式为)()()1()2()3()2()2(kkkwowijjij其中)1,.,3,2, 1 , 0(),()( f)3() 3()2(2Qikkwnetlj）（其中 BP神经网络 PID控制算法可以归纳为： 1）选定 BPNN 的结构，即选定输入层节点数M和隐含层节点数Q并给出各层加权系数的初值)0(w)2(ij，)0(w)3(li， 选 定 学 习 速 率和 惯 性 系 数， 采 样 得 到

26、r(k)和 y(k),计 算)()()()(ekykrkzk；对 r(i),y(i),e(i)(i=k,k-1,.k-p)进行归依化处理，作为 BPNN 的输入。 4）计算 BPNN 各层神经元的输入和输出，输出层的输出即为 PID 控制器的 3 个参数TTdipk，5）计算 PID 控制的输出 u（K）, 参与控制和计算； 6）计算修正输出层的加权系；7）计算修正隐含层的加权系数；8）置 k=k+1 返回（2)。设被控对象的数学模型为)1(2)1(2)1()()(y2kkukykaky，其中 a(k) 为时变系数，且ekk35.015. 01)(a，用于 BP神经网络的 PID 控制器进行控

27、制， 神经网络的结构为 483 且学习速率3.0，惯性系数2.0a，加权系数的区间为-0.5 ，0.5 上的随机数，神经网络的输入模式选为1),()(),()(),()()1(4)1(3)1(2)1(1ooookekkykkrk， 输入参考系数为 r(k),取幅度值为+1 的直流波形信号，得到如下图（1）所示仿真结果名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 11 页，共 17 页 - - - - - - - - - 图（ 1）图输入为直流波信号的仿真结果由图可以看出 ,对于具有

28、非线性且参数时变的被控对象,该算法具有良好的控制效果。若 r(t)=sin(2t),并设时变系数ekk35.015. 01)(a有一个摄动 ,其摄动范围为(0.1,0.4),仿真结果如图 2 所示可以看出 ,对于有摄动的时变、非线性系统,该方法具有很好的控制效果 ,系统具有很强的鲁棒性名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 12 页，共 17 页 - - - - - - - - - 图 2神经网络控制能够充分逼近任何复杂的非线性系统,能够学习和适应严重不确定系统的动态特性,显

29、示了很强的鲁棒性和容错性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。神经网络和PID 控制相结合 ,大大改善了常规PID 控制器的性能 ,有效地改善了系统的控制结果,达到了预期目的。仿真结果表明 :基于 BP 神经网络的 PID 控制较常规的 PID 控制具有较高的控制品质。4 神经网络控制展望4.1 模糊神经网络的研究目前, 神经网络及其在控制中的应用已成为控制研究中的热门课题。神经网络之所以又成为研究热点, 很大程度上是由于与之交叉的模糊神经网络技术的注入。人工神经网络能够实现极复杂的非线性映射且具有很强的学习能力 , 但其存在两个致命的缺点 :其一是学习速度慢且可能

30、收敛于目标函数的某个质量不高的局部最优点上; 其二 , 网络是一个 “黑盒子 ”, 其中各神经元和权不能赋予明确的物理意义, 这样 就不能充分利用已有的知识来改善网络的结构设计以及加快学习速度并避免低质局部最优点。 将模糊逻辑嵌入各种类型的名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 13 页，共 17 页 - - - - - - - - - 神经 网络, 形成模糊神经网络 ( FNN) , 正可以取长补短。但想要把模糊神经网络很好地用于控制, 必须加强对模糊神经网络自身的研究。研

31、究模糊系统和神经网络及用神经网络实现模糊推理( 含神 经网络的模糊输入、不确定信息在网络中的传播、 最终结果的理解 ) , 仍将是今后神经网络继续研究的发展趋势。同时结合小波变换、分形几何等有望构成一些权值易于理解的NN 模型。4.2 模糊神经网络与遗传算法(GA)的结合20 世纪后期,利用进化算法的优化方法引入人们的巨大兴趣, 应用日益广泛。它的原理是根据自然界的生物进化理论, 通过 模仿生物的遗传过程在代与代之间传递最优的信息, 完成搜索任务。这类方法可进一步划分为遗传算法( GA) 、进化策略( ES) 、进 化规划 ( EP) 等三种方法。其中遗传算法最主要的特点是:利用适应度提供的信

32、息进行搜索, 不需要其它的辅助信息 ; 选择、交叉和变异这三个算子都是随机操作的, 不需确定规则控制。在模糊神经网络的优化算法中, GA 算法发挥着越来越重要的作用。其应用主要表现在以下两个方面 :（1）优化模糊推理中的隶属度函数参数或神经网络连接权的进化。（2）优化模糊神经网络的结构, 主要包括优化模糊推理中的规则组成和神经网络结构的进化 , 或利用输入输出数据对其进行聚类。GA 算法与其他优化算法相比, 具有全局优化的特点 , 并采用编码技术 , 可以替代梯度算法 , 在模糊推理隶属度函数形状的选取上具有更大的灵活性。另外, 模糊神经网络的结构可利用GA 算法先进行离线优化 , 在实时控制

33、中 , 由于有了优化的结构和初值, 再采用 GA 算法或其他方法进行控制量的计算, 其收敛速度和计算量大大减少 , 更适合实时控制应用。模糊推理、神经网络和遗传算法均具有模拟人类思维结构和方式的特点。将三者有机地结合起来, 发挥各自的优势 , 将是神经网络控制发展的一个重要方向。4.3 模糊神经网络与其他控制方法综合的选择模糊神经网络给出了神经网络依附的一个行之有效的经验性控制策略 , 但并没有从根本上解决神经网络在线学习问题。因 此 , 需要引入智能控制综合方法概念 , 即指在模糊逻辑系统和神经网络结合的基础上 , 与其他智能或传统控制方法交叉综合形成的控制方法。不同的综合方法会产生不同的控

34、制效果。在具体情 况中采取何种综合方法是将来神经控制发展的一个重要方向。4.4 新型神经网络和快速算法及其在控制系统中的应用的研究目前 , 控制环境和控制对象不断发展变化, 同时对控制效果的要求也不断名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 14 页，共 17 页 - - - - - - - - - 提高, 使得使用一些传统神经网络控制难以达到理想的效果。所以结合实际开发新的神经网络并将其用于控制系统变得愈发重要。而且, 到目前为止 , 还没有一种较为成熟的快速在线学习算法,

35、而快速在线学习算法是实时控制的关键,因而开发新型神经网络和快速在线学习算法并将其用于控制系统将是神经网络控制发展的一个极其重要方向。附录BP PID 程序%BP basedPIDControlclearall;closeall;xite=0.3;%学习速率alfa=0.2;%惯性系数IN=4;H=5;Out=3;%BPNN Structurewi=0.50*rands(H,IN);%输入层的加权系数wi_1=wi;wi_2=wi;wi_3=wi;%wo=0.50*rands(Out,H);% 隐含层的加权系数wo_1=wo;wo_2=wo;wo_3=wo;x=0,0,0;u_1=0;u_2=0

36、;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1);%OutputfromNN middlelayerI=Oh;%InputtoNN middlelayere_2=0;e_1=0;ts=0.001;fork=1:1:5000time(k)=k*ts;%r(k)=1;%直流信号r(k)=sin(2*pi*k*ts);%正弦信号%Unlinearmodela(k)=1-0.35*exp(-0.15*k);y(k)=(a(k)*y_1+2*u_1)/(2+y_1.2);e(k)=r(k)-y(k);xi=r(k),y(k),e(k),1;x(1)=e

37、(k)-e_1;x(2)=e(k);x(3)=e(k)-2*e_1+e_2;epid=x(1);x(2);x(3);I=xi*wi;forj=1:1:HOh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j);%MiddleLayerend名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 15 页，共 17 页 - - - - - - - - - K=wo*Oh;%OutputLayerforl=1:1:OutK(l)=exp(K(l)/(exp(K(

38、l)+exp(-K(l);%Gettingkp,ki,kdendkp(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);ifu(k)=10;% Restrictingtheoutputofcontrolleru(k)=10;endifu(k)=-10;u(k)=-10;enddyu(k)=sign(y(k)-y_1)/(u(k)-u_1+0.0000001);%Outputlayerforj=1:1:OutdK(j)=2/(exp(K(j)+exp(-K(j)2;endforl

39、=1:1:Outdelta3(l)=e(k)*dyu(k)*epid(l)*dK(l);endforl=1:1:Outfori=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hiddenlayerfori=1:1:HdO(i)=4/(exp(I(i)+exp(-I(i)2;endsegma=delta3*wo;fori=1:1:Hdelta2(i)=dO(i)*segma(i);endd_wi=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-

40、wi_2);%ParametersUpdateu_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=y(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 16 页，共 17 页 - - - - - - - - - wi_3=wi_2;wi_2=wi_1;wi_1=wi;e_2=e_1;e_1=e(k);endsubplot(2,2,1);plot(time,r);subplot(2,2,2);plot(time,y,b);subplot(2,2,3);plot(time,e,r);subplot(2,2,4);plot(time,u,r);figure(2)subplot(3,1,1);plot(time,kp,r);subplot(3,1,2);plot(time,ki,g);subplot(3,1,3);plot(time,kd,b);名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 17 页，共 17 页 - - - - - - - - -