%BP based PID Control
clear all;
close all;
xite=0.28;
alfa=0.001;
% 学习速率
%惯性系数
IN=4;H=5;Out=3; %NN Structure(构造,神经网络结构)
wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;
wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo;%构成变量
%Output from NN middle layer
%Input to NN middle layer
Oh=zeros(H,1);
I=Oh;
error_2=0;
error_1=0;
%把传递函数离散化(零阶保持器法离散化)
ts=0.01;
sys=tf(2.6126,[1,3.201,2.7225]); %建立被控对象传递函数(LTI Viewer 对象模型 sys=tf(num,den)
将由传递函数模型所描述系统封装成对应的系统对象模型。
dsys=c2d(sys,ts,'z');
[num,den]=tfdata(dsys,'v'); %离散化后提取分子、分母(提取每项的常数)
for k=1:1:2000
time(k)=k*ts;
rin(k)= 40;
yout(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_2+num(3)*u_3;
error(k)=rin(k)-yout(k);
%频率参数,构成一维数组
xi=[rin(k),yout(k),error(k),1];
x(1)=error(k)-error_1;
x(2)=error(k);
%计算 P
%计算 I
x(3)=error(k)-2*error_1+error_2;
%计算 D
epid=[x(1);x(2);x(3)];
I=xi*wi';
for j=1:1:H
%the output of the input layer , and 1*5
Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle layer's output
end
K=wo*Oh;
for l=1:1:Out
%Output Layer(the input of output layer)
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));
%Getting 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)>=45
u(k)=45;
end
if u(k)<=-45
u(k)=-45;
end
% the increment(增加) of the output "u"
% the output of the value of controlling
% Restricting(限制)the output of controller
dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));
%当 x<0 时,sign(x)=-1 当 x=0 时,sign(x)=0;
当 x>0 时,sign(x)=1。dyu(k)表示什么
%Output layer
for j=1:1:Out
dK(j)=2/(exp(K(j))+exp(-K(j)))^2;
%the value of g'()
end
for l=1:1:Out
delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);
%输出值
end
for l=1:1:Out
for i=1:1:H
d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);%输出层权值的计算定义
end
end
wo=wo_1+d_wo+alfa*(wo_1-wo_2);
%wo 更新
%Hidden (隐藏)layer
for i=1:1:H
dO(i)=4/(exp(I(i))+exp(-I(i)))^2;
%the value of the f'()
end
segma=delta3*wo;
for i=1:1:H
delta2(i)=dO(i)*segma(i);
end
% the sum(总和)
%求δ
d_wi=xite*delta2'*xi;
wi=wi_1+d_wi+alfa*(wi_1-wi_2);% 不就是 wi 修改更新的过程吗?个人认为:如果被控对象
的表达式:'yout'改变的话,权值修改的中间过程都不要改变,因为不管系统的输出是什么,
bp 神经网络权值修改的公式都是一样的啊。有可能的话,可以把权值的初始值改一下,不
是必须的,反正神经网络会自己调整权值,只要不陷入局部极小值就可以了(对不同的系统
可以采取修改权值 学习效率和惯性系数来调整神经网络的控制效果)
%Parameters (参数,变量)Update(更新)
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); %最后为什么进行更新
y_2=y_1;y_1=yout(k);
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;
error_1=error(k);
end
figure(1);
plot(time,rin,'r',time,yout,'b');
xlabel('time(s)');ylabel('rin,yout');
figure(2);
plot(time,error,'r');
xlabel('time(s)');ylabel('error');
figure(3);
plot(time,u,'r');
xlabel('time(s)');ylabel('u');
figure(4);
subplot(311);
plot(time,kp,'r');
xlabel('time(s)');ylabel('kp');
subplot(312);
plot(time,ki,'g');
xlabel('time(s)');ylabel('ki');
subplot(313);
plot(time,kd,'b');
xlabel('time(s)');ylabel('kd');
本来按照原来的传递函数是有图形的,但是换了传递函数就出现这个样子
是不是就像老师说的可以调节数轴。