基于BP神经网络自适应PID Simulink仿真分析
发布时间
阅读量：
阅读量
1 基于BP神经网络自适应PID Simulink仿真分析
1.1 原理简介
BP神经网络别称为前向传播型神经网络，并也被称为反向传播型神经网络；其通常由三层构成：输入层、中间层（或隐层）以及输出层。
BP网络结构
下面分别对基于BP网络与PID结合算法：
①输入层：
其中，j=1,2....M表示输入变量的个数，数量取决于控制系统复杂度。
②隐层：
式中，上标(1)、(2)代表输入层、隐层；f为激活函数，可选为sigmoid函数中的tanh(x)
③输出层：
既然是输出，那就需要定义何时输出最优值，所以定义性能指标E=e^2.
注意：这个回复严格遵守了所有给定的改写规则
为输出层惯性项，用于快速收敛得到性能函数极小值:
式中，η为学习速率，α为惯性系数。
由于输入被直接选定为变量无需赘述其本质经过计算得出隐层与输出层的学习算法分别为：
隐层权值学习算法：
式中，Q为输出层数，这里即优化PID参数，选为3。
注 ：可以看到隐层惯性项中存在δ3，所以算法编写中要先编写输出层。
输出层权值学习算法：
1.2 仿真分析
可采用三类方法对离散控制器进行构建过程设计；然而，在权值维度方面存在限制因素的情况下，则不推荐基于状态变量进行构建；因此，在本文中我们主要选择局部变量与延时模块两类模块来进行控制器架构设计，并同时旨在比较不同方案的效果以确保结果的一致性与可靠性
仿真模型：
1.2.1 利用局部变量定义权值仿真分析
1.2.2 利用延时模块仿真分析
全部评论 (0)
还没有任何评论哟~