基于BP神经网络PID控制+Simulink仿真

基于BP神经网络PID控制+Simulink仿真最近在学习电机的智能控制,上周学习了基于单神经元的PID控制,这周研究基于BP神经网络的PID控制。神经网络具有任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器。基于BP神经网络的PID控制系统结构框图如下图所示:控制器由两部分组成:经典增量式PID控制器;BP神经网络…

大家好,又见面了,我是你们的朋友全栈君。

    最近在学习电机的智能控制,上周学习了基于单神经元的PID控制,这周研究基于BP神经网络的PID控制。

    神经网络具有任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器。基于BP神经网络的PID控制系统结构框图如下图所示:

基于BP神经网络PID控制+Simulink仿真

    控制器由两部分组成:经典增量式PID控制器;BP神经网络

    经典增量式PID控制器

    

基于BP神经网络PID控制+Simulink仿真

    BP神经网络控制算法

    BP神经网络结构如下图所示:

基于BP神经网络PID控制+Simulink仿真

    它是一种有隐含层的3层前馈网络,包括输入层、隐含层和输出层。输出层的三个输出分别对应PID控制器的三个可调参数Kp、Ki和Kd。由于Kp、Ki和Kd不能为负,所以输出层神经元的变换函数取非负的Sigmoid函数,而隐含层神经元的变换函数可取正负对称的Sigmoid函数。

    BP神经网络的输入(M为输入变量的个数):

基于BP神经网络PID控制+Simulink仿真

    隐含层的输入输出为:

基于BP神经网络PID控制+Simulink仿真

基于BP神经网络PID控制+Simulink仿真

    输出层的输入输出:

基于BP神经网络PID控制+Simulink仿真

     采用以输出误差二次方为性能指标,其性能指标函数为:

基于BP神经网络PID控制+Simulink仿真

    按照梯度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BP神经网络输出层的加权系数修正公式为:

基于BP神经网络PID控制+Simulink仿真

    同理,可得隐含层加权系数的计算公式为:

基于BP神经网络PID控制+Simulink仿真

基于BP神经网络PID控制+Simulink仿真

    由此,BP神经网络PID控制算法可总结为:

    (1)确定BP神经网络结构,即确定输入层和隐含层的节点个数,选取各层加权系数的初值wij(0)、wli(0),选定学习速率和惯性系数,此时k=1

    (2)采样给定和反馈信号,即r(k)和y(k),计算误差e(k)=r(k)-y(k)

    (3)确定输入量

    (4)根据上述公式,计算各层神经元的输入、输出,神经网络输出层即为PID控制器的三个可调参数Kp、Ki和Kd

    (5)由增量式PID控制公式,计算PID控制器的控制输出u(k)

    (6)进行神经网络学习,实时自动调整输出层和隐含层的加权系数wli(k)和wij(k),实现PID控制参数的自适应调整

    (7)置k=k+1,返回步骤(2)

    Matlab Simulink仿真建模

基于BP神经网络PID控制+Simulink仿真

    输入为阶跃信号,其参数为默认值,一个简单的闭环控制系统。BP神经网络PID控制器的内部结构如下图所示:

基于BP神经网络PID控制+Simulink仿真

    S-function的输入为:u=[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1);隐含层+输出层权值系数(k-2);隐含层+输出层权值系数(k-1)]=

[u(1);u(2);u(3);u(4);u(5);u(6);u(7);…u(隐含层权值个数+输出层权值个数)],把所有的权值系数从输出再返回到输入是为了更新权值矩阵,从而自适应的调整PID三个参数。关于S-function的使用方法,请参考我写的另一篇博客:           https://blog.csdn.net/weixin_42650162/article/details/90488610

    S-function函数

    下面是S-function函数编写的控制算法:

    为了更好的理解下面的程序代码,先要理解Matlab中的几个函数

基于BP神经网络PID控制+Simulink仿真

    通过(:)把一个矩阵变为一个列向量

基于BP神经网络PID控制+Simulink仿真

    通过reshape函数,从列向量里任意组成矩阵如c=reshape(b,3,8),b中元素按顺序排成一个3*8的矩阵,也就是还原了矩阵a,

    c=reshape(b(10:24),3,5),b中第10个元素到第24个元素,按顺序排成一个3*5的矩阵。

    在我编写的S-function函数中,就是通过reshape函数,把输入的隐含层+输出层的列权值系数还原成:隐含层权值系数矩阵+输出层权值系数矩阵,通过算法完成这两个权值系数矩阵的更新。

    下面是M文件编写的S-function控制算法:

function [sys,x0,str,ts,simStateCompliance] = nnbp(t,x,u,flag,T,nh,xite,alfa)
switch flag,
  case 0,
    [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh);
%初始化函数
  case 3,
    sys=mdlOutputs(t,x,u,nh,xite,alfa);
%输出函数
  case {1,2,4,9},
    sys=[];
  otherwise
    DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));
end
function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh)
%调用初始画函数,两个外部输入参数 参数T确定采样时间,参数nh确定隐含层层数
sizes = simsizes;
sizes.NumContStates  = 0;
sizes.NumDiscStates  = 0;
sizes.NumOutputs     = 4+6*nh;
%定义输出变量,包括控制变量u,三个PID参数:Kp,Ki,Kd,隐含层+输出层所有加权系数
sizes.NumInputs      = 7+12*nh;
%定义输入变量,包括前7个参数[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1)]
%隐含层+输出层权值系数(k-2),隐含层+输出层权值系数(k-1)
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1; 
sys = simsizes(sizes);
x0  = [];
str = [];
ts  = [T 0];
simStateCompliance = 'UnknownSimState';
function sys=mdlOutputs(t,x,u,nh,xite,alfa)
%调用输出函数
wi_2 = reshape(u(8:7+3*nh),nh,3);
%隐含层(k-2)权值系数矩阵,维数nh*3
wo_2 = reshape(u(8+3*nh:7+6*nh),3,nh);
%输出层(k-2)权值系数矩阵,维数3*nh
wi_1 = reshape(u(8+6*nh:7+9*nh),nh,3);
%隐含层(k-1)权值系数矩阵,维数nh*3
wo_1 = reshape(u(8+9*nh:7+12*nh),3,nh);
%输出层(k-1)权值系数矩阵,维数3*nh
xi = [u(6),u(4),u(1)];
%神经网络的输入xi=[u(6),u(4),u(1)]=[r(k),y(k),e(k)]
xx = [u(1)-u(2);u(1);u(1)+u(3)-2*u(2)];
%xx=[u(1)-u(2);u(1);u(1)+u(3)-2*u(2)]=[e(k)-e(k-1);e(k);e(k)+e(k-2)-2*e(k-1)]
I = xi*wi_1';
%计算隐含层的输入,I=神经网络的输入*隐含层权值系数矩阵的转置wi_1',结果为:
%I=[net0(k),net1(k)...netnh(k)]为1*nh矩阵
Oh = exp(I)./(exp(I)+exp(-I));
%激活函数,可更改
%计算隐含层的输出,(exp(I)-exp(-I))./(exp(I)+exp(-I))为隐含层的激活函数Sigmoid
%Oh=[o0(k),o1(k)...onh(k)],为1*nh的矩阵
O = wo_1*Oh';
%计算输出层的输入,维数3*1
K = 2./(exp(O)+exp(-O)).^2;
%激活函数,可更改
%计算输出层的输出K=[Kp,Ki,Kd],维数为1*3
%exp(Oh)./(exp(Oh)+exp(-Oh))为输出层的激活函数Sigmoid
uu = u(7)+K'*xx;
%根据增量式PID控制算法计算控制变量u(k)
dyu = sign((u(4)-u(5))/(uu-u(7)+0.0000001));
%计算输出层加权系数修正公式的sgn
%sign((y(k)-y(k-1))/(u(k)-u(k-1)+0.0000001)近似代表偏导
dK = 2./(exp(K)+exp(-K)).^2;
%激活函数,可更改
delta3 = u(1)*dyu*xx.*dK;
wo = wo_1+xite*delta3*Oh+alfa*(wo_1-wo_2);
%输出层加权系数矩阵的修正
dOh = 2./(exp(Oh)+exp(-Oh)).^2;
%激活函数,可更改
wi = wi_1+xite*(dOh.*(delta3'*wo))'*xi+alfa*(wi_1-wi_2);
%隐含层加权系数修正
sys = [uu;K(:);wi(:);wo(:)];
%输出层输出sys=[uu;K(:);wi(:);wo(:)]=
%[uu;Kp;Ki;Kd;隐含层+输出层所有权值系数]
%K(:),wi(:),wo(:),把这三个矩阵按顺序排为列向量

    本函数有四个外部输入变量:T,nh,xite,alfa T输入采样时间,nh确定隐含层层数,xite和alfa权值系数修正公式里的学习速率和惯性系数。

    为了更好地分配S-function的输出,需要对Demux进行如下设置:

基于BP神经网络PID控制+Simulink仿真

    确保前三个输出变量为:控制变量u,Kp,Ki,Kd,剩下的变量为隐含层权值系数矩阵+输出层权值系数矩阵总数之和。

    然后对此S-function函数进行封装:

具体过程可以参考我的另一篇博客:

    https://blog.csdn.net/weixin_42650162/article/details/90488610

    

基于BP神经网络PID控制+Simulink仿真

基于BP神经网络PID控制+Simulink仿真

    完成后点击S-function函数,会弹出外部参数设置框,设置参数如下:

基于BP神经网络PID控制+Simulink仿真

    注:T采样时间要和设置的控制算法的采样时间一样,不然会报错,如下:

基于BP神经网络PID控制+Simulink仿真

    下面是仿真结果:

基于BP神经网络PID控制+Simulink仿真

    Kp、Ki、Kd的自适应变化曲线:

    Kp:

基于BP神经网络PID控制+Simulink仿真

    Ki:

基于BP神经网络PID控制+Simulink仿真

    Kd:

基于BP神经网络PID控制+Simulink仿真

    有关仿真的所有资源已上传,如有需要可自行下载:

    https://download.csdn.net/download/weixin_42650162/11216367

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/138789.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(1)
blank

相关推荐

  • BLOG小技巧

    BLOG小技巧

  • 博客园—打赏功能

    博客园—打赏功能

  • Bigdecimal除法异常Non-terminating decimal expansion

    Bigdecimal除法异常Non-terminating decimal expansion文章目录异常分析解决措施思考总结异常分析其实提示信息已经很明显了,出现了无限循环小数,无法返回bigdecimal的值,回顾一下项目中的代码方式:returnnewBigDecimal(baseMonth).divide(newBigDecimal(workDay)).setScale(2,BigDecimal.ROUND_HALF_UP);代码如上,使用baseMonth除以workDay,返回的值按照四舍五入的方式保留两位小数。但是还是出现了异常,原因就在于divide的调用方式。解

  • datadrip 激活码(JetBrains全家桶)

    (datadrip 激活码)2021最新分享一个能用的的激活码出来,希望能帮到需要激活的朋友。目前这个是能用的,但是用的人多了之后也会失效,会不定时更新的,大家持续关注此网站~IntelliJ2021最新激活注册码,破解教程可免费永久激活,亲测有效,下面是详细链接哦~https://javaforall.cn/100143.html…

  • 0xFFFFFFFF 为什么表示-1

    0xFFFFFFFF 为什么表示-1负数的补码是:原码按位取反再加一逆序求原码:-1的补码是FFFF=1111111111111111减一:1111111111111110按位取反(除符号位):1000000000000001最高位1表示符号位,"0"表示正数"1"表示负数=========补充原码是不用求的。原码就是没有修改过的嘛。对于signedin…

  • Java基础篇:数组

    Java基础篇:数组

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号