基于BP神经网络PID控制器及Simulink仿真.zip

基于S函数的BP神经网络PID控制器及Simulink仿真，运用于Matlab2016b。

function [sysx0strts]=my_exppidf（txuflag）
switch flag
    case 0
        [sysx0strts]=mdlInitializeSizes;
    case 2
        sys=mdlUpdates（xu）;
    case 3
        sys=mdlOutputs（txu）;
    case {149}
        sys=[];
    otherwise
        error（[‘unhandled flag=‘num2str（flag）]）;%异常处理
end
function[sysx0strts]=mdlInitializeSizes
    sizes=simsizes;%用于设置模块参数的结构体用simsizes来生成
    sizes.NumContStates=0;%模块连续状态变量的个数
    sizes.NumDiscStates=3;%模块离散状态变量的个数
    sizes.NumOutputs=4;%模块输出变量的个数
    sizes.NumInputs=7;%模块输入变量的个数
    sizes.DirFeedthrough=1;%模块是否存在直接贯通，1表示存在直接贯通，若为0，则mdlOutputs函数里不能有u
    sizes.NumSampleTimes=1;%模块的采样时间个数至少是一个
    sys=simsizes（sizes）;%设置完后赋给sys输出
    x0=zeros（31）;%系统状态变量设置
    str=[];
    ts=[0 0];%采样周期设为0表示是连续系统，
%     ts=[0.001 0];%采样周期设为0表示是连续系统，
function sys=mdlUpdates（xu）
        T=0.001;
        x=[u（5）;x（2）+u（5）*T;（u（5）-u（4））/T];%3个状态量（偏差、偏差和以及偏差变化量），u（5）是偏差，u（4）是上一次的偏差，x（2）则是之前的偏差和
        sys=[x（1）;x（2）;x（3）];
function sys=mdlOutputs（txu）
            xite=0.2;
            alfa=0.05;
            IN=3;H=5;OUT=3;
            wi=rand（53）;%产生一个5*3的随机数矩阵，随机数在（0，1）区间
            wi_1=wi;wi_2=wi;wi_3=wi;
            wo=rand（35）;
            wo_1=wo;wo_2=wo;wo_3=wo;
            Oh=zeros（51）;%产生一个1*5的零矩阵（行矩阵）
            I=Oh;
            xi=[u（1）u（3）u（5）];%神经网络训练的3个输入，期望值、误差以及实际值
            epid=[x（1）;x（2）;x（3）];%3个状态变量（偏差、偏差和、偏差变化量）（3*1矩阵，列向量）
            I=xi*wi‘;%隐层的输入
            for j=1:1:5
                Oh（j）=（exp（I（j））-exp（-I（j）））/（exp（I（j））+exp（-I（j）））;%隐层的输出值（1*5矩阵）行矩阵
            end
            K1=wo*Oh;%输出层的输入（3*1矩阵）
            for i=1:1:3
                K（i）=exp（K1（i））/（exp（K1（i））+exp（-K1（i）））;%得到输出层的输出（KP、KI、KD）（1*3矩阵，行向量）
            end
            u_k=K*epid;%计算得到控制律u，1个值
            %%以下是权值调整
            %隐含层至输出层的权值调整
            dyu=sign（（u（3）-u（2））/（u（7）-u（6）+0.0001））;
            for j=1:1:3
                dK（j）=2/（exp（K1（j））+exp（-K1（j）））^2; %输出层的输出的一阶导
            end
            for i=1:1:3
                delta3（i）=u（5）*dyu*epid（i）*dK（i）;  %输出层的delta
            end
            for j=1:1:3
                for i=1:1:5
                    d_wo=xite*delta3（j）*Oh（i）+alfa*（wo_1-wo_2）;
                end
            end
            wo=wo_1+d_wo;
            %以下是输入层至隐含层的权值调整
            for i=1:1:5
                dO（i）=4/（exp（I（i））+exp（-I（i）））^2;%（1*5矩阵）
            end
            segma=delta3*wo;%（1*5矩阵，行向量）
            delta2 = dO.*segma;
            d_wi = delta2‘*xi+alfa*（wi_1-wi_2）;
            wi=wi_1+d_wi;
            wo_3=wo_2;
            wo_2=wo_1;
            wo_1=wo;%储存输出层本次调整后的权值
            wi_3=wi_2;
            wi_2=wi_1;
            wi_1=wi;%储存隐层本次调整后的权值
         Kp=K（1）;Ki=K（2）;Kd=K（3）;
         sys=[u_kKpKiKd];       

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-05-27 18:53  基于BP神经网络PID控制器及Simulink仿真\
     文件       36686  2018-05-27 18:39  基于BP神经网络PID控制器及Simulink仿真\fig0.02.jpg
     文件       40098  2018-05-27 18:40  基于BP神经网络PID控制器及Simulink仿真\fig0.1.jpg
     文件       38329  2018-05-27 17:15  基于BP神经网络PID控制器及Simulink仿真\fig0.2.jpg
     文件       23874  2018-05-27 18:41  基于BP神经网络PID控制器及Simulink仿真\MyBPPID.slx
     文件        3251  2018-05-24 21:18  基于BP神经网络PID控制器及Simulink仿真\my_exppidf.m
     文件      160169  2018-05-27 18:53  基于BP神经网络PID控制器及Simulink仿真\必读.docx