我现在在做BP神经网络PID控制，遇到了问题，我是要做一个对比，一开始是常规的PID控制，仿真波形如图所示：然后我用BP神经网络PID控制进行仿真，得到的波形如图所示：
 
反而效果不好了，求大神们帮忙解决下，谢谢大神们了。
 
我的代码如下：是不是代码有问题？
 
clear all;
 
close all;
 
%xite=0.20; %学习速率?
 
%alfa=0.01; %惯性因子
 
xite=0.3;   %学习速率
 
alfa=0.1;   %惯性系数
 
rate=0.002; %斜坡给定速率
 
target=1.0; %给定值
 
IN=4;H=5;Out=3; %NN Structure
 
wi=[   0.2773  -0.1381   -0.1440   -0.2866      %输入层到隐层的权值
 
-0.1775  -0.3161    0.3253    0.3391
 
0.3126  -0.2484    0.0846    0.2476
 
-0.3079   0.1256    0.0537   -0.1814
 
0.4427  -0.0292    0.4158    0.7660];
 
wi=0.50*rands(H,IN);
 
wi_1=wi;wi_2=wi;wi_3=wi;
 
wo=[ -0.4302   0.2732   0.0628   -0.1689   -0.1948 %隐层到输出层的权值
 
-0.4521   0.4280  -0.0366   -0.3438    0.0225
 
0.0248  -0.3761  -0.4941    0.2883   -0.0908];
 
% wo=0.50*rands(Out,H);
 
wo_1=wo;wo_2=wo;wo_3=wo;
 
x=[0,0,0];
 
u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;
 
u_6=0;u_7=0;u_8=0;u_9=0;u_10=0;
 
u_11=0;u_12=0;u_13=0;u_14=0;u_15=0;u_16=0;u_17=0;u_18=0;u_19=0;  %赋初值
 
y_1=0;y_2=0;y_3=0;
 
Oh=zeros(H,1);   %中间层输出 创建一个H行，1列的零矩阵
 
I=Oh;            %中间层输入
 
error_2=0;
 
error_1=0;
 
%ts=20;
 
ts=15;
 
% sys=tf(1.2,[208 1],'inputdelay',80);
 
% dsys=c2d(sys,ts,'zoh');
 
% [num,den]=tfdata(dsys,'v');
 
s=tf('s');
 
% sys=1.2*exp(-80*s)/(208*s+1);
 
sys=1.5*exp(-30*s)/(145*s+1);
 
%sys=1.04*exp(-10*s)/(300*s+1);
 
%sys=1.5*exp(-2*s)/(20*s+1);
 
sysd=c2d(sys,ts,'z');%把传递函数离散化
 
[num,den]=tfdata(sysd,'v')%离散化后提取分子、分母
 
%for k=1:1:500
 
for k=1:1:100
 
time(k)=k*ts;      %时间
 
rin(k)=1.0;
 
%    rin(k)=rate*time(k);
 
%      if rin(k)>=target
 
%         rin(k)=target;
 
%     end
 
yout(k)=-den(2)*y_1+num(2)*u_3;
 
%yout(k)=-den(2)*y_1+num(2)*u_1;%根据差分方程计算系统当前输出y(k)
 
error(k)=rin(k)-yout(k);
 
xi=[error(k),error(k)-error_1,error(k)-2*error_1+error_2,1];
 
%xi=[rin(k),yout(k),error(k),1];   %输入层输入
 
%增量式PID控制算法
 
x(1)=error(k)-error_1;            %比例输出
 
x(2)=error(k);                    %积分输出
 
x(3)=error(k)-2*error_1+error_2;  %微分输出
 
epid=[x(1);x(2);x(3)];
 
I=xi*wi';         %隐含层输入
 
for j=1:1:H
 
Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %隐含层输出
 
end
 
K=wo*Oh;           %输出层输入
 
for l=1:1:Out
 
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %输出层输出
 
end
 
kp(k)=K(1);ki(k)=K(2);kd(k)=K(3);
 
%      kp(k)=1.5;
 
%      ki(k)=0.452;
 
%      kd(k)=0.42;
 
Kpid=[kp(k),ki(k),kd(k)];
 
du(k)=Kpid*epid;
 
u(k)=u_1+du(k);
 
%      if u(k)>=0.83
 
%         u(k)=0.83;
 
%     end
 
%     if u(k)<=-0.83
 
%         u(k)=-0.83;
 
%     end
 
if u(k)>=1.0
 
u(k)=1.0;
 
end
 
if u(k)<=-1.0
 
u(k)=-1.0;
 
end
 
dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.00000001));
 
%权值调整
 
%输出层
 
for j=1:1:Out
 
dK(j)=2/(exp(K(j))+exp(-K(j)))^2;
 
end
 
for l=1:1:Out
 
delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);
 
end
 
for l=1:1:Out
 
for i=1:1:H
 
d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);
 
end
 
end
 
wo=wo_1+d_wo+alfa*(wo_1-wo_2);
 
%隐含层
 
for i=1:1:H
 
dO(i)=4/(exp(I(i))+exp(-I(i)))^2;
 
end
 
segma=delta3*wo;
 
for i=1:1:H
 
delta2(i)=dO(i)*segma(i);
 
end
 
d_wi=xite*delta2'*xi;
 
wi=wi_1+d_wi+alfa*(wi_1-wi_2);
 
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);  %参数更新
 
u_10=u_9;u_9=u_8;u_8=u_7;u_7=u_6;u_6=u_5;
 
u_19=u_18;u_18=u_17;u_17=u_16;u_16=u_15;u_15=u_14;u_14=u_13;u_13=u_12;u_12=u_11;u_11=u_10;
 
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('时间(s)');ylabel('rin,yout');
 
figure(2);
 
plot(time,error,'r');
 
xlabel('时间(s)');ylabel('误差error');
 
figure(3);
 
plot(time,u,'r');
 
xlabel('时间(s)');ylabel('u');
 
figure(4);
 
subplot(311);
 
plot(time,kp,'r');
 
xlabel('时间(s)');ylabel('比例kp');
 
subplot(312);
 
plot(time,ki,'g');
 
xlabel('时间(s)');ylabel('积分ki');
 
subplot(313);
 
plot(time,kd,'b');
 
xlabel('时间(s)');ylabel('微分kd');

 
MATLAB基于BP神经网络PID控制程序>> %BP based PID Control
 
clear all;
 
close all;
 
xite=0.20; %学习速率
 
alfa=0.01; %惯性因子
 
IN=4;H=5;Out=3; %NN Structure
 
wi=[-0.6394 -0.2696 -0.3756 -0.7023;
 
-0.8603 -0.2013 -0.5024 -0.2596;
 
-1.0749 0.5543 -1.6820 -0.5437;
 
-0.3625 -0.0724 -0.6463 -0.2859;
 
0.1425 0.0279 -0.5406 -0.7660];
 
%wi=0.50*rands(H,IN); %隐含层加权系数wi初始化
 
wi_1=wi;wi_2=wi;wi_3=wi;
 
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;
 
-0.1146 0.2949 0.8352 0.2205 0.4508;
 
0.7201 0.4566 0.7672 0.4962 0.3632];
 
%wo=0.50*rands(Out,H); %输出层加权系数wo初始化
 
wo_1=wo;wo_2=wo;wo_3=wo;
 
ts=20; %采样周期取值
 
x=[0,0,0]; %比例，积分，微分赋初值
 
u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;
 
y_1=0;y_2=0;y_3=0;
 
Oh=zeros(H,1); %Output from NN middle layer 隐含层的输出I=Oh; %Input to NN middle layer 隐含层输入
 
error_2=0;
 
error_1=0;
 
for k=1:1:500 %仿真开始，共500步
 
time(k)=k*ts;

 
基于BP神经网络的PID控制器及其MATLAB仿真.pdf
 
2009 NO.10 中国新技术新产品
 
China New Technologies and Products
 
高新技术
 
基于BP 神经网络的PID 控制器及其MATLAB 仿真
 
谢利英
 
(衡阳财经工业职业技术学院，湖南 衡阳 421008)
 
摘 要: PID 控制算法简单、应用广泛，既能消除余差，又能提高系统的稳定性,但其P 环节、I 环节、D 环节的控制参数却参数难以整定；BP 神经
 
网络算法具有很强的数字运算能力，因此，可通过BP 神经网络自学习、加权系数调整，实现PID 的最优调整，本文以小车控制为例，利用BP 神
 
经网络的学习能力进行PID 参数的在线整定，并进行了MATLAB 仿真，结果表明，利用BP 神经网络可很快的找到PID 的控制参数。
 
关键词：
 
BP 网络；PID 控制；MATLAB 仿真
 
引言 由于输出层的神经元的活化函数不能为负数，
 
PID 控制器具有结构简单、鲁棒性强、工业 取非负的Sigmoid 函数：
 
上容易实现等优点，在工业控制中得到广泛应用。
 
但是，当控制对象为非线性和时变特性时，参数 性能指标函数为：
 
的整定及在线自适应调整问题就难以解决。BP 网 (6)
 
络具有较好的在线检测能力，将PID 控制器和BP 由梯度下降法，我们取加权系数的修整量为:
 
神经网络相结合可以实现PID 参数的自学习过程，
 
从而达到满意的控制效果。 (7)
 
1 BP 神经网络 [1] 其中，为学习效率；为惯性系数。
 
BP (Back Propagation)神经网络算法又称为
 
误差逆传播算法，这个算法的学习过程由正向传 (8)
 
播过程和反向传播过程组成，正向传播过程是依
 
据学习样本的输入向量从输入层到隐含层到输出 这里， 未知，为表示其变化轨迹，
 
层逐次修改权值矩值，两个过程反复交替，直至 由分析可知rin (k) =1.0,error (k) =rin (k) -
 
收敛为止。BP 神经网络是神经网络模型中应用最 用符号函数 取代。 yout (k) ;输出u 为速度，由公式 (3.2) 和 (3.3) 可
 
广泛的一种，以三层BP 网络为例，其模型如图1 在PID 控制器的应用中，使神经元的输出状 知：
 
所示： 态对应于PID 控制器的三个可调参数K 、K 、K ， Plant 的传递函数为： ；
 
p i d
 
便可通过神经网络自学习、加权系数调整，实现 系统的余差仿真曲线及kp、ki、kd 的变化曲
 
PID 的最优调整，即若取n=3，则可取： ， 线如图3 所示，图3 是在学习效率为η=0.02，惯
 
性系数为α=0.05 的情况下所得曲线。
 
，

 
内容介绍
 
原文档由会员 hk10101 发布
 
利用BP神经网络PID控制器进行优化
 
PID控制是最早发展起来的控制策略之一，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，因而难以建立精确的数学模型，应用常规PID控制器不能达到到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差[1]。因此常规PID控制的应用受到很大的限制和挑战。人们对PID应用的同时，也对其进行各种改进，主要体现在两个方面：一是对常规PID本身结构的改进，即变结构PID控制。另一方面，与模糊控制、神经网络控制和专家控制相结合，扬长避短，发挥各自的优势，形成所谓智能PID控制。这种新型控制器己引起人们的普遍关注和极大的兴趣，并已得到较为广泛的应用。它具有不依赖系统精确数学模型的特点，对系统参数变化具有较好的鲁棒性。主要算法有:基于规则的智能PID自学习控制算法、加辨识信号的智能自整定PID控制算法、专家式智能自整定PID控制算法、模糊PID控制算法、基于神经网络的PID控制算法、自适应PID预测智能控制算法和单神经元自适应PID智能控制等多种控制算法。
 
本设计正是利用BP神经网络PID控制器对一个单闭环调速系统进行仿真研究，并和常规的PID控制进行对比，从而得出BP神经网络PID控制器具有较强的自整定、自适应的优点。