BP神经网络用于PID参数整定学习笔记

1、神经网络激励函数：
添加的处理函数一定要是可微的
才能使用梯度下降算法。
　sigmoid函数：一般常用这个函数
对这个函数求导：

Tanh函数

Tanh函数的图像如上图所示。它会将输入值压缩至-1到1之间，当然，它同样也有sigmoid函数里说到的第一个缺点，在很大或者很小的输入值下，神经元很容易饱和。但是它缓解了第二个缺点，它的输出是0中心化的。所以在实际应用中，tanh激励函数还是比sigmoid要用的多一些的。

有了此特性在计算它的梯度下降时就简便了很多；
2、反向传播算法又称BP算法（Back Propagation）

那么如何确定每个感知器的权向量呢？这时我们需要使用反向传播算法来逐步进行优化。
通过最小化损失函数来不断调整权向量
为了得到权向量，我们通过最小化损失函数来不断调整权向量。此方法也适用于此处求解权向量，首先我们需要定义损失函数，由于网络的输出层有多个输出结点，我们需要将输出层每个输出结点的差值平方求和。于是得到每一个训练样例的损失函数为：（前面加个0.5方便后面求导使用）

在多层的神经网络中，误差曲面可能有多个局部极小值，这意味着使用梯度下降算法找到的可能是局部极小值，而不是全局最小值。
现在我们有了损失函数，这时可以根据损失函数来调整输出结点中的输入权向量，这类似感知器中的随机梯度下降算法，然后从后向前逐层调整权重，这就是反向传播算法的思想。
输入

输出

输出导数：

学习速率不要开快，最小从0.000001开始学习，否则神经元很容易死掉，无法起作用

输出值只需要在理论值范围内即可

对此进行PID参数的自整定

前期非常混乱，神经网络正在学习适应系统，后期明显看出收敛的情况，再后期期望值与输出值像跳绳一样，逐渐重合




都是用python编写的，总结的不太好有点乱，有什么问题可以留言互相学习讨论，需要代码可发邮箱

后面还会进行多种pid的仿真处理，希望能够实现智能化pid参数整定，不需要人为参与，神经网络学习，人工智能实现自稳定，模仿自然进化一样。