基于BP神经网络自适应PID Simulink仿真分析

1  基于BP神经网络自适应PID Simulink仿真分析

1.1 原理简介

BP神经网络全称是前向传播神经网络，又名反向传播神经网络，一般由3层网络组成：输入层、隐含层(隐层)、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.

 式中，由于PID参数一般为非负数，所以激活函数g选取为非负的sigmoid函数：

 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。

由于输入就是选取变量，所以没什么好说的，最终得到隐层和输出层学习算法分别为：

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

可以用3种方法进行离散控制器搭建，但是由于权重维度原因，不建议采用状态变量搭建，所以本文用局部变量和延时模块两种方法进行搭建控制器，并且为了对比结果。 

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