神经网络是模拟人脑思维方式的数学模型。神经网络是智能控制的一个重要分支，人们针对控制过程提供了各种实现方式，在本节我们主要讨论一下采用单神经元实现PID控制器的方式。

1、单神经元的基本原理

单神经元作为构成神经网络的基本单位，具有自学习和自适应能力，且结构简单而易于计算。接下来我们讨论一下单神经元模型的基本原理。

1.1、单神经元模型

所谓单神经元模型，是对人脑神经元进行抽象简化后得到一种称为McCulloch-Pitts模型的人工神经元，如下图所示。

根据上图所示，对于第i个神经元，x1、x2、……、xN是神经元接收到的信息，ω1、ω2、……、ωN为连接强度，又称之为权。采用某种运算方式把输入信号的作用结合起来，得到他们总的结果，称之为“净输入”通常用neti表示。根据所采用的运算方式的不同，净输入有不同的表示形式，比较常用的是线性加权求和，其表达式如下：

其中，θi是神经元i的阈值。

而神经元i的输出yi可以表示为其当前状态的函数，这个函数我们称之为激活函数。一般表示如下：

1.2、采用的学习规则

学习是神经网络的基本特征，而学习规则是实现学习过程的基本手段。学习规则主要实现对神经元之间连接强度的修正，即修改加权值。而学习过程可分为有监督学习和无监督学习两类。它们的区别简单的说，就是是否引入期望输出参与学习过程，引入了则称之为有督导学习。较为常用的学习规则有三种：

1.2.1、无监督Hebb学习规则

Hebb学习是一类相关学习，它的基本思想是：如果神经元同时兴奋，则它们之间的连接强度的增强与它们的激励的乘积成正比。以Oi表示单元i的激活值，以Oj表示单元j的激活值，以ωij表示单元j到单元i的连接强度，则Hebb学习规则可用下式表示：

1.2.2、有监督Delta学习规则

在Hebb学习规则中，引入教师信号，将式Oj换成网络期望目标输出dj和网络实际输出Oj之差，即为有监督Delta学习规则，即：

1.2.3、有监督Hebb学习规则

将无监督Hebb学习规则和有监督Delta学习规则两者结合起来，就组成有监督Hebb学习规则，即：

在以上各式中，η称之为学习速度。

2、单神经元PID的基本原理

在前面我们说明了单神经元的基本原理，接下来我们讨论如何将其应用的PID控制中。前面我们已经知道了神经元的输入输出关系，在这里我们考虑PID算法的增量型表达式：

若是我们记：x1(k)=err(k)，x2(k)=err(k)- err(k-1)，x3(k)=err(k)- 2err(k-1)+err(k-2)，同时将比例、积分、微分系数看作是它们对应的加权，并记为ωi(k)。同时我们引进一个比例系数K，则可将PID算法的增量型公式改为：

其中，

我们将PID的增量公式已经改为单神经元的输入输出表达形式，还需要引进相应的学习规则就可以得到单神经元PID控制器了。在这里我们采用有监督Hebb学习规则于是可以得到学习过程：

从学习规则的定义，我们知道在上式中，Z(k)= err(k)。而U(k)= U(k-1)+∆U(k)，ω(k)= ω(k-1)+∆ω(k)。到这里实际上已经得到了单神经元PID的算法描述。

3、单神经元PID的软件实现

有了前面的准备，我们就可以开始编写基于单神经元的PID控制程序了。首先依然是定义一个单神经元的PID结构体：

/*定义结构体和公用体*/
typedef struct
{float setpoint;               /*设定值*/float kcoef;                  /*神经元输出比例*/float kp;                     /*比例学习速度*/float ki;                     /*积分学习速度*/float kd;                     /*微分学习速度*/float lasterror;              /*前一拍偏差*/float preerror;               /*前两拍偏差*/float deadband;               /*死区*/float result;                 /*输出值*/float output;                 /*百分比输出值*/float maximum;                /*输出值的上限*/float minimum;                /*输出值的下限*/float wp;                     /*比例加权系数*/float wi;                     /*积分加权系数*/float wd;                     /*微分加权系数*/
}NEURALPID;

接下来在使用PID对象之前依然需要对它进行初始化操作，以保证在未修改参数的值之前，PID对象也是可用的。这部分初始化比较简单，与前面的各类PID对象的初始化类似。

/* 单神经元PID初始化操作,需在对vPID对象的值进行修改前完成                     */
/* NEURALPID vPID，单神经元PID对象变量，实现数据交换与保存                    */
/* float vMax,float vMin，过程变量的最大最小值（量程范围）                    */
void NeuralPIDInitialization(NEURALPID *vPID,float vMax,float vMin)
{vPID->setpoint=vMin;                  /*设定值*/vPID->kcoef=0.12; /*神经元输出比例*/vPID->kp=0.4;                         /*比例学习速度*/vPID->ki=0.35;                        /*积分学习速度*/vPID->kd=0.4;                         /*微分学习速度*/vPID->lasterror=0.0;                  /*前一拍偏差*/vPID->preerror=0.0;                   /*前两拍偏差*/vPID->result=vMin;                    /*PID控制器结果*/vPID->output=0.0;                     /*输出值，百分比*/vPID->maximum=vMax;                   /*输出值上限*/vPID->minimum=vMin;                   /*输出值下限*/  vPID->deadband=(vMax-vMin)*0.0005;    /*死区*/vPID->wp=0.10; /*比例加权系数*/vPID->wi=0.10; /*积分加权系数*/vPID->wd=0.10; /*微分加权系数*/
}

初始化之后，我们就可以调用该对象进行单神经元PID调节了。前面我们已经描述过算法，下面我们来实现它：

/* 神经网络参数自整定PID控制器，以增量型方式实现                              */
/* NEURALPID vPID，神经网络PID对象变量，实现数据交换与保存                    */
/* float pv，过程测量值，对象响应的测量数据，用于控制反馈                     */
void NeuralPID(NEURALPID *vPID,float pv)
{float x[3];float w[3];float sabsfloat error;float result;float deltaResult;error=vPID->setpoint-pv;result=vPID->result;if(fabs(error)>vPID->deadband){x[0]=error;x[1]=error-vPID->lasterror;x[2]=error-vPID->lasterror*2+vPID->preerror;sabs=fabs(vPID->wi)+fabs(vPID->wp)+fabs(vPID->wd);w[0]=vPID->wi/sabs;w[1]=vPID->wp/sabs;w[2]=vPID->wd/sabs;deltaResult=(w[0]*x[0]+w[1]*x[1]+w[2]*x[2])*vPID->kcoef;}else{deltaResult=0;}result=result+deltaResult;if(result>vPID->maximum){result=vPID->maximum;}if(result<vPID->minimum){result=vPID->minimum;}vPID->result=result;vPID->output=(vPID->result-vPID->minimum)*100/(vPID->maximum-vPID->minimum);//单神经元学习NeureLearningRules(vPID,error,result,x);vPID->preerror=vPID->lasterror;vPID->lasterror=error;
}

前面的算法分析中，我们就是将增量型PID算法的表达式转化为单神经元PID公式的。二者最根本的区别在于单神经元的学习规则算法，我们采用了有监督Hebb学习规则来实现。

/*单神经元学习规则函数*/
static void NeureLearningRules(NEURALPID *vPID,float zk,float uk,float *xi)
{vPID->wi=vPID->wi+vPID->ki*zk*uk*xi[0];vPID->wp=vPID->wp+vPID->kp*zk*uk*xi[1];vPID->wd=vPID->wd+vPID->kd*zk*uk*xi[2];
}

至此，单神经元PID算法就实现了，当然有很多进一步优化的方式，都是对学习规则算法的改进，因为改进了学习规则，自然就改进了单神经元PID算法。

4、单神经元PID总结

前面我们已经分析并实现了单神经元PID控制器，在本节我们来对它做一个简单的总结。

与普通的PID控制器一样，参数的选择对调节的效果有很大影响。对单神经元PID控制器来说，主要是4个参数：K、ηp、ηi、ηd，我们总结一下相关参数选取的一般规律。

（1）对连接强度（权重ω）初始值的选择并无特殊要求。

（2）对阶跃输入，若输出有大的超调，且多次出现正弦衰减现象，应减少增益系数K，维持学习速率ηp、ηi、ηd不变。若上升时间长，而且无超调，应增大增益系数K以及学习速率ηp、ηi、ηd。

（3）对阶跃输入，若被控对象产生多次正弦衰减现象，应减少比例学习速率ηp，而其它参数保持不变。

（4）若被控对象响应特性出现上升时间短，有过大超调，应减少积分学习速率ηi，而其它参数保持不变。

（5）若被控对象上升时间长，增大积分学习速率ηi又会导致超调过大，可适当增加比例学习速率ηp，而其它参数保持不变。

（6）在开始调整时，微分学习速率ηd应选择较小值，在调整比例学习速率ηp、积分学习速率ηi和增益系数K使被控对象达到较好特性后，再逐渐增加微分学习速率ηd，而其它参数保持不变。

（7）K是系统最敏感的参数，K值的变化相当于P、I、D三项同时变化。应在开始时首先调整K，然后再根据需要调整学习速率。

在单神经元PID控制器中，上述这些参数对调节效果的影响如何呢？一般情况下具有如下规律。

（1）在积分学习率、微分学习率不变的情况下，比例系数学习率越大则超调量越小，但是响应速度也会越慢；

（2）在比例学习率、微分学习率不变的情况下，积分系数学习率越大则响应会越快，但是超调量也会越大。

（3）在比例学习率、积分学习率不变的情况下，微分学习率对单神经元PID控制器的控制效果影响不大。

最后我们需要明白，单神经元PID算法是利用单神经元的学习特性，来智能的调整PID控制过程。单神经元可以实现自学习，这正好可以弥补传统PID算法的不足。正如前面所说，学习是它的最大特点，那么不同的学习算法对其性能的影响会很大，所以改进学习规则算法对提高性能有很大帮助。

欢迎关注：

PID控制器开发笔记之十三：单神经元PID控制器的实现相关推荐

PID控制器开发笔记之十一：专家PID控制器的实现
前面我们讨论了经典的数字PID控制算法及其常见的改进与补偿算法,基本已经覆盖了无模型和简单模型PID控制经典算法的大部.再接下来的我们将讨论智能PID控制,智能PID控制不同于常规意义下的智能控制,是 ...
PID控制器开发笔记之五：变积分PID控制器的实现
在普通的PID控制算法中,由于积分系数Ki是常数,所以在整个控制过程中,积分增量是不变的.然而,系统对于积分项的要求是,系统偏差大时,积分作用应该减弱甚至是全无,而在偏差小时,则应该加强.积分系数取大 ...
PID控制器开发笔记之七：微分先行PID控制器的实现
前面已经实现了各种的PID算法,然而在某些给定值频繁且大幅变化的场合,微分项常常会引起系统的振荡.为了适应这种给定值频繁变化的场合,人们设计了微分先行算法. 1.微分先行算法的思想微分先行PID控制 ...
PID控制器开发笔记之四：梯形积分PID控制器的实现
从微积分的基本原理看,积分的实现是在无限细分的情况下进行的矩形加和计算.但是在离散状态下,时间间隔已经足够大,矩形积分在某些时候显得精度要低了一些,于是梯形积分被提出来以提升积分精度. 1.梯形积分基 ...
单神经元PID控制+Simulink双闭环直流调速系统仿真
前段时间学习了基于神经网络的智能控制,这周就把单神经元PID控制器应用于转速电流双闭环直流调速系统双闭环直流调速系统的动态数学模型如下图所示: 外环为转速环,内环为电流环.本次转速调节器采用基于单神 ...
PID控制器开发笔记（转）
源: PID控制器开发笔记转载于:https://www.cnblogs.com/LittleTiger/p/10499701.html
单神经元PID控制（Simulink仿真+PLC代码）
有关博途PLC单神经元PID控制,请参看下面的文章链接博途PLC单神经元自适应PID控制_单神经元pid控制_RXXW_Dor的博客-CSDN博客1.单神经元作为构成神经网络的基本单位,具有自学习和 ...
单神经元PID控制+Simulink控制系统仿真
最近在学习基于神经网络的电机智能控制,神经网络与PID有两种结合方式:采用单神经元结构,神经元输入权值一一对应PID的三个参数,神经元的输入值为经过比例.积分和微分处理后的偏差值:另一种是在常规PID ...
PID控制器开发笔记之八：带死区的PID控制器的实现
在计算机控制系统中,由于系统特性和计算精度等问题,致使系统偏差总是存在,系统总是频繁动作不能稳定.为了解决这种情况,我们可以引入带死区的PID算法. 1.带死区PID的基本思想带死区的PID控制算法 ...

PID控制器开发笔记之十三：单神经元PID控制器的实现