基于神经网络的控制器设计与仿真

这个部分，主要是通过给定模型的输入和输出，然后通过网络进行训练，得到神经网络的辨识参数。

对于网络辨识部分，其基本构架如下所示：

上述的辨识结构，通过控制对象的输入和输出的延迟分别进入F网络和G网络，然后通过网络输出和实际输出的误差对网络F和网络G进行在线学习。

具体理论论文讲的比较详细了，这里不再重复，仿真效果如下所示：

部分核心程序：

clc;
clear all;
close all;
warning off;
addpath 'func\'
pack;

Num_In = 6;
Num_Hidden = 12;
Num_Out = 1;

load func\result3.mat

[In,Out] = func_data(y3,y_out3);

parameter;

while Error>Err_goal & Iter < Max_iter
u_delay1 = 0;
u_delay2 = 0;
u_delay3 = 0;
u_delay4 = 0;
y_delay1 = 0;
y_delay2 = 0;
y_delay3 = 0;
y_delay4 = 0;
Err_tmp = 0;
for k=1:All_Length


Data_Delays = [y_delay1;
y_delay2;
y_delay3;
u_delay2;
u_delay3;
u_delay4];

%隐层求和
[Y_hidden(k),Hidden1G,Hidden2G,Y_hiddenG(k),Hidden1F,Hidden2F,Y_hiddenF(k)] = func_Hiddern(Data_Delays,u_delay1,Num_Hidden,G_wight_In,G_wight_Inb,G_wight_Out,G_wight_Outb,F_wight_In,F_wight_Inb,F_wight_Out,F_wight_Outb);

Err_tmp = Out(k)-Y_hidden(k);

%F和G网络
%G神经网络计算
[dg_weight_in,dg_bweight_in,dg_weight_out,dg_bweight_out] = func_G_net(Err_tmp,Out(k),In(k),Y_hidden(k),G_wight_Out,Hidden2G,Data_Delays,Y_hiddenG(k),Hidden1G,Num_Hidden,Num_In);
%F神经网络计算
[df_weight_in,df_bweight_in,df_weight_out,df_bweight_out] = func_F_net(Err_tmp,Out(k),In(k),Y_hidden(k),F_wight_Out,Hidden2F,Data_Delays,Y_hiddenG(k),Hidden1F,Num_Hidden,Num_In);

%G网络权值更新
[G_wight_In,G_wight_Out,G_wight_Inb,G_wight_Outb]=func_G_W_updata(Learn_Rate,alpha,...
G_wight_In1,G_wight_Out1,G_wight_Inb1,F_wight_Outb1,...
dg_weight_in,dg_weight_out,dg_bweight_in,dg_bweight_out,...
G_wight_Outb1,...
G_wight_In2,G_wight_Out2,G_wight_Inb2,G_wight_Outb2);
%F网络权值更新
[F_wight_In,F_wight_Out,F_wight_Inb,F_wight_Outb]=func_F_W_updata(Learn_Rate,alpha,...
G_wight_In1,F_wight_Out1,F_wight_Inb1,F_wight_Outb1,...
df_weight_in,df_weight_out,df_bweight_in,df_bweight_out,...
G_wight_In2,F_wight_Out2,F_wight_Inb2,F_wight_Outb2);

%延迟
u_delay4 = u_delay3;
u_delay3 = u_delay2;
u_delay2 = u_delay1;
u_delay1 = In(k);

y_delay4 = y_delay3;
y_delay3 = y_delay2;
y_delay2 = y_delay1;
y_delay1 = Out(k);

G_wight_In2 = G_wight_In1;
G_wight_In1 = F_wight_In;
F_wight_Out2 = F_wight_Out1;
F_wight_Out1 = F_wight_Out;
F_wight_Inb2 = F_wight_Inb1;
F_wight_Inb1 = F_wight_Inb;
F_wight_Outb2 = F_wight_Outb1;
F_wight_Outb1 = F_wight_Outb;

G_wight_In2 = G_wight_In1;
G_wight_In1 = G_wight_In;
G_wight_Out2 = G_wight_Out1;
G_wight_Out1 = G_wight_Out;
G_wight_Inb2 = G_wight_Inb1;
G_wight_Inb1 = G_wight_Inb;
G_wight_Outb2 = G_wight_Outb1;
G_wight_Outb1 = G_wight_Outb;

end

Error = sum((Out-Y_hidden).^2)/k;
Error2(Iter) = Error;
%如果当前训练误差反而增加，则放弃此次训练结果，重新训练
if (Iter > 1) & (Error2(Iter) > 1.2*Error2(Iter-1))
Iter = Iter;
Break_cnt = Break_cnt + 1;
if Break_cnt > 20
Error2(Iter) = [];
break;
end
else
Break_cnt = 0;
Iter = Iter+1;
fprintf('迭代次数：%d ',Iter);
fprintf('误差：%f',Error);
fprintf('\n\n');
end
end

figure;
subplot(121);
plot(Times(1:1000),Out(1:1000),'r');
hold on;
plot(Times(1:1000),Y_hidden(1:1000),'b--');
hold on;
xlabel('Times(s)');
ylabel('Out');
legend('系统输出','网络输出');

subplot(122);
semilogy(1:length(Error2),Error2,'r-o');
xlabel('Times(s)');
ylabel('Error');
grid on;

F_wight_In0 = F_wight_In;
F_wight_Out0 = F_wight_Out;
G_wight_In0 = G_wight_In;
G_wight_Out0 = G_wight_Out;
F_wight_Inb0 = F_wight_Inb;
F_wight_Outb0 = F_wight_Outb;
G_wight_Inb0 = G_wight_Inb;
G_wight_Outb0 = G_wight_Outb;

save NN_reg_signal3.mat F_wight_In0 F_wight_Out0 G_wight_In0 G_wight_Out0 F_wight_Inb0 F_wight_Outb0 G_wight_Inb0 G_wight_Outb0

A08-16

基于神经网络的控制器设计与仿真相关推荐

基于S函数的BP神经网络PID控制器及simulink仿真
基于S函数的BP神经网络PID控制器及simulink仿真文章目录文章来源和摘要 S函数的编写格式和运行步骤 simulink模型结构 S函数模型初始化部分代码理解 S函数模型更新部分 S函数模型 ...
汽车主动悬挂系matlab,基于Matlab的汽车主动悬架控制器设计与仿真.doc
基于Matlab的汽车主动悬架控制器设计与仿真 <现代控制理论及其应用>课程小论文基于Matlab的汽车主动悬架控制器设计与仿真学院:机械工程学院班级() 姓名: 2015 ...
matlab 通讯系统设计与仿真,基于BPSK通信系统的设计与仿真
基于BPSK通信系统的设计与仿真一.BPSK信号调制原理 1.1 系统原理 file:///C:\Users\ADMINI~1.KGH\AppData\Local\Temp\ksohtml\wps ...
基于bp神经网络的pid算法,神经网络pid控制器设计
基于BP神经网络的PID控制器设计参考一下刘金琨的<先进PID控制>这本书. 例子:被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1)其中a ...
神经网络pid控制原理框图,神经网络pid控制器设计
神经网络自整定PID真的有效吗?我看图书馆的参考书上和知网论文上的方法,感觉推导过程都不对啊? 楼主的这个问题已经是六年前的问题了(今天2021年5月),不知道楼主现在还关注这个话题不?神经网络自整定 ...
基于STM32智能窗帘设计proteus仿真
本设计: 基于STM32智能窗帘设计(含源程序+proteus仿真) 仿真:proteus8.11 程序编译器:keil 5 编程语言:C语言编号C0007 [腾讯文档]C0007 网盘链接资料下 ...
m基于K-means聚类算法和神经网络的模糊控制器设计matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述聚类就是按照某个特定标准把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同 ...
m基于simulink的六自由度高超声速飞行器内外环飞行控制器设计与仿真实现
目录 1.算法仿真效果 2.MATLAB核心程序 3.算法涉及理论知识概要 4.完整MATLAB 1.算法仿真效果 matlab2022a仿真结果如下: 2.MATLAB核心程序 %========= ...
基于Matlab的汽车主动悬架控制器设计与仿真
1.内容简介略217-主动被动悬架-LQR 2.内容说明汽车悬架系统由弹性元件.导向元件和减振器组成,是车身与车轴之间连接的所有组合体零件的总称,也是车架(或承载式车身)与车桥(或车轮)之间一切力 ...

基于神经网络的控制器设计与仿真

基于神经网络的控制器设计与仿真相关推荐

最新文章

热门文章