讨论：基于PID神经网络的系统辨识与控制

sunminmin

在采用pid神经网络对系统进行辨识时，采用批处理法给网络提供训练样本集，每学习一次（把样本集中的所有样本点输进网络供网络学习）网络进行一次权值的调整，学习N次，网络训练结束，得到训练的权值，在训练得到的权值的作用下网络能非常逼近被辨识对象的模型。理论是这样，但是我写的程序总是达不到预期的效果，是我对PID神经网络的批处理法理解错了，还是程序写的不对？？？

1. 
   
2. clc
   
3. clear
   
4. % close all
   
5. elta=0.03; %学习步长
   
6. step=400; %时间序列长度
   
7. err_goal=0.001; %err_goal为期望误差最小值
   
8. in1pw=zeros(step,1); %输入层至隐层比例元的权重
   
9. in2pw=zeros(step,1);
   
10. in1iw=zeros(step,1); %输入层至隐层积分元的权重
    
11. in2iw=zeros(step,1);
    
12. in1dw=zeros(step,1); %输入层至隐层微分元的权重
    
13. in2dw=zeros(step,1);
    
14. in1pw(1)=1; %输入层至隐层比例元的权重初值
    
15. in2pw(1)=-1;
    
16. in1iw(1)=0.1; %输入层至隐层积分元的权重初值
    
17. in2iw(1)=-0.1;
    
18. in1dw(1)=1; %输入层至隐层微分元的权重初值
    
19. in2dw(1)=-1;
    
20. in1pw(1:3,:)=1;
    
21. in2pw(1:3,:)=-1;
    
22. in1iw(1:3,:)=0.1;
    
23. in2iw(1:3,:)=-0.1;
    
24. in1dw(1:3,:)=1;
    
25. in2dw(1:3,:)=-1;
    
26. poutw=zeros(step,1); %隐含层比例神经元至输出层的权重
    
27. ioutw=zeros(step,1); %隐含层积分神经元至输出层的权重
    
28. doutw=zeros(step,1); %隐含层微分神经元至输出层的权重
    
29. poutw(1)=0.1; %隐含层比例神经元至输出层的权重初值
    
30. ioutw(1)=0.1; %隐含层积分神经元至输出层的权重初值
    
31. doutw(1)=0.1; %隐含层微分神经元至输出层的权重初值
    
32. poutw(1:3,:)=0.1;
    
33. ioutw(1:3,:)=0.1;
    
34. doutw(1:3,:)=0.1;
    
35. in1u=zeros(step,1); %输入层神经元1输入值
    
36. in2u=zeros(step,1); %输入层神经元2输入值
    
37. in1y=zeros(step,1); %输入层神经元1输出值
    
38. in2y=zeros(step,1); %输入层神经元2输出值
    
39. pu=zeros(step,1); %隐层比例神经元的输入值
    
40. iu=zeros(step,1); %隐层积分神经元的输入值
    
41. du=zeros(step,1); %隐层微分神经元的输入值
    
42. py=zeros(step,1); %隐层比例神经元的输出值
    
43. iy=zeros(step,1); %隐层积分神经元的输出值
    
44. dy=zeros(step,1); %隐层微分神经元的输出值
    
45. outu=zeros(step,1); %输出层神经元输入值
    
46. outy=zeros(step,1); %输出层神经元输出值
    
47. yi=zeros(step,1); %SPIDNN的输出值，其值等于输出层神经元的输出值
    
48.    
    
49. e=zeros(step,1); %对象输出和PIDNN输出之新息
    
50. pe=zeros(step,1);
    
51. ie=zeros(step,1);
    
52. de=zeros(step,1);
    
53.    
    
54. Je=zeros(step,1); %E为目标函数，即期望误差
    
55. sgnp=zeros(step,1);
    
56. sgni=zeros(step,1);
    
57. sgnd=zeros(step,1);
    
58. u=zeros(step,1);
    
59. y=zeros(step,1);
    
60. for i=1:600 %学习次数
    
61. for k=3:step
    
62.     u(k-1)=0.2*sin(2*pi*(k-1)/25)+0.3*sin(pi*(k-1)/75);
    
63.     y(k)=0.4*y(k-1)+0.54*y(k-2)+u(k-1)^3+u(k-1)^2-2.5*u(k-1)+rand()/4;
    
64. %     u(k)=0.2*sin(2*pi*k/25)+0.3*sin(pi*k/75);
    
65.    
    
66. % u(k-1)=0.6*sin(2*pi*(k-1)/50)+0.4*sin(2*pi*(k-1)/75);
    
67. % y(k)=5*y(k-1)/(2.5+y(k-1)^2)+u(k-1)^3;
    
68.     in1u(k)=u(k-1); %输入层神经元1输入值
    
69.     in2u(k)=y(k-1); %输入层神经元2输入值
    
70.     in1y(k)=in1u(k); %输入层神经元输出值
    
71.     in2y(k)=in2u(k);
    
72.     pu(k)=in1pw(k)*in1y(k)+in2pw(k)*in2y(k); %隐层比例神经元的输入值
    
73.     iu(k)=in1iw(k)*in1y(k)+in2iw(k)*in2y(k); %隐层积分神经元的输入值
    
74.     du(k)=in1dw(k)*in1y(k)+in2dw(k)*in2y(k); %隐层微分神经元的输入值
    
75.    
    
76.     py(k)=pu(k);
    
77.     iy(k)=iy(k-1)+iu(k);
    
78.     dy(k)=du(k)-du(k-1);
    
79.    
    
80. %     py(k) %隐层比例神经元的输出值限幅处理，防止网络过饱和
    
81.     if py(k)>1
    
82.         py(k)=1;        
    
83.     elseif py(k)<-1
    
84.         py(k)=-1;
    
85.     end
    
86.    
    
87. %     iy(k) %隐层积分神经元的输出值限幅处理，防止网络过饱和   
    
88.     if iy(k)>1
    
89.         iy(k)=1;        
    
90.     elseif iy(k)<-1
    
91.         iy(k)=-1;
    
92.     end
    
93.    
    
94. %     dy(k) %隐层微分神经元的输出值限幅处理，防止网络过饱和   
    
95.     if dy(k)>1
    
96.         dy(k)=1;        
    
97.     elseif dy(k)<-1
    
98.         dy(k)=-1;
    
99.     end
    
100.            
     
101.     outu(k)=poutw(k)*py(k)+ioutw(k)*iy(k)+doutw(k)*dy(k); %输出层神经元输入值
     
102.     outy(k)=outu(k); %输出层神经元输出值
     
103.    
     
104.     yi(k)=outy(k); %计算SPIDNN的输出值，其值等于输出层神经元的输出值
     
105.    
     
106.     sgnp(k)=sign((py(k)-py(k-1))/(pu(k)-pu(k-1)));
     
107.     sgni(k)=sign((iy(k)-iy(k-1))/(iu(k)-iu(k-1)));
     
108.     sgnd(k)=sign((dy(k)-dy(k-1))/(du(k)-du(k-1)));
     
109.         
     
110.     e(k)=y(k)-yi(k); %计算对象输出和PIDNN输出之差值
     
111.     Je(k)=e(k)^2/2;
     
112. 
     
113.     pe(k)=e(k)*poutw(k)*sgnp(k);
     
114.     ie(k)=e(k)*ioutw(k)*sgni(k);
     
115.     de(k)=e(k)*doutw(k)*sgnd(k);  
     
116. %  输入层至隐含层权值调整 %输入层至隐层比例元的权重
     
117. %输入层至隐层积分元的权重 %输入层至隐层微分元的权重
     
118. in1pw(k+1)=in1pw(k)+elta*(pe(k)*in1y(k));
     
119. in2pw(k+1)=in2pw(k)+elta*(pe(k)*in2y(k));  
     
120. in1iw(k+1)=in1iw(k)+elta*(ie(k)*in1y(k));
     
121. in2iw(k+1)=in2iw(k)+elta*(ie(k)*in2y(k));   
     
122. in1dw(k+1)=in1dw(k)+elta*(de(k)*in1y(k));
     
123. in2dw(k+1)=in2dw(k)+elta*(de(k)*in2y(k));
     
124. %  隐含层至输出层权值调整
     
125. poutw(k+1)=poutw(k)+elta*(e(k)*py(k)); %隐含层比例神经元至输出层的权重
     
126. ioutw(k+1)=ioutw(k)+elta*(e(k)*iy(k)); %隐含层积分神经元至输出层的权重
     
127. doutw(k+1)=doutw(k)+elta*(e(k)*dy(k)); %隐含层微分神经元至输出层的权重
     
128. end
     
129. in1pw(1:3,:)=in1pw(k+1);
     
130. in2pw(1:3,:)=in2pw(k+1);
     
131. in1iw(1:3,:)=in1iw(k+1);
     
132. in2iw(1:3,:)=in2iw(k+1);
     
133. in1dw(1:3,:)=in1dw(k+1);
     
134. in2dw(1:3,:)=in2dw(k+1);
     
135. poutw(1:3,:)=poutw(k+1);
     
136. ioutw(1:3,:)=ioutw(k+1);
     
137. doutw(1:3,:)=doutw(k+1);
     
138. 
     
139. end
     
140. figure
     
141. plot(yi,'r')
     
142. hold on
     
143. plot(y,'k--')
     
144. set(gcf, 'Color', [1,1,1]) %将图形窗口底色设为白色
     
145. % axis([0 1000 -15 15])
     
146. title('SPIDNNI')
     
147. % % figure
     
148. % % plot(Je)
     
149. % % title(' PIDNNI Je')
     
150. % % axis([0 1000 0 10])

复制代码

sunminmin

回复 1 # sunminmin 的帖子

给自己顶一下

ewqaz01

那应该是那个年代里绝无仅有的景色吧。一个二十岁的小姑娘，留着齐耳短发，穿着小小的牛仔衣，擎起一瓶啤酒，就那样在大街上喝着走着。进入山坡。桃花盛开的土地上一片松软，踩在上面脚很舒服。

若凡

帮楼主顶下，我对辨识也是刚看了点皮毛

xinglingjia

顶下！！！！！！！！！

liujinxin

PID可以做辨识吗？我怎么感觉智能用于控制器设计?