bp模型优化预测与matlab仿真，pid参数优化

BP（Back Propagation）神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程，

%BP based PID Control
clcclearclose all
warning off
xite=0.25;  % 学习因子
alfa=0.05;  % 惯量因子
S=1; %Signal type
%NN Structure
IN=4;   % 输入层个数
H=5;    % 隐藏层个数
Out=3;  % 输出层个数
if S==1  %Step Signal
wi=[-0.6394   -0.2696   -0.3756   -0.7023;
    -0.8603   -0.2013   -0.5024   -0.2596;
    -1.0749    0.5543   -1.6820   -0.5437;
    -0.3625   -0.0724   -0.6463   -0.2859;
     0.1425    0.0279   -0.5406   -0.7660];
%wi=0.50*rands（HIN）;
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;
   -0.1146 0.2949 0.8352  0.2205  0.4508;
    0.7201 0.4566 0.7672  0.4962  0.3632];
%wo=0.50*rands（OutH）;
wo_1=wo;wo_2=wo;wo_3=wo;
end
 
if S==2  %Sine Signal
wi=[-0.2846    0.2193   -0.5097   -1.0668;
    -0.7484   -0.1210   -0.4708    0.0988;
    -0.7176    0.8297   -1.6000    0.2049;
    -0.0858    0.1925   -0.6346    0.0347;
     0.4358    0.2369   -0.4564   -0.1324];
%wi=0.50*rands（HIN）;
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[1.0438    0.5478    0.8682    0.1446    0.1537;
    0.1716    0.5811    1.1214    0.5067    0.7370;
    1.0063    0.7428    1.0534    0.7824    0.6494];
%wo=0.50*rands（OutH）;
wo_1=wo;wo_2=wo;wo_3=wo;
end

x=[000];
u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;
y_1=0;y_2=0;y_3=0;
% 初始化
Oh=zeros（H1）;    %从隐藏层到输出层
I=Oh;             %从输入层到隐藏层
error_2=0;
error_1=0;
 
ts=0.001;
for k=1:1:500
time（k）=k*ts;
if S==1
   rin（k）=1.0;
elseif S==2
   rin（k）=sin（1*2*pi*k*ts）;
end
%非线性模型
a（k）=1.2*（1-0.8*exp（-0.1*k））;
yout（k）=a（k）*y_1/（1+y_1^2）+u_1;  % 输出

error（k）=rin（k）-yout（k）;  % 误差
xi=[rin（k）yout（k）error（k）1];
 
x（1）=error（k）-error_1;
x（2）=error（k）;
x（3）=error（k）-2*error_1+error_2;
 
epid=[x（1）;x（2）;x（3）];
I=xi*wi‘;
for j=1:1:H
    Oh（j）=（exp（I（j））-exp（-I（j）））/（exp（I（j））+exp（-I（j）））; %Middle layer
end
K=wo*Oh;             %Output layer
for l=1:1:Out
    K（l）=exp（K（l））/（exp（K（l））+exp（-K（l）））;        %Getting kpkikd
end
kp（k）=K（1）;ki（k）=K（2）;kd（k）=K（3）;
Kpid=[kp（k）ki（k）kd（k）];
 
du（k）=Kpid*epid;
u（k）=u_1+du（k）;
% 饱和限制
if u（k）>=10
   u（k）=10;
end
if u（k）<=-10
   u（k）=-10;
end
 
dyu（k）=sign（（yout（k）-y_1）/（u（k）-u_1+0.0000001））;
 
%Output layer
for j=1:1:Out
    dK（j）=2/（exp（K（j））+exp（-K（j）））^2;
end
for l=1:1:Out
    delta3（l）=error（k）*dyu（k）*epid（l）*dK（l）;
end
 
for l=1:1:Out
   for i=1:1:H
       d_wo=xite*delta3（l）*Oh（i）+alfa*（wo_1-wo_2）;
   end
end
    wo=wo_1+d_wo+alfa*（wo_1-wo_2）;
%Hidden layer
for i=1:1:H
    dO（i）=4/（exp（I（i））+exp（-I（i）））^2;
end
    segma=delta3*wo;
for i=1:1:H
   delta2（i）=dO（i）*segma（i）;
end
 
d_wi=xite*delta2‘*xi;
wi=wi_1+d_wi+alfa*（wi_1-wi_2）;
% 参数更新
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u（k）;   
y_2=y_1;y_1=yout（k）;
   
wo_3=wo_2;
wo_2=wo_1;
wo_1=wo;
   
wi_3=wi_2;
wi_2=wi_1;
wi_1=wi;
 
error_2=error_1;
error_1=error（k）;
end
% 绘图
figure（1）;
plot（timerin‘r‘timeyout‘b‘‘linewidth‘2）;
xlabel（‘time（s）‘）;ylabel（‘rinyout‘）;   % 输入和输出
figure（2）;
plot（timeerror‘r‘‘linewidth‘2）;
xlabel（‘time（s）‘

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3490  2018-06-29 12:59  bp模型优化预测与matlab仿真\ysw4_1.m

     文件       2014  2018-06-29 12:59  bp模型优化预测与matlab仿真\ysw4_2.m

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num0_1.bmp

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num1_1.bmp

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num2_1.bmp

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num3_1.bmp

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num4_1.bmp

     文件       1134  2018-06-29 12:59  bp模型优化预测与matlab仿真\检验样本图片\num5_1.bmp

     目录          0  2018-08-27 20:08  bp模型优化预测与matlab仿真\检验样本图片

     目录          0  2018-08-27 20:08  bp模型优化预测与matlab仿真

----------- ---------  ---------- -----  ----

                12308                    10