基于附加动量项和自学习速率法的改进型BP神经网络优化PID自动控制

clear all;
close all;
xite_1=0.2;
alfa=0.95;

IN=4;H=5;Out=3;
wi=[-0.6394  -0.2696  -0.3756   -0.7023;
    -0.8603  -0.2013  -0.5024  -0.2596; 
    -1.0000  0.5543   -1.0000   -0.5437;
    -0.3625  -0.0724  0.6463  -0.2859;
    0.1425  0.0279    -0.5406   -0.7660
    ]; %隐含层加入按系数初始化 
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  ]; %输出层加权系数初始化s
wo_1=wo;wo_2=wo;wo_3=wo;

ts=40%采样周期取值
x=[000]; %比例、积分、微分初值
u_1=0.0;u_2=0.0;u_3=0.0;u_4=0;u_5=0;
y_1=0.0;y_2=0.0;y_3=0;

Oh=zeros（H1）;%隐含层的输出   
I=Oh;     %隐含层的输入        
error_2=0;
error_1=0;
de_1=0;

sys=tf（1.2[208 1]‘inputdelay‘80）;%建立被控对象的传递函数 
% sys=tf（[5][8 1]‘inputdelay‘80）;%建立被控对象的传递函数 
dsys=c2d（systs‘zoh‘）;%把传递函数离散化
[numden]=tfdata（dsys‘v‘）;%离散化后提取分子、分母

for k=1:1:500 %仿真开始 共1000步
     time（k）=k;
     rin（k）=1.0;
     if（k==250）
         rin（k）=2.0;
     end

     yout（k）=-den（2）*y_1+num（2）*u_5;
     error（k）=rin（k）-yout（k）;
     xi=[rin（k）yout（k）error（k）5]; 
    
     x（1）=error（k）-error_1; %比例输出 
     x（2）=error（k）;%积分输出 
     x（3）=error（k）-2*error_1+error_2;%微分输出
     epid=[x（1）;x（2）;x（3）]; 
     I=xi*wi‘; %隐含层的输入，即输入层输入*权值
     for j=1:1:H 
      Oh（j）=（exp（I（j））-exp（-I（j）））/（exp（I（j））+exp（-I（j）））;%在激活函数作用下隐含层的输出
     end
     K=wo*Oh; %输出层的输入，即隐含层的输出*权值
     for l=1:1:Out 
       K（l）=exp（K（l））/（exp（K（l））+exp（-K（l）））;%输出层的输出，即PID三个参数      
     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）; 
    if u（k）>=10         
        u（k）=10; 
    end 
    if u（k）<=-10   
         u（k）=-10; 
    end 
    
    de（k）=error（k）-error_1;
    if（de（k）>（de_1*1.04））
         xite（k）=0.7*xite_1;
%         alf