基于RBF神经网络的PID控制仿真代码

clear; clc; %% 参数初始化 
lr=0.1;%学习速率 
beta=0.05;%动量因子 
x=[000]‘;%初始化输入
nn=6;%隐含层节点数 
%RBF网络3-6-1结构初始化参数
ci=30*ones（3nn）;%节点基函数中心向量 
bi=40*ones（nn1）;%节点基函数方差
w=10*ones（nn1）; %输出层权重
h=zeros（nn1）;%隐藏层输出向量 
ci_1=ci;ci_3=ci_1;ci_2=ci_1; bi_1=bi;bi_2=bi_1;bi_3=bi_2; w_1=w;w_2=w_1;w_3=w_1; 
u_1=0;y_1=0; ec=[000]‘;%误差变化率eceecc
error_1=0;error_2=0;error=0;
% PID 初始参数设置 
kp0 = 0.03; ki0 = 0.28; kd0 = 0.03; flag=1;%控制模式flag=0 PID&RBF;flag=1 PID
kp_1=kp0; kd_1=kd0; ki_1=ki0; %pid参数学习率
kp_lr=0.20; kd_lr=0.20; ki_lr=0.20; ts=0.01; %% 
for t = 1:1:200 time（t）=t*ts; r（t）=1.0*sign（sin（2*pi*t*ts））;%系统参考输入 
    y（t）=（-0.3*y_1+u_1）/（6+y_1^2）;%系统输出 
%% 前向传播 %1.计算每个节点RBF的输出 
for j=1:1:nn 
    h（j）=exp（-norm（x-ci（:j））^2/（2*bi（j）*bi（j）））; 
end
%2. RBF网络输出 
ym（t）=w‘*h; %% 反向传播 %1. 输出权重更新计算 
d_w=0*w; 
for j=1:1:nn 
    d_w（j）=lr*（y（t）-ym（t））*h（j）; 
end
w=w_1+d_w+beta*（w_1-w_2）; %2. 节点基函数方差更新 
d_bi=0*bi; 
for j=1:1:nn 
    d_bi（j）=lr*（y（t）-ym（t））*w（j）*h（j）*（bi（j）^-3）*norm（x-ci（:j））^2; 
end
bi=bi_1+ d_bi+beta*（bi_1-bi_2）; %3. 节点中心更新 
for j=1:1:nn
    for i=1:1:3 
        d_ci（ij）=lr*（y（t）-ym（t））*w（j）*h（j）*（x（i）-ci（ij））*（bi（j）^-2）; 
    end
end
ci=ci_1+d_c