【神经网络学习笔记】PID神经元网络解耦控制算法
来源:互联网 发布:粉多多类似软件 编辑:程序博客网 时间:2024/05/01 04:35
%% 该代码为基于pso算法优化的PID神经网络的系统控制算法%%% 清空环境变量clcclear%% 粒子初始化%粒子群算法中的两个参数c1=1.49445;c2=1.49445;%最大最小权值wmax=0.9;wmin=0.1;%最大最小速度Vmax=0.03;Vmin=-0.03;%最大最小个体popmax=0.3;popmin=-0.3;maxgen=50; % 进化次数 sizepop=20; %种群规模%随机产生一个种群for i=1:sizepop pop(i,:)=0.03*rand(1,45); %个体编码 fitness(i)=fun(pop(i,:)); %染色体的适应度 V(i,:)=0.003*rands(1,45); %初始化速度end%% 初始种群极值%找最好的染色体[bestfitness bestindex]=min(fitness);zbest=pop(bestindex,:); %全局最佳gbest=pop; %个体最佳fitnessgbest=fitness; %个体最佳适应度值fitnesszbest=bestfitness; %全局最佳适应度值%% 迭代寻优for i=1:maxgen i; for j=1:sizepop w=(wmax-wmin)*(i-1)/(maxgen)+wmin; %权值线性变化 V(j,:)=w*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); %速度更新 V(j,find(V(j,:)>Vmax))=Vmax; %小于最大速度 V(j,find(V(j,:)<Vmin))=Vmin; %大于最小速度 %种群更新 pop(j,:)=pop(j,:)+0.5*V(j,:); for k=1:45 if rand>0.95 pop(j,k)=0.3*rand; %自适应变异 end end pop(j,find(pop(j,:)>popmax))=popmax; %小于个体最大值 pop(j,find(pop(j,:)<popmin))=popmin; %大于个体最小值 %适应度值 fitness(j)=fun(pop(j,:)); end for j=1:sizepop %个体极值更新 if fitness(j)<fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j); end %全局极值更新 if fitness(j)<fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); end end %记录最优适应度值 yy(i)=fitnesszbest;end%% 最优个体控制figure(1)plot(yy)title('粒子群算法进化过程');xlabel('进化代数');ylabel('适应度');individual=zbest;w11=reshape(individual(1:6),3,2);w12=reshape(individual(7:12),3,2);w13=reshape(individual(13:18),3,2);w21=individual(19:27);w22=individual(28:36);w23=individual(37:45);rate1=0.006;rate2=0.001; %学习率k=0.3;K=3;y_1=zeros(3,1);y_2=y_1;y_3=y_2; %输出值u_1=zeros(3,1);u_2=u_1;u_3=u_2; %控制率h1i=zeros(3,1);h1i_1=h1i; %第一个控制量h2i=zeros(3,1);h2i_1=h2i; %第二个控制量h3i=zeros(3,1);h3i_1=h3i; %第三个空置量x1i=zeros(3,1);x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i; %隐含层输出 %权值初始化k0=0.03;%值限定ynmax=1;ynmin=-1; %系统输出值限定xpmax=1;xpmin=-1; %P节点输出限定qimax=1;qimin=-1; %I节点输出限定qdmax=1;qdmin=-1; %D节点输出限定uhmax=1;uhmin=-1; %输出结果限定for k=1:1:200 %--------------------------------网络前向计算-------------------------- %系统输出 y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2); y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3); y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1); r1(k)=0.7;r2(k)=0.4;r3(k)=0.6; %控制目标 %系统输出限制 yn=[y1(k),y2(k),y3(k)]; yn(find(yn>ynmax))=ynmax; yn(find(yn<ynmin))=ynmin; %输入层输出 x1o=[r1(k);yn(1)];x2o=[r2(k);yn(2)];x3o=[r3(k);yn(3)]; %隐含层 x1i=w11*x1o; x2i=w12*x2o; x3i=w13*x3o; %比例神经元P计算 xp=[x1i(1),x2i(1),x3i(1)]; xp(find(xp>xpmax))=xpmax; xp(find(xp<xpmin))=xpmin; qp=xp; h1i(1)=qp(1);h2i(1)=qp(2);h3i(1)=qp(3); %积分神经元I计算 xi=[x1i(2),x2i(2),x3i(2)]; qi=[0,0,0];qi_1=[h1i(2),h2i(2),h3i(2)]; qi=qi_1+xi; qi(find(qi>qimax))=qimax; qi(find(qi<qimin))=qimin; h1i(2)=qi(1);h2i(2)=qi(2);h3i(2)=qi(3); %微分神经元D计算 xd=[x1i(3),x2i(3),x3i(3)]; qd=[0 0 0]; xd_1=[x1i_1(3),x2i_1(3),x3i_1(3)]; qd=xd-xd_1; qd(find(qd>qdmax))=qdmax; qd(find(qd<qdmin))=qdmin; h1i(3)=qd(1);h2i(3)=qd(2);h3i(3)=qd(3); %输出层计算 wo=[w21;w22;w23]; qo=[h1i',h2i',h3i'];qo=qo'; uh=wo*qo; uh(find(uh>uhmax))=uhmax; uh(find(uh<uhmin))=uhmin; u1(k)=uh(1);u2(k)=uh(2);u3(k)=uh(3); %控制律 %--------------------------------------网络反馈修正---------------------- %计算误差 error=[r1(k)-y1(k);r2(k)-y2(k);r3(k)-y3(k)]; error1(k)=error(1);error2(k)=error(2);error3(k)=error(3); J(k)=0.5*(error(1)^2+error(2)^2+error(3)^2); %调整大小 ypc=[y1(k)-y_1(1);y2(k)-y_1(2);y3(k)-y_1(3)]; uhc=[u_1(1)-u_2(1);u_1(2)-u_2(2);u_1(3)-u_2(3)]; %隐含层和输出层权值调整 %调整w21 Sig1=sign(ypc./(uhc(1)+0.00001)); dw21=sum(error.*Sig1)*qo'; w21=w21+rate2*dw21; %调整w22 Sig2=sign(ypc./(uh(2)+0.00001)); dw22=sum(error.*Sig2)*qo'; w22=w22+rate2*dw22; %调整w23 Sig3=sign(ypc./(uh(3)+0.00001)); dw23=sum(error.*Sig3)*qo'; w23=w23+rate2*dw23; %输入层和隐含层权值调整 delta2=zeros(3,3); wshi=[w21;w22;w23]; for t=1:1:3 delta2(1:3,t)=error(1:3).*sign(ypc(1:3)./(uhc(t)+0.00000001)); end for j=1:1:3 sgn(j)=sign((h1i(j)-h1i_1(j))/(x1i(j)-x1i_1(j)+0.00001)); end s1=sgn'*[r1(k),y1(k)]; wshi2_1=wshi(1:3,1:3); alter=zeros(3,1); dws1=zeros(3,2); for j=1:1:3 for p=1:1:3 alter(j)=alter(j)+delta2(p,:)*wshi2_1(:,j); end end for p=1:1:3 dws1(p,:)=alter(p)*s1(p,:); end w11=w11+rate1*dws1; %调整w12 for j=1:1:3 sgn(j)=sign((h2i(j)-h2i_1(j))/(x2i(j)-x2i_1(j)+0.0000001)); end s2=sgn'*[r2(k),y2(k)]; wshi2_2=wshi(:,4:6); alter2=zeros(3,1); dws2=zeros(3,2); for j=1:1:3 for p=1:1:3 alter2(j)=alter2(j)+delta2(p,:)*wshi2_2(:,j); end end for p=1:1:3 dws2(p,:)=alter2(p)*s2(p,:); end w12=w12+rate1*dws2; %调整w13 for j=1:1:3 sgn(j)=sign((h3i(j)-h3i_1(j))/(x3i(j)-x3i_1(j)+0.0000001)); end s3=sgn'*[r3(k),y3(k)]; wshi2_3=wshi(:,7:9); alter3=zeros(3,1); dws3=zeros(3,2); for j=1:1:3 for p=1:1:3 alter3(j)=(alter3(j)+delta2(p,:)*wshi2_3(:,j)); end end for p=1:1:3 dws3(p,:)=alter2(p)*s3(p,:); end w13=w13+rate1*dws3; %参数更新 u_3=u_2;u_2=u_1;u_1=uh; y_2=y_1;y_1=yn; h1i_1=h1i;h2i_1=h2i;h3i_1=h3i; x1i_1=x1i;x2i_1=x2i;x3i_1=x3i;endtime=0.001*(1:k);figure(2)subplot(3,1,1)plot(time,r1,'r-',time,y1,'b-');title('PID神经元网络控制');ylabel('被控量1');legend('控制目标','实际输出','fontsize',12);subplot(3,1,2)plot(time,r2,'r-',time,y2,'b-');ylabel('被控量2');legend('控制目标','实际输出','fontsize',12);axis([0,0.2,0,1])subplot(3,1,3)plot(time,r3,'r-',time,y3,'b-'); xlabel('时间/s');ylabel('被控量3');legend('控制目标','实际输出','fontsize',12);figure(3)plot(time,u1,'r-',time,u2,'g-',time,u3,'b');title('PID神经网络提供给对象的控制输入');xlabel('时间'),ylabel('控制律');legend('u1','u2','u3');gridfigure(4)plot(time,J,'r-');axis([0,0.1,0,0.5]);gridtitle('网络学习目标函数J动态曲线');xlabel('时间');ylabel('控制误差');
0 0
- 【神经网络学习笔记】PID神经元网络解耦控制算法
- PID控制算法笔记
- 机器学习算法原理之人工神经元和单层神经网络
- 机器学习算法原理之人工神经元和单层神经网络
- 《神经网络与深度学习》笔记2:Sigmoid 神经元
- 《PID控制算法的C语言实现》学习笔记
- [机器学习]05.神经元神经网络
- 机器学习-神经元网络
- hjr学习-分类算法:BP神经元网络算法
- 神经网络PID控制
- 深入理解机器学习:从理论到算法-习题全解之第二十章:神经元网络
- 基于模糊神经网络PID算法的液位串级控制
- 神经网络与深度学习(一)——神经元与梯度下降算法
- 深度学习笔记:稀疏自编码器(1)——神经元与神经网络
- 神经网络与深度学习 笔记1 感知机 S型神经元
- 《Neural Networks and Deep Learning》学习笔记三-神经网络输出层神经元个数
- 小白学《神经网络与深度学习》笔记之一-计算机的潜意识:浅谈神经网络-从神经元到深度学习
- 神经元算法的原理 Microsoft 神经网络算法 (SSAS)
- 为activity增加左右手势识别
- redis aof
- tomcat 集群配置
- 培训机构多线程同步的面试题目
- 解析XML的方法
- 【神经网络学习笔记】PID神经元网络解耦控制算法
- HDU 2486 HDU2580 POJ3922 a simple stone game
- instance method '*****' not found (return type defaults to 'id')
- UVa703 - Triple Ties: The Organizer's Nightmare
- MediaWiki数据库表
- 静态变量、局部变量与全局变量详解
- CentOS6.3配置yum源
- java WeakHashMap详细介绍(源码解析)和使用示例
- 定时熄灭屏幕的方法