神經(jīng)網(wǎng)絡(luò)控制及應(yīng)用辨識與控制

關(guān)于神經(jīng)網(wǎng)絡(luò)控制及應(yīng)用辨識與控制第1頁，講稿共63頁，2023年5月2日，星期三23.2.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識原理

定義：系統(tǒng)辨識就是在輸入和輸出數(shù)據(jù)的基礎(chǔ)上，從一組給定的模型類中確定一個與所測系統(tǒng)等價的模型。

1．動態(tài)系統(tǒng)的常用自回歸滑動平均模型以單輸入單輸出(SISO)時不變離散系統(tǒng)為對象：

3.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識系統(tǒng)Ⅰ

系統(tǒng)Ⅱ系統(tǒng)Ⅲ3.2.1.1系統(tǒng)辨識原理

第2頁，講稿共63頁，2023年5月2日，星期三31．動態(tài)系統(tǒng)的常用自回歸滑動平均模型3.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識系統(tǒng)Ⅳ

系統(tǒng)Ⅴ

其中，u(k)、y(k)和d(k)分別代表系統(tǒng)在k時刻的可測輸入、輸出和擾動，m、n和l分別為輸入時間序列、輸出時間序列和擾動時間序列的階次，且，、和為常系數(shù)，，，γ=1,2,…,l。3.2.1.1系統(tǒng)辨識原理

第3頁，講稿共63頁，2023年5月2日，星期三4系統(tǒng)Ⅰ對過去n個時刻的輸出和過去m個時刻的輸入是線性的

；系統(tǒng)Ⅱ?qū)η皀個時刻的輸出是線性的，對前m個時刻的輸入是非線性的；系統(tǒng)Ⅲ對過去的輸出是非線性的，對過去的輸入是線性的

；系統(tǒng)Ⅳ對過去的輸出和過去的輸入都非線性的

；系統(tǒng)Ⅴ的輸出是n個過去的輸入和m個過去的輸出非線性函數(shù)，是非線性系統(tǒng)的通用表達(dá)式，而系統(tǒng)Ⅱ～系統(tǒng)Ⅳ可看作它的特例。

3.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識1．動態(tài)系統(tǒng)的常用自回歸滑動平均模型3.2.1.1系統(tǒng)辨識原理

第4頁，講稿共63頁，2023年5月2日，星期三53.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識2．動態(tài)系統(tǒng)的離散狀態(tài)空間模型仿射型：

一般型：

其中，為非線性算子，u(k)，y(k)，x(k)是系統(tǒng)在時刻k的輸入、輸出和狀態(tài)變量。設(shè)系統(tǒng)具有能觀性和能控性。3.2.1.1系統(tǒng)辨識原理

第5頁，講稿共63頁，2023年5月2日，星期三61)實(shí)驗(yàn)設(shè)計確定輸入信號、采樣周期、辨識時間、開環(huán)或閉環(huán)、離線或在線等等。2)確定辨識模型M的結(jié)構(gòu)

M的結(jié)構(gòu)設(shè)計主要依靠人的經(jīng)驗(yàn)來確定，M可以由一個或多個神經(jīng)網(wǎng)絡(luò)組成，也可以加入線性系統(tǒng)。3)確定辨識模型的參數(shù)需要選擇合適的參數(shù)辨識算法。采用BP神經(jīng)網(wǎng)絡(luò)時，可采用一般的BP學(xué)習(xí)算法辨識網(wǎng)絡(luò)的權(quán)值參數(shù)。4)模型檢驗(yàn)?zāi)Ｐ偷膶?shí)際應(yīng)用效果是對系統(tǒng)辨識效果優(yōu)劣的檢驗(yàn)標(biāo)準(zhǔn)。3.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.1.2辨識的主要步驟

第6頁，講稿共63頁，2023年5月2日，星期三73.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.1.3在線辨識與離線辨識

dP

∑+-e(k)u(k)第7頁，講稿共63頁，2023年5月2日，星期三83.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.1.3在線辨識與離線辨識

在線辨識是在系統(tǒng)實(shí)際運(yùn)行中進(jìn)行的，辨識過程由實(shí)時性要求。離線辨識是在已取得大量系統(tǒng)的輸入輸出后，用這些歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練（辨識），因此辨識過程與實(shí)際系統(tǒng)是分離的，無實(shí)時性要求。離線辨識可使神經(jīng)網(wǎng)絡(luò)在系統(tǒng)工作前預(yù)先完成訓(xùn)練過程，但因輸入輸出訓(xùn)練樣本集很難覆蓋系統(tǒng)所有可能的工作范圍，因而難以適應(yīng)系統(tǒng)在工作過程中的參數(shù)變化。在實(shí)際應(yīng)用中，一般先進(jìn)行離線訓(xùn)練，得到網(wǎng)絡(luò)的權(quán)值后再進(jìn)行在線學(xué)習(xí)，這時網(wǎng)絡(luò)離線訓(xùn)練后的權(quán)值就成為在線學(xué)習(xí)時的初始值，從而使辨識的實(shí)時性得到改善。

第8頁，講稿共63頁，2023年5月2日，星期三93.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2系統(tǒng)模型的神經(jīng)網(wǎng)絡(luò)辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡(luò)辨識采用系統(tǒng)Ⅴ的一般描述，設(shè)n=3，m=2，被辨識系統(tǒng)差分方程為令辨識模型M為或

(3-90)

(3-91)

第9頁，講稿共63頁，2023年5月2日，星期三103.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡(luò)辨識并聯(lián)結(jié)構(gòu)

第10頁，講稿共63頁，2023年5月2日，星期三113.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡(luò)辨識串-并聯(lián)結(jié)構(gòu)

第11頁，講稿共63頁，2023年5月2日，星期三12e(t)y(t+1)u(t)e(t)y(t+1)P(NN)u(t)P(NN)系統(tǒng)逆模型辨識的兩種結(jié)構(gòu)(a)反饋結(jié)構(gòu)(b)前饋結(jié)構(gòu)

3.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.2系統(tǒng)逆模型的神經(jīng)網(wǎng)絡(luò)辨識第12頁，講稿共63頁，2023年5月2日，星期三133.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識應(yīng)用實(shí)例建立加熱爐中鋼坯表面溫度預(yù)報模型在BP網(wǎng)絡(luò)的基礎(chǔ)之上把輸出端信號通過延時環(huán)節(jié)反饋到輸入端，從而形成動態(tài)BP網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)辨識模型

第13頁，講稿共63頁，2023年5月2日，星期三14

在選取樣本時，兩組不同工況下的數(shù)據(jù)中的爐膛溫度都進(jìn)行線性化處理，工況1、2分別以爐溫達(dá)850℃和880℃時取樣的加熱數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練誤差曲線工況1實(shí)測溫度、預(yù)報溫度比較圖第14頁，講稿共63頁，2023年5月2日，星期三153.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識應(yīng)用實(shí)例例二：糧食干燥熱力過程神經(jīng)網(wǎng)絡(luò)模型辨識

糧食干燥塔系統(tǒng)簡化圖

神經(jīng)網(wǎng)絡(luò)辨識模型

第15頁，講稿共63頁，2023年5月2日，星期三163.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識應(yīng)用實(shí)例例二：糧食干燥熱力過程神經(jīng)網(wǎng)絡(luò)模型辨識

干燥塔出口糧食水分神經(jīng)網(wǎng)絡(luò)辨識結(jié)果與實(shí)測結(jié)果比較第16頁，講稿共63頁，2023年5月2日，星期三173.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識例三：BP網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用根據(jù)齒輪箱9組數(shù)據(jù)，用BP神經(jīng)網(wǎng)絡(luò)對其進(jìn)行故障診斷（數(shù)據(jù)為齒輪的嚙合頻率，并進(jìn)行歸一化處理。網(wǎng)絡(luò)結(jié)構(gòu)為15-31-3）。由于齒輪包括3種故障模式，故可采用如下的形式表示輸出模式：無故障：（1，0，0）；齒根裂紋：（0，1，0）；斷齒：（0，0，1）；其中三組測試數(shù)據(jù)對應(yīng)的故障分別為齒根裂紋、無故障、斷齒。而網(wǎng)絡(luò)輸出值為：

0.00280.99070.01010.95650.02170.00610.02420.00210.9919第17頁，講稿共63頁，2023年5月2日，星期三18>>P=[0.22860.12920.0720.15920.13350.07330.11590.0940.05220.13450.0090.1260.36190.0690.1828;0.2090.09470.13930.13870.25580.090.07710.08820.03930.1430.01260.1670.2450.05080.1328;0.04420.0880.11470.05080.13280.1150.14530.04290.18180.03780.00920.22510.15160.08580.067;0.26030.17150.07020.27110.14910.1330.09680.19110.25450.08710.0060.17930.10020.07890.0909;0.3690.22220.05620.51570.18720.16140.14250.15060.13100.050.00780.03480.04510.07070.088;0.03590.11490.1230.5460.19770.12480.06240.08320.1640.10020.00590.15030.18370.12950.07;0.17590.23470.18290.18110.29220.06550.07740.22730.20560.09250.00780.18520.35010.1680.2668;0.07240.19090.1340.24090.28420.0450.08240.10640.19090.15860.01160.16980.36440.27180.2494;0.26340.22580.11650.11540.10740.06570.0610.26230.25880.11550.0050.09780.15110.22730.322]';T=[100;100;100;010;010;010;001;001;001]';threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');第18頁，講稿共63頁，2023年5月2日，星期三19net.trainParam.epochs=50;net.trainParam.goal=0.001;LP.lr=0.1;net=train(net,P,T);%測試數(shù)據(jù)test=[0.25930.180.07110.28010.15010.12980.10010.18910.25310.08750.00580.18030.09920.08020.1002;0.21010.0950.12980.13590.26010.10010.07530.0890.03890.14510.01280.1590.24520.05120.1319;0.25990.22350.12010.11710.11020.06830.06210.25970.26020.11670.00480.10020.15210.22810.3205]';y=sim(net,test)TRAINLM-calcjx,Epoch0/50,MSE0.29517/0.001,Gradient0.29501/1e-010TRAINLM-calcjx,Epoch5/50,MSE0.000163395/0.001,Gradient0.000683316/1e-010TRAINLM,Performancegoalmet.y=0.00280.99070.01010.95650.02170.00610.02420.00210.9919第19頁，講稿共63頁，2023年5月2日，星期三203.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識例四：RBF網(wǎng)絡(luò)在股市價格中的應(yīng)用這里將3天作為一個周期，3天的股票價格作為網(wǎng)絡(luò)的輸入向量，輸出為預(yù)測日當(dāng)天的股票價格。日期股票價格日期股票價格10.125470.711920.231580.868530.329790.925640.437650.542560.6078第20頁，講稿共63頁，2023年5月2日，星期三21P=[0.12540.23150.3279;0.23150.32970.4376;0.32970.43760.5425;0.43760.54250.6078;0.54250.60780.7119]';T=[0.43760.54250.60780.71190.8685];P_test=[0.60780.71190.8685]';net=newrb(P,T,0,40);y=sim(net,P_test)x9=0.9256;e=x9-yNEWRB,neurons=0,SSE=0.0196226y=0.8343e=0.0913第21頁，講稿共63頁，2023年5月2日，星期三22

神經(jīng)網(wǎng)絡(luò)控制是神經(jīng)網(wǎng)絡(luò)與自動控制相結(jié)合而形成的一門綜合性學(xué)科，基于神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng)已有許多成功的應(yīng)用實(shí)例，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計與應(yīng)用既需要熟悉神經(jīng)網(wǎng)絡(luò)的各種網(wǎng)絡(luò)模型、學(xué)習(xí)算法以及主要特性，又要熟悉控制領(lǐng)域的廣泛理論與方法，如非線性控制、系統(tǒng)辨識和自適應(yīng)控制等等。本節(jié)簡要介紹人工神經(jīng)網(wǎng)絡(luò)控制的常用結(jié)構(gòu)，重點(diǎn)介紹幾種神經(jīng)網(wǎng)絡(luò)控制方案的設(shè)計方法、性能分析以及應(yīng)用舉例。3.3神經(jīng)網(wǎng)絡(luò)控制第22頁，講稿共63頁，2023年5月2日，星期三233.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3.1.1直接逆控制系統(tǒng)結(jié)構(gòu)直接逆控制是一種前饋控制，設(shè)被控對象模型為P且其逆模型P-1存在，理論上可直接用P-1作為控制器與被控對象串聯(lián)，此時控制器P-1的輸入為系統(tǒng)的參考輸入r，輸出為u，而被控對象的輸入為u，輸出為y，理想情況下應(yīng)有y=r，即系統(tǒng)的傳遞函數(shù)為P

P-1=1。因此，可先通過離線訓(xùn)練使神經(jīng)網(wǎng)絡(luò)控制器NNC獲得被控對象的逆特性P-1，再將具有逆特性P-1的NNC與被控對象串聯(lián)。3.3神經(jīng)網(wǎng)絡(luò)控制第23頁，講稿共63頁，2023年5月2日，星期三24NNC()對象NN()神經(jīng)網(wǎng)絡(luò)直接逆控制結(jié)構(gòu)

該控制結(jié)構(gòu)的一種實(shí)現(xiàn)方案如下圖所示:3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.1直接逆控制系統(tǒng)結(jié)構(gòu)第24頁，講稿共63頁，2023年5月2日，星期三25-dyu-f

r+濾波器NNC()對象NNI()

內(nèi)?？刂萍磧?nèi)部模型控制，該方案即保留了直接逆控制的優(yōu)點(diǎn)又可以較好地解決直接逆控制存在的問題。

3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.2內(nèi)?？刂葡到y(tǒng)結(jié)構(gòu)第25頁，講稿共63頁，2023年5月2日，星期三26

PID控制要取得較好的控制效果，關(guān)鍵在于調(diào)整好比例、積分和微分三種控制作用的關(guān)系。在常規(guī)PID控制器中，這種關(guān)系只能是簡單的線性組合，因此難以適應(yīng)復(fù)雜系統(tǒng)或復(fù)雜環(huán)境下的控制性能要求。從變化無窮的非線性組合中可以找到三種控制作用既相互配合又相互制約的最佳關(guān)系，而神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力，可用來實(shí)現(xiàn)具有最佳組合的PID控制。3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.3PID控制系統(tǒng)結(jié)構(gòu)第26頁，講稿共63頁，2023年5月2日，星期三273.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.3PID控制系統(tǒng)結(jié)構(gòu)第27頁，講稿共63頁，2023年5月2日，星期三28

間接自校正控制常稱為自校正控制，該方案可在被控系統(tǒng)參數(shù)變化的情況下自動調(diào)整控制器參數(shù)，消除擾動的影響。3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.4間接自校正控制系統(tǒng)結(jié)構(gòu)第28頁，講稿共63頁，2023年5月2日，星期三29

預(yù)測控制是一種基于被控對象的預(yù)測模型的控制，特點(diǎn)是滾動優(yōu)化和反饋校正。由于神經(jīng)網(wǎng)絡(luò)能辨識非線性動態(tài)系統(tǒng)的輸入輸出特性，可作為系統(tǒng)的預(yù)測模型。3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.5預(yù)測控制系統(tǒng)結(jié)構(gòu)第29頁，講稿共63頁，2023年5月2日，星期三30

模型參考自適應(yīng)控制來源于線性系統(tǒng)的模型參考自適應(yīng)控制(MRAC)，當(dāng)被控對象具有未知的非線性特性時，可采用神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制方案，其結(jié)構(gòu)如下。

間接型直接型3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.6模型參考自適應(yīng)控制系統(tǒng)結(jié)構(gòu)第30頁，講稿共63頁，2023年5月2日，星期三31

智能控制的思路是模仿人的智能行為進(jìn)行控制，人作出控制決策時憑借的不是數(shù)學(xué)模型而是經(jīng)驗(yàn)，而這些經(jīng)驗(yàn)是經(jīng)過“行動—評價—改進(jìn)行動方案—再行動”的多次反復(fù)才能獲得的，再勵學(xué)習(xí)控制就是模仿人的這種學(xué)習(xí)方式而提出的。3.3.1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡(luò)控制3.3.1.7再勵學(xué)習(xí)控制系統(tǒng)結(jié)構(gòu)第31頁，講稿共63頁，2023年5月2日，星期三323.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

設(shè)被控對象為

1.神經(jīng)網(wǎng)絡(luò)辨識器的設(shè)計

,

(3-92)第32頁，講稿共63頁，2023年5月2日，星期三33第33頁，講稿共63頁，2023年5月2日，星期三343.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

1.神經(jīng)網(wǎng)絡(luò)辨識器的設(shè)計第34頁，講稿共63頁，2023年5月2日，星期三353.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

1.神經(jīng)網(wǎng)絡(luò)辨識器的設(shè)計第35頁，講稿共63頁，2023年5月2日，星期三363.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第36頁，講稿共63頁，2023年5月2日，星期三373.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第37頁，講稿共63頁，2023年5月2日，星期三383.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第38頁，講稿共63頁，2023年5月2日，星期三393.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第39頁，講稿共63頁，2023年5月2日，星期三403.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第40頁，講稿共63頁，2023年5月2日，星期三413.3神經(jīng)網(wǎng)絡(luò)控制3.3.2.1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

2.神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計

第41頁，講稿共63頁，2023年5月2日，星期三42例:設(shè)被控對象的近似數(shù)學(xué)模型為：神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-5-3，學(xué)習(xí)速率為=0.28，慣性系數(shù)=0.04，加權(quán)系數(shù)初始值取[-0.5,0.5]上的隨機(jī)數(shù)。輸入信號分為兩種：（1）（2）第42頁，講稿共63頁，2023年5月2日，星期三43第43頁，講稿共63頁，2023年5月2日，星期三44clearall;closeall;xite=0.20;alfa=0.05;S=2;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end第44頁，講稿共63頁，2023年5月2日，星期三45ifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;y_1=0;y_2=0;y_3=0;Oh=zeros(H,1);%OutputfromNNmiddlelayerI=Oh;%InputtoNNmiddlelayererror_2=0;error_1=0;第45頁，講稿共63頁，2023年5月2日，星期三46ts=0.001;fork=1:1:6000time(k)=k*ts;ifS==1rin(k)=1.0;elseifS==2rin(k)=sin(1*2*pi*k*ts);end%Unlinearmodela(k)=1.2*(1-0.8*exp(-0.1*k));yout(k)=a(k)*y_1/(1+y_1^2)+u_1;error(k)=rin(k)-yout(k);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';forj=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%MiddleLayerend第46頁，講稿共63頁，2023年5月2日，星期三47K=wo*Oh;%OutputLayerforl=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));%Gettingkp,ki,kdendkp(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);dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Outputlayerforj=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endforl=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endforl=1:1:Outfori=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hiddenlayer第47頁，講稿共63頁，2023年5月2日，星期三48fori=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;fori=1:1:Hdelta2(i)=dO(i)*segma(i);Endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%ParametersUpdatedu_1=du(k);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第48頁，講稿共63頁，2023年5月2日，星期三49figure(1);plot(time,rin,'r',time,yout,'b');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');figure(4);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');第49頁，講稿共63頁，2023年5月2日，星期三50三、