毕业设计(论文)-基于bp神经网络的自整定pid控制(基于BP神经网络的PID控制器设计)

1.基于BP神经网络的PID控制器设计

参考一下刘金琨的《先进PID控制》这本书。

例子：被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1) 其中a(k)=1.2(1-0.8e^(-0.1k)） 输入信号：rin(k)=1.0和rin(k)=sin(2t)%BP based PID Controlclear all;close all;xite=0.25；//学习速率alfa=0.05；//惯性系数S=1; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];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); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1 rin(k)=1.0;elseif S==2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(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';for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,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);if u(k)>=10 % Restricting the output of controller u(k)=10;endif u(k)<=-10 u(k)=-10;enddyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));%Output layerfor j=1:1:Out dK(j)=2/(exp(K(j))+exp(-K(j)))^2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endfor l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); endend wo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor 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);endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Updateu_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);endfigure(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');。

2.基于BP神经网络的PID控制器设计

参考一下刘金琨的《先进PID控制》这本书。

例子：被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1) 其中a(k)=1.2(1-0.8e^(-0.1k)） 输入信号：rin(k)=1.0和rin(k)=sin(2t)%BP based PID Controlclear all;close all;xite=0.25；//学习速率alfa=0.05；//惯性系数S=1; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];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); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1 rin(k)=1.0;elseif S==2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(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';for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,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);if u(k)>=10 % Restricting the output of controller u(k)=10;endif u(k) 评论0 0 0。

3.基于神经网络PID控制器设计开题报告怎么写

本文实现了改进的BP 网络自整定PID 控制器的设计。首先，采用MATLAB 设计控制器，针对特定被控对象模型，在闭环控制系统中通过改进的BP 网络算法训练神经网络，获得比较理想的系统输出；依据训练好的网络权值，在集成开发环境下，基于VHDL（甚高速集成电路硬件描述语言）设计BP 网络自整定PID 控制器，完成时序仿真测试，并在一种具体的器件上实现。实验表明，其设计过程合理，实现结果正确，适合于采用复杂智能控制策略并要求实时性、快速性的单片或小型控制系统。

。..

有这个基于神经网络PID控制器设计开题报告。。。.

4.基于模拟退火算法的BP神经网络学习方法

模拟退火优化BP神经网络在SMT片式元件焊点质量评价中的应用摘要：针对SMT(surface mount technology：表面组装技术)片式元件焊点缺陷类别繁多、缺陷原因复杂的问题，本文采用模拟退火算法（Simulated annealing）和BP神经网络相结合的方法建立了SMT片式元件焊点质量评价的模型，并应用这个模型对生产现场采集的片式元件焊点样本数据为例进行分析评价。

结果表明，该方法可以准确的、快速的对焊点缺陷进行识别，从而为焊点质量评价奠定基础。关键词：模拟退火算法 BP神经网络算法 焊点 缺陷 Abstract: There are many kinds of default of SMT (Surface Mount Technology) solder joints, and the reasons of these default solder joints are rather complex. This paper combines simulated annealing with BPNN to establish a SMT solder joint estimate model, and apply it to inspect the test sample which from the product line. The result show that the SABP can check out the types of default solder joint quickly.Keywords: Simulated annealing BP neural networks Solder joint Default引言焊点作为连接元器件与印制板的中介，起着电气互联与机械支撑的作用，焊点的好坏直接影响着电路板的工作状态。

焊点缺陷类型繁多、缺陷类型难于识别、缺陷原因错综复杂，难于处理[1]。目前SMT生产线焊点检测一般采用在线测试为主，关键工序使用光学检测设备或者借助人工目检的方法进行焊点检测。

这种方法过于依赖人工，不能做到完全可靠的对焊点质量进行鉴别。而智能鉴别方法通过学习大量样本，获取样本特征信息与因果关系，能够做到对焊点缺陷可靠的鉴别。

BP神经网络自上世纪90年代以来发展比较快速、应用较为广泛的一种网络，这个网络由大量神经元有机组合而成的一个具有高度自适应的非线性系统，它通过大量样本学习来挖掘隐含在样本的因果关系，因而可以表达复杂的非线性关系。但是由于采用梯度训练法，不可避免地存在易陷入局部最小的问题。

对于神经网络的改进方法有很多种，如变步长法、变尺度法、积累误差校正法、与遗传算法相结合的改进方法，这些改进方法相对标准BP算法有了一定程度的提高，但是在收敛速度与精度方面不能达到要求，或者操作方法比较复杂。本文采用SABP（模拟退火优化BP神经网络）方法建立了SMT片式元件焊点质量评价的模型，并应用这个模型对生产现场采集的焊点样本数据进行分析评价。

结果表明，该方法可以较好的、快速的完成对焊点质量的评价。

5.什么是bp神经网络pid控制

参考一下刘金琨的《先进PID控制》这本书。

例子：被控对象yout(k)=a(k)yout(k-1)/(1+yout(k-1)^2)+u(k_1) 其中a(k)=1.2(1-0.8e^(-0.1k)） 输入信号：rin(k)=1.0和rin(k)=sin(2t)%BP based PID Controlclear all;close all;xite=0.25；//学习速率alfa=0.05；//惯性系数S=1; %Signal typeIN=4;H=5;Out=3; %NN Structureif S==1 %Step Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S==2 %Sine Signalwi=[-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(H,IN);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(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];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); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=0.001;for k=1:1:6000time(k)=k*ts;if S==1 rin(k)=1.0;elseif S==2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear modela(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';for j=1:1:H Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle LayerendK=wo*Oh; %Output Layerfor l=1:1:Out K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,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);if u(k)>=10 % Restricting the output of controller u(k)=10;endif u(k)<=-10 u(k)=-10;enddyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));%Output layerfor j=1:1:Out dK(j)=2/(exp(K(j))+exp(-K(j)))^2;endfor l=1:1:Out delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endfor l=1:1:Out for i=1:1:H d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2); endend wo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor 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);endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Updateu_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);endfigure(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');。

6.本人的毕业设计时给予BP神经网络的水质评价,我对神经网络一无所

我研究生阶段也学习了神经网络，当然主要也是学习了基于误差反向传播算法（BP）的多层感知器（BP神经网络这个称呼是不对的）。

我学习的心得是： 先看丛爽主编的《面向MATLAB的工具箱的神经网络理论与应用》，感觉比较好。 看了差不多之后，强烈建议看外国人写的《Neural Network Design》，作者是Martin Hagan，为什么这本书是非常好的入门、进阶教材呢？因为这本书里把神经网络的学习和MATLAB联系起来了。

利用MATLAB来辅助进行实验，领悟神经网络的知识，这是一个非常好的学习模式。 之后，进阶了，自己再看看怎么规划。

希望你能认真学习。 我加了一个神经网络讨论群，气氛还挺好的 38264063。

转载请注明出处众文网 » 毕业设计(论文)-基于bp神经网络的自整定pid控制(基于BP神经网络的PID控制器设计)