【正文】 附錄2 單神經(jīng)元PID1單神經(jīng)元PID2 多變量被控對(duì)象二變量單神經(jīng)元PID控制系統(tǒng)框圖 式中：； ；。連續(xù)系統(tǒng)的仿真與解析解法。動(dòng)態(tài)系統(tǒng)計(jì)算機(jī)仿真技術(shù)綜述（Ⅰ）仿真模型。北京：清華大學(xué)出版社，2002年1月。北京：清華大學(xué)出版社，1995年6月。 178～181[8] 韓曾晉。 多變量頻率域控制理論。 北京：機(jī)械工業(yè)出版社，2005年1月。149～190[6] 薛定宇。 合肥：中國(guó)科技大學(xué)出版社。 北京：機(jī)械工業(yè)出版社，1999年4月1～93[5] 陳曉平，李長(zhǎng)杰。14～28[4] 魏克新，王云亮，陳志敏。 實(shí)用微機(jī)與單片機(jī)控制技術(shù)。 北京：電子工業(yè)出版社，2004年9月。 先進(jìn)PID控制MATLAB仿真。 新型PID控制及其應(yīng)用。所有這些都將會(huì)使我在今后的人生道路上堅(jiān)持自己的信念，保持自己的個(gè)性，創(chuàng)造人生的高峰。是他們不辭辛苦的教我知識(shí)、教我做人的道理。在王老師的指導(dǎo)下我不僅完成了論文而且還學(xué)到了嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度和一絲不茍的精神，這對(duì)我今后的工作有巨大的幫助并將使我受益終生。王老師治學(xué)態(tài)度嚴(yán)謹(jǐn)、理論知識(shí)淵博、實(shí)踐經(jīng)驗(yàn)豐富，在十五周的畢業(yè)設(shè)計(jì)期間內(nèi)給予我非常大的幫助和關(guān)懷。因此還存在局限性，需要進(jìn)一步的研究和完善。單神經(jīng)元PID控制比PID控制有更好的控制品質(zhì)。本文中利用MATLAB/SIMULINK建立了基于PID 控制系統(tǒng)和單神經(jīng)元PID控制系統(tǒng)，并對(duì)兩種控制系統(tǒng)進(jìn)行了仿真得出了仿真圖。其次，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)PID控制器的研究，提出了單神經(jīng)元PID控制器，并給出了應(yīng)用于該控制系統(tǒng)的控制算法。首先，對(duì)數(shù)字PID控制的分析，給出了該控制器的控制算法。本文主要研究基于PID的多變量解耦控制和單神經(jīng)元PID解耦控制。近十幾年來(lái)在傳統(tǒng)PID控制技術(shù)的基礎(chǔ)上有新興了許多PID控制技術(shù)，如：模糊PID控制、專家PID控制、神經(jīng)網(wǎng)絡(luò)PID控制等。 u2_1=u2。 wkd2_1=wkd2。 u2=k2*w2*x。 w2=[w211,w222,w233]。 w222=wki2/wadd2。 %D wadd2=abs(wkp2)+abs(wki2)+abs(wkd2)。 %P wki2=wki2_1+xiteI*x(1)*u2_1*x(2)。 u2_1=0。 wki2_1=。xiteD=。%==============================================================% when flag=3, putates the output signals%==============================================================function sys = mdlOutputs(t,x,u)persistent wkp2_1 wki2_1 wkd2_1 u2_1xiteP=。 x(2)+u(1)*T。 % sampling period%==============================================================% when flag=2, updates the discrete states%==============================================================function sys = mdlUpdates(x,u)T=1。 % zero initial statesstr = []。 0。% single sampling periodsys = simsizes(sizes)。 % 4 input signals = 1。 % 3 states and assume they are the P/I/D ponents = 1。 % read default control variables = 0。end。Unhandled flag = 39。case {1, 4, 9} % unused flag values sys = []。case 2 % discrete states updates sys = mdlUpdates(x,u)。 sys=u1。 wki1_1=wki1。 wkp1_1=wkp1。 k1=。 w133=wkd1/wadd1。 w111=wkp1/wadd1。 %I wkd1=wkd1_1+xiteD*x(1)*u1_1*x(3)。end%Adjusting NNC Weight Value by adopting hebb learning algorithm wkp1=wkp1_1+xiteP*x(1)*u1_1*x(1)。 wkd1_1=。if t==0 %Initilizing kp,ki and kd wkp1_1=。xiteI=。 (u(1)u(2))/T]。 sys=[ u(1)。 ts = [1 0]。 0]。 % x0 = [0。% input reflected directly in output = 1。 % 2 output variables: control u(t) and state x(3) = 3。 % no continuous states = 3。%==============================================================% when flag=0, perform system initialization%==============================================================function [sys,x0,str,ts] = mdlInitializeSizessizes = simsizes。,num2str(flag)])。otherwise % error handling error([39。case 3 % putation of control signal sys=mdlOutputs(t,x,u)。 單神經(jīng)元PID控制的Simulink仿真程序第一個(gè)S函數(shù)控制子程序：%Single Neural Net PID Decouple Controller based on Hebb Learning %Algorithm to adjust kp,ki,kdfunction [sys,x0,str,ts]=exp_pidf(t,x,u,flag)switch flag,case 0 % initializations [sys,x0,str,ts] = mdlInitializeSizes。 響應(yīng)曲線 響應(yīng)曲線單神經(jīng)元PID解耦控制算法能有效的對(duì)耦合系統(tǒng)進(jìn)行解耦控制，與PID控制相比，單神經(jīng)元PID控制具有響應(yīng)速度快，自適應(yīng)能力強(qiáng)，抗干擾能力強(qiáng)等優(yōu)點(diǎn)。 多變量單神經(jīng)元PID控制的Simulink仿真設(shè)有耦合二變量耦合被控對(duì)象：設(shè)采樣時(shí)間T=1s。rin,yout39。)。xlabel(39。k39。k39。hold on。k39。k39。endfigure(1)。u2_1=u2(k)。u2_3=u2_2。wki2_1=wki2(k)。wkp2_1=wkp2(k)。%For Variable2error2_2=error2_1。u1_1=u1(k)。u1_3=u1_2。wki1_1=wki1(k)。wkp1_1=wkp1(k)。%Return of PID parameters%%For Variable1error1_2=error1_1。 k2=。 w233(k)=wkd2(k)/wadd2(k)。 w211(k)=wkp2(k)/wadd2(k)。 %I xc2(3)=(error2(k)2*error2_1+error2_2)。 %D xc2(1)=error2(k)error2_1。 %P wki2(k)=wki2_1+xiteI*error2(k)*u2_1*xc2(2)。 u1(k)=u1_1+k1*w1*xc1。 w1=[w111(k),w122(k),w133(k)]。 w122(k)=wki1(k)/wadd1(k)。 %D wadd1(k)=abs(wkp1(k))+abs(wki1(k))+abs(wkd1(k))。 %P xc1(2)=error1(k)。 %I wkd1(k)=wkd1_1+xiteD*error1(k)*u1_1*xc1(3)。%For Variable1%Adjusting NNC Weight Value by adopting hebb learning algorithm wkp1(k)=wkp1_1+xiteP*error1(k)*u1_1*xc1(1)。error1(k)=R(1)yout1(k)。% Calculating practical output %%Coupling Plantyout1(k)=(1+y1_1)^2*(*y1_1+u1_2+*u2_3)。R=[0。%Step Signal%R=[1。ts=1。y1_1=0。u2_3=。u2_1=。u1_3=。u1_1=。error2_1=0。error1_1=0。wki2_1=。wkd1_1=。wkp1_1=。wki2_1=rand。wkd1_1=rand。%Initilizing kp,ki and kd%Radom Value%wkp1_1=rand。xiteI=。xc2=[0