【正文】 all。close all。xc1=[0,0,0]39。xc2=[0,0,0]39。xiteP=。xiteI=。xiteD=。%Initilizing kp,ki and kd%Radom Value%wkp1_1=rand。wki1_1=rand。wkd1_1=rand。%wkp2_1=rand。wki2_1=rand。wkd2_1=rand。wkp1_1=。wki1_1=。wkd1_1=。wkp2_1=。wki2_1=。wkd2_1=。error1_1=0。error1_2=0。error2_1=0。error2_2=0。u1_1=。u1_2=。u1_3=。u1_4=。u2_1=。u2_2=。u2_3=。u2_4=。y1_1=0。y2_1=0。ts=1。for k=1:1:1500time(k)=k*ts。%Step Signal%R=[1。0]。R=[0。1]。% Calculating practical output %%Coupling Plantyout1(k)=(1+y1_1)^2*(*y1_1+u1_2+*u2_3)。yout2(k)=(1+y2_1)^2*(*y2_1+*u1_3+u2_2)。error1(k)=R(1)yout1(k)。error2(k)=R(2)yout2(k)。%For Variable1%Adjusting NNC Weight Value by adopting hebb learning algorithm wkp1(k)=wkp1_1+xiteP*error1(k)*u1_1*xc1(1)。 %P wki1(k)=wki1_1+xiteI*error1(k)*u1_1*xc1(2)。 %I wkd1(k)=wkd1_1+xiteD*error1(k)*u1_1*xc1(3)。 %D xc1(1)=error1(k)error1_1。 %P xc1(2)=error1(k)。 %I xc1(3)=(error1(k)2*error1_1+error1_2)。 %D wadd1(k)=abs(wkp1(k))+abs(wki1(k))+abs(wkd1(k))。 w111(k)=wkp1(k)/wadd1(k)。 w122(k)=wki1(k)/wadd1(k)。 w133(k)=wkd1(k)/wadd1(k)。 w1=[w111(k),w122(k),w133(k)]。 k1=。 u1(k)=u1_1+k1*w1*xc1。 %For Variable2%Adjusting NNC Weight Value by adopting hebb learning algorithm wkp2(k)=wkp2_1+xiteP*error2(k)*u2_1*xc2(1)。 %P wki2(k)=wki2_1+xiteI*error2(k)*u2_1*xc2(2)。 %I wkd2(k)=wkd2_1+xiteD*error2(k)*u2_1*xc2(3)。 %D xc2(1)=error2(k)error2_1。 %P xc2(2)=error2(k)。 %I xc2(3)=(error2(k)2*error2_1+error2_2)。 %D wadd2(k)=abs(wkp2(k))+abs(wki2(k))+abs(wkd2(k))。 w211(k)=wkp2(k)/wadd2(k)。 w222(k)=wki2(k)/wadd2(k)。 w233(k)=wkd2(k)/wadd2(k)。 w2=[w211(k),w222(k),w233(k)]。 k2=。 u2(k)=u2_1+k2*w1*xc2。%Return of PID parameters%%For Variable1error1_2=error1_1。error1_1=error1(k)。wkp1_1=wkp1(k)。wkd1_1=wkd1(k)。wki1_1=wki1(k)。u1_4=u1_3。u1_3=u1_2。u1_2=u1_1。u1_1=u1(k)。y1_1=yout1(k)。%For Variable2error2_2=error2_1。error2_1=error2(k)。wkp2_1=wkp2(k)。wkd2_1=wkd2(k)。wki2_1=wki2(k)。u2_4=u2_3。u2_3=u2_2。u2_2=u2_1。u2_1=u2(k)。y2_1=yout2(k)。endfigure(1)。plot(time,R(1),39。k39。,time,yout1,39。k39。)。hold on。plot(time,R(2),39。k39。,time,yout2,39。k39。)。xlabel(39。time(s)39。)。ylabel(39。rin,yout39。)。 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象：設(shè)采樣時間T=1s。給定輸入為單位階躍輸入，即： 。 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耦合系統(tǒng)進行解耦控制，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，抗干擾能力強等優(yōu)點。仿真程序的Simulink主程序:,。 單神經(jīng)元PID控制的Simulink仿真程序第一個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。case 2 % discrete states updates sys = mdlUpdates(x,u)。case 3 % putation of control signal sys=mdlOutputs(t,x,u)。case {1, 4, 9} % unused flag values sys = []。otherwise % error handling error([39。Unhandled flag = 39。,num2str(flag)])。end。%==============================================================% when flag=0, perform system initialization%==============================================================function [sys,x0,str,ts] = mdlInitializeSizessizes = simsizes。 % read default control variables = 0。 % no continuous states = 3。 % 3 states and assume they are the P/I/D ponents = 1。 % 2 output variables: control u(t) and state x(3) = 3。 % 4 input signals = 1。% input reflected directly in output = 1。% single sampling periodsys = simsizes(sizes)。 % x0 = [0。 0。 0]。 % zero initial statesstr = []。 ts = [1 0]。 % sampling period%==============================================================% when flag=2, updates the discrete states%==============================================================function sys = mdlUpdates(x,u)T=1。 sys=[ u(1)。 x(2)+u(1)*T。 (u(1)u(2))/T]。%==============================================================% when flag=3, putates the output signals%==============================================================function sys = mdlOutputs(t,x,u)persistent wkp1_1 wki1_1 wkd1_1 u1_1xiteP=。xiteI=。xiteD=。if t==0 %Initilizing kp,ki and kd wkp1_1=。 wki1_1=。 wkd1_1=。 u1_1=0。end%Adjusting NNC Weight Value by adopting hebb learning algorithm wkp1=wkp1_1+xiteP*x(1)*u1_1*x(1)。 %P wki1=wki1_1+x