下载文档原格式
基于BP神经网络的PID控制系统设计一、引言PID（Proportional-Integral-Derivative）控制器是一种常用的自动控制器，其通过测量系统的输出偏差，根据比例、积分和微分三个因素来控制系统的输出。
然而，传统的PID控制器难以适应复杂、非线性和时变的系统，对于这类系统的控制，神经网络已经被证明是一种有效的方法。
本文将介绍基于BP神经网络的PID控制系统设计。
二、BP神经网络简介BP神经网络（Backpropagation Neural Network）是一种常用的前向反馈型人工神经网络，其通过反向传播算法来训练网络参数，从而实现对输入数据的学习和预测。
BP神经网络拥有多层神经元，每个神经元都与下一层神经元相连，并通过权重和阈值来传递和处理输入信息。
三、PID控制器简介PID控制器由比例（Proportional）、积分（Integral）和微分（Derivative）三个部分组成，其控制输出的公式为：u(t) = Kp * e(t) + Ki * ∑e(t)dt + Kd * de(t)/dt其中，u(t)为控制器的输出，Kp、Ki、Kd为控制器的三个参数，e(t)为系统的输出偏差，∑e(t)dt为偏差的积分项，de(t)/dt为偏差的微分项。
1.数据采集和预处理：首先需要采集系统的输入和输出数据，并对其进行预处理，包括数据归一化和滤波处理等。
2.神经网络设计和训练：根据系统的输入和输出数据，设计BP神经网络的结构，并使用反向传播算法来训练网络参数。
在训练过程中，根据系统的输出偏差来调整比例、积分和微分三个参数。
3.PID控制器实现：根据训练得到的神经网络参数，实现PID控制器的功能。
在每个控制周期内，根据系统的输出偏差来计算PID控制器的输出，将其作为控制信号发送给被控制系统。
4.参数调优和性能评估：根据控制系统的实际情况，对PID控制器的参数进行调优，以提高系统的控制性能。
基于BP神经网络PID整定原理和算法步骤_精品1.收集实验数据：首先需要收集系统的输入和输出数据，包括输入变量（如温度、压力等）和输出变量（如阀门开度、电机转速等）。
同时，需要记录系统的环境条件，如温度、湿度等。
2.数据预处理：对收集到的数据进行预处理，包括数据清洗、去除异常值等。
确保数据质量的同时，也要注意保持数据的连续性和完整性。
3.构建神经网络：使用BP神经网络构建PID整定模型。
BP神经网络是一种具有前馈和反馈连接的多层感知器，可以用于解决非线性问题。
根据PID控制器的输入和输出关系，设计网络的输入层、隐含层和输出层。
4. 网络训练：使用收集到的实验数据对神经网络进行训练。
训练的目标是使网络的输出尽可能接近实际输出，从而建立输入和输出之间的映射关系。
可以使用误差反向传播算法（Backpropagation）来调整网络的权重和阈值。
5.网络评估：训练完成后，使用预留的一部分数据对网络进行评估。
通过比较网络的输出和实际输出，可以评估网络的准确性和稳定性。
如果评估结果不满意，可以进行网络调整和再训练。
6. PID参数计算：根据已经训练好的神经网络，可以使用PID整定算法计算PID参数值。
常用的PID整定算法包括Ziegler-Nichols方法、Chien-Hrones-Reswick方法等。
根据系统的响应特性和性能指标，选择合适的算法进行参数计算。
7.参数调整和优化：根据实际应用需求，对计算得到的PID参数进行调整和优化。
可以通过仿真和实验验证的方式，不断调整参数，直到满足系统的性能要求。
8.实际应用：将优化后的PID参数应用到实际控制系统中。
根据系统的特点和要求，可以进一步进行参数调整和优化。
同时，需要不断监测和评估系统的性能，并及时调整和优化PID参数。
综上所述，基于BP神经网络的PID整定原理和算法步骤主要包括数据收集、数据预处理、神经网络构建、网络训练、网络评估、PID参数计算、参数调整和优化以及实际应用等步骤。
基于BP神经网络的PID控制系统设计一、引言PID控制系统是目前工业控制中广泛应用的一种基本控制方法，它通过测量控制系统的偏差来调节系统的输出，以实现对控制对象的稳定控制。
然而，传统的PID控制器需要事先对系统建模，并进行参数调整，工作效果受到控制对象模型的准确性和外部干扰的影响。
而BP神经网络具有非线性映射、自适应性强、鲁棒性好等优点，可以有效地克服传统PID控制器的缺点。
因此，基于BP神经网络的PID控制系统设计成为当前研究的热点之一二、基于BP神经网络的PID控制系统设计理论1.PID控制器设计原理PID控制器是由比例环节（Proportional）、积分环节（Integral）和微分环节（Derivative）组成的控制器，其输出信号可以表示为：u(t) = Kp*e(t) + Ki*∫e(t)dt + Kd*(de(t)/dt)，其中e(t)为控制系统的输入偏差，t为时间，Kp、Ki和Kd分别为比例系数、积分系数和微分系数。
2.BP神经网络理论BP神经网络是一种前馈型神经网络，通过反向传播算法对输入信号进行学习和训练，从而得到最优的网络结构和参数。
BP神经网络由输入层、隐层和输出层组成，其中每个神经元与上、下相邻层之间的神经元互相连接，并具有非线性的激活函数。
3.基于BP神经网络的PID控制系统设计理论基于BP神经网络的PID控制系统设计的核心思想是将BP神经网络作为PID控制器的自适应调节器，根据控制对象的输入信号和输出信号之间的误差进行训练和学习，通过调整BP神经网络的权重和阈值来实现PID 控制器的参数调节，从而提高控制系统的稳定性和鲁棒性。
三、基于BP神经网络的PID控制系统设计步骤1.系统建模首先，需要对待控制对象进行建模，获取其数学模型。
对于一些复杂的非线性系统，可以采用黑箱建模的方法，利用系统的输入和输出数据进行数据拟合，获取系统的数学模型。
2.BP神经网络训练将系统的数学模型作为BP神经网络的训练集，通过反向传播算法对BP神经网络进行训练，得到最优的网络结构和参数。
基于BP神经网络的参数自整定PID控制器仿真研究
郝丽娜;张国钧
【期刊名称】《电脑开发与应用》
【年(卷),期】2008(021)003
【摘要】PID控制是迄今为止在过程控制中应用最为广泛的控制方法,但在实际应用中,其参数整定仍未得到较好的解决.把神经网络技术应用在 PID 控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过MATLAB仿真试验,取得较好的效果.
【总页数】3页(P8-10)
【作者】郝丽娜;张国钧
【作者单位】太原理工大学信息学院,太原,030024;太原理工大学信息学院,太原,030024
【正文语种】中文
【中图分类】TP118
【相关文献】
1.基于MATLAB的模糊参数自整定PID控制器的仿真研究 [J], 韩宝江;张伟;康尔良
2.基于模糊规则参数自整定PID控制器的仿真研究 [J], 林辉
3.基于参数自整定模糊PID控制器的设计与仿真 [J], 张涛;李家启
4.基于Matlab参数自整定PID控制器的设计与仿真 [J], 王勃群;蔺小林;汪宁
5.基于时滞系统的参数自整定模糊PID控制器的设计与仿真研究 [J], 段五星;张新政
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络PID整定原理和算法步骤BP神经网络是一种常用的非线性拟合和模式识别方法，可以在一定程度上应用于PID整定中，提高调节器的自适应性。
下面将详细介绍基于BP神经网络的PID整定原理和算法步骤。
一、基本原理：BP神经网络是一种具有反馈连接的前向人工神经网络，通过训练样本的输入和输出数据，通过调整神经元之间的连接权重来模拟输入和输出之间的映射关系。
在PID整定中，可以将PID控制器的参数作为网络的输入，将控制效果指标作为网络的输出，通过训练网络来获取最优的PID参数。
二、算法步骤：1.确定训练数据集：选择一组适当的PID参数和相应的控制效果指标作为训练数据集，包括输入和输出数据。
2.构建BP神经网络模型：确定输入层、隐藏层和输出层的神经元数量，并随机初始化神经元之间的连接权重。
3.设置训练参数：设置学习速率、误差收敛条件和训练迭代次数等训练参数。
4.前向传播计算输出：将训练数据集的输入作为网络的输入，通过前向传播计算得到网络的输出。
5.反向传播更新权重：根据输出与期望输出之间的误差，利用误差反向传播算法来调整网络的连接权重，使误差逐渐减小。
6.判断是否达到收敛条件：判断网络的训练误差是否满足收敛条件，如果满足则跳转到第8步，否则继续迭代。
7.更新训练参数：根据训练误差的变化情况，动态调整学习速率等训练参数。
8.输出最优PID参数：将BP神经网络训练得到的最优权重作为PID 控制器的参数。
9.测试PID控制器：将最优PID参数应用于实际控制系统中，观察控制效果并进行评估。
10.调整PID参数：根据实际控制效果，对PID参数进行微调，以进一步优化控制性能。
三、应用注意事项：1.训练数据集的选择应尽量全面、充分，覆盖各种不同工况和负载情况。
2.隐藏层神经元数量的选择应根据实际情况进行合理调整，避免过拟合或欠拟合现象。
3.学习速率和训练迭代次数的设置应根据系统复杂度和训练误差的变化情况进行调整。
基于BP神经网络的PID控制器及仿真1.引言PID（比例-积分-微分）控制器作为最早实用化的控制器已有50 多年历史，因其具有算法简单、鲁棒性好、可靠性高、直观性好等优点被广泛的应用于工业过程控制及运动控制中[1]。
常规PID 控制效果的优劣，不仅仅取决于控制系统模型的精确程度，还必须调整好三个参数的关系，而这种关系不一定是简单的线性组合。
实际的工业过程及运动过程往往具有时变性、变参数、变结构等不确定性及很强的非线性，精确的数学模型难以建立，此外，常规PID 还有实现在线调整困难，参数间相互影响，参数整定时间长等缺点，难以取得理想的控制效果。
随着控制理论的发展，将应用广泛的PID 控制器与智能控制理论相结合[2]成为智能控制研究的新方向，神经网络算法具有逼近任意非线性表达能力，很强的自学习能力和概括推广能力，在解决高度非线性和不确定系统方面有很大的的潜能，应用神经网络，可以从复杂的PID 三个参数组合中寻求最佳的线性组合，使神经网络和PID 本质结合。
从而使得控制器具有较好的自适应性，实现参数的自动实时调节，适应过程的变化，提高系统了的鲁棒性和可靠性。
2.BP 神经网络2.1BP 神经网络的构成及设计[3] BP 神经网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层、输出层，上下层之间实现全连接，而每层神经元之间无连接。
当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。
接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法即BP 算法。
随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
（1）输入输出层的设计输入层的设计可以根据需要求解的问题和数据表示方式确定，若输入信号为模拟波形，那么输入层可以根据波形的采样点数目撅腚。
神经网络实验报告一、实验目的通过在matlab 下面编程实现bp 网络逼近标准正弦函数，来加深对BP 网络的了解和认识，理解信号的正向传播和误差的反向传递过程。
二、实验原理由于传统的感知器和线性神经网络有自身无法克服的缺陷，它们都不能解决线性不可分问题，因此在实际应用过程中受到了限制。
而BP 网络却拥有良好的繁泛化能力、容错能力以及非线性映射能力。
因此成为应用最为广泛的一种神经网络。
BP 算法的基本思想是把学习过程分为两个阶段：第一阶段是信号的正向传播过程；输入信息通过输入层、隐层逐层处理并计算每个单元的实际输出值；第二阶段是误差的反向传递过程；若在输入层未能得到期望的输出值，则逐层递归的计算实际输出和期望输出的差值（即误差），以便根据此差值调节权值。
这种过程不断迭代，最后使得信号误差达到允许或规定的范围之内。
基于BP 算法的多层前馈型网络模型的拓扑结构如上图所示。
BP 算法的数学描述：三层BP 前馈网络的数学模型如上图所示。
三层前馈网中，输入向量为：Tn i x x x x X),...,,...,,(21=；隐层输入向量为：Tm j y y y y Y),...,...,,(21=；输出层输出向量为：Tl k o o o o O),...,...,,(21=；期望输出向量为：Tl k d d d d d),...,...,(21=。
输入层到隐层之间的权值矩阵用V 表示，Ym j v v v v V),...,...,(21=，其中列向量j v 为隐层第j 个神经元对应的权向量；隐层到输出层之间的权值矩阵用W 表示，),...,...,(21l k w w w w W =，其中列向量k w 为输出层第k 个神经元对应的权向量。
下面分析各层信号之间的数学关系。
对于输出层，有∑====mj x v net mj netf yi ij jjj,...,2,1,,...,2,1),(对于隐层，有∑=====mj i jkkkk lk y wnetl k netf O 0,...,2,1,,...,2,1),(以上两式中，转移函数f(x)均为单极性Sigmoid 函数：xex f -+=11)(f(x)具有连续、可导的特点，且有)](1)[()('x f x f x f -=以上共同构成了三层前馈网了的数学模型。
第十六届电工理论学术研讨会论文集基于ＢＰ神经网络的ＰＩＤ控制器的研究与实现张建国．（漳州职业技术学院电于工程系福建漳州３６３０００）摘要：本文介绍基于ＢＰ神经网络的ＰＩＤ控制器的实现方法，可以在一定程度上解决传统ＰＩＤ调节器不易在线实时整定参数、难于对一些复杂过程和参数幔时变系统进行有效控制等问题。
一ｒ一关键词：ＰＩＤ控制；神经网络；研究Ｏ引言ＰＩＤ控制要取得好的控制效果，必须寻找比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，要在变化无穷的非线性组合中找出最佳的关系并非易事。
为此，本文试图利用神经网络所具有的：①能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或控制器模型；②能够学习和适应不确定性系统的动态特性；⑨所有定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运算等特点，把神经网络引入传统的ＰＩＤ控制，可以在一定程度上解决传统ＰＩＤ调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制等问题。
１基于ＢＰ神经网络的ＰＩＤ控制器ＢＰ神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。
通过神经网络自身的学习，可以找到某一最优控制律下的Ｐ、Ｉ、Ｄ参数。
基于ＢＰ神经网络的ＰＩＤ控制系统结构如图１所示。
控制器由两个部分组成：①经典的ＰＩＤ控制器：直接对被控对象过程闭环控制，并且三个参数ＫＰ、ＫＩ、ＫＤ为在线整定式；②神经网络ＮＮ：根据系统的运行状态，调节ＰＩＤ控制器的参数，以期达到某种性能指标的最优化。
即使输出层神经元的输出状态对应于ＰＩＤ控制器的三个可调参数ＫＰ、ＫＩ、ＫＤ，通过神经网络的自身学习，加权系数调接，从而使其稳定状态对应于最优控制律下的ＰＩＤ控制器参数。
经典增量式数字ＰＩＤ的控制算式为ｕ（ｋ）＝－ｕ（ｋ－１）＋ＫＰ［ｅ（ｋ）－ｅ（ｋ－１）】＋ｋＩｃ（ｋ）＋ｋＤＥｅ（ｋ）－２ｅ（ｋ－１．）＋ｅ（ｋ．２）】（１）式中ＫＰ、ＫＩ、Ｋｄ一比例、积分、微分系数。
基于BP 神经网络的自校正PID 控制研究摘 要: 基于反向传播BP 算法的神经网络具有很强的学习能力,适应能力.本文详细叙述了BP 算法的原理,并将改进的BP 神经网络应用在传统的PID 控制中,克服了PID 控制在参数的调整过程中对于系统模型过分依赖的缺点.利用MATLAB 仿真的结果表明基于BP 神经网络的自校正控制能够使传统PID 控制的参数逼近最优达到很好的控制效果. 关键词: BP 算法,神经网络,PID 控制1引言随着科学技术的发展,人们需要加以控制的过程和系统越来越复杂,许多系统具有大型,复杂和强烈非线性的特点.对这些系统进行有效准确的控制就非常的困难.传统的PID 控制是通过对偏差的比例(P),积分(I),微分(D)的线性组合构成控制向量对被控对象进行控制.它算法结构简单,但是,当被控对象具有非线性,时变不确定性和难以建立精确的数学模型时,PID 控制器参数整定不良,性能欠佳,不能达到理想的控制效果.随着人们对神经网络的研究,基于BP 算法的神经网络以其自学习,自适应及逼近任意函数的能力在控制领域得到应用,将BP 神经网络和传统的PID 控制相结合构成的比例,积分,微分神经元控制器,不仅克服了PID 控制的缺陷,而且具有快速的学习能力,快速的适应性,良好的性能和鲁棒性.因此,可以通过神经网络对系统性能的学习来达到最佳的比例,积分,微分组合,实现最佳的PID 控制效果.2 神经网络的BP 算法2.1 神经网络的结构BP 神经网络是控制领域中应用最多的神经网络,它是多层神经元彼此以前馈方式连接组成的网络,网络中没有信号反馈,只有相邻层神经元,每个神经元首先完成输入信号与连接权值的内积计算,然后通过一个非线性函数作用产生输出.BP 神经网络通常由输入层,输出层和若干隐层构成每层由若干个结点组成, 每一个结点表示一个神经元,上层结点与下层结点之间通过权值联接, 同一层结点之间没有联系。
同济大学电子与信息工程学院实验报告
姓名：学号：
学院：专业：
实验课程名称：
任课教师：
实验项目名称：基于BP神经网络的自整定PID控制仿真实验日期：
一、实验内容：
1.熟悉神经网络的特征、结构及学习算法。
2.通过实验掌握神经网络自整定PID的工作原理。
3.了解神经网络的结构对控制结果的影响。
4.掌握用MATLAB实现实现神经网络控制系统仿真的方法。
二、实验步骤及结果演示
1.实验步骤：
（1）被控对象为一时变非线性对象，数学模型可表示为
式中系数a(k)是慢时变的，
（2）如图5所示确定BP网络的结构，选4-5-3型的BP网络，各层加权系数的初值取区间[-0.5,0.5]上的随机数，选定学习率η=0.25和惯性系数α=0.05.
（3）在MATLAB下依据整定原理编写仿真程序并调试。
（4）给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。
（5）修改神经网络参数，如学习速率、隐含层神经元个数等，重复步骤（4）。
（6）分析数据和控制曲线。
图5 BP神经网络结构
2.结果展示：
（1）实验代码：
xite=0.25;
alfa=0.02;
IN=4;
H=10;
Out=3;
wi=[ 0.4634 -0.4173 0.3190 0.4563;
0.1839 0.3021 0.1112 0.3395;
-0.3182 0.0470 0.0850 -0.0722;
-0.6266 0.0846 0.3751 -0.6900;
-0.3224 0.1440 -0.2873 -0.0193;
-0.0232 -0.0992 0.2636 0.2011;
-0.4502 -0.2928 0.0062 -0.5640;
-0.1975 -0.1332 0.1981 0.0422;
0.0521 0.0673 -0.5546 -0.4830;
-0.6016 -0.4097 0.0338 -0.1503];
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[ -0.1620 0.3674 0.1959;
-0.0337 -0.1563 -0.1454;
0.0898 0.7239 0.7605;
0.3349 0.7683 0.4714;
0.0215 0.5896 0.7143;
-0.0914 0.4666 0.0771;
0.4270 0.2436 0.7026;
0.0215 0.4400 0.1121;
0.2566 0.2486 0.4857;
0.0198 0.4970 0.6450 ]';
wo_1=wo;wo_2=wo;wo_3=wo;
x=[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);
I=oh;
error_2=0;
error_1=0;
ts=0.001;
for k=1:1:6000
time(k)=k*ts;
rin(k)=1;
a(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:H
oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));
end
K=wo*oh;
for l=1:Out;
K(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));
end
Kp(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;
u(k)=10;
end
if u(k)<=-10;
u(k)=-10;
end
dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));
for j=1:Out
dk(j)=2/(exp(K(j))+exp(-K(j)))^2;
end
for l=1:Out
delta3(l)=error(k)*dyu(k)*epid(l)*dk(l);
end
for l=1:Out
for i=1:H
d_wo=xite*delta3(l)*oh(i)+alfa*(wo_1-wo_2);
end
end
wo=wo_1+d_wo;
for i=1:H
dO(i)=4/(exp(I(i))+exp(-I(i)))^2;
end
segma=delta3*wo;
for i=1:H
delta2(i)=dO(i)*segma(i);
end
d_wi=xite*delta2'*xi+alfa*(wi_1-wi_2);
wi=wi_1+d_wi;
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
figure(1)
plot(time,rin,'r',time,yout, 'b');
xlabel('time');
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）控制曲线
①初始情况
学习率alpha=0.02;惯性系数xite=0.25;隐藏层节点数H=10.
②增大学习率
学习率alpha=0.05;惯性系数xite=0.25;隐藏层节点数H=10.
③学习率减小
学习率alpha=0.01;惯性系数xite=0.25;隐藏层节点数H=10.
④增大惯性系数
学习率alpha=0.02;惯性系数xite=0.5;隐藏层节点数H=10.
⑤减小惯性系数
学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=10.
⑥增大隐含层节点数
学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=5.
⑦减小隐含层节点数
学习率alpha=0.02;惯性系数xite=0.1;隐藏层节点数H=15.
三、遇到的主要困难及解决对策
1.主要困难：运行程序一直报错，显示矩阵维度不同。
解决对策：检查了矩阵，发现文档中的程序对矩阵的表示有误，每行末尾少了分号，导致运行出错。
2.主要困难：解决了上述问题，运行程序仍然报错，且错误相同。
解决对策：检查程序，发现在矩阵表示中有很多以“’”表示转置，很容易漏看，一旦漏看，就会使矩阵维度出错。
3.主要困难：在减小隐含层节点数时，程序报错。
解决对策：检查后发现少了前两行“clear all;close all;”，这使得之前实验的数据影响到了这次实验。
四、感想和体会
PID控制器结构简单，实现简单且控制效果良好，已被广泛应用。
但其具有一定的局限性：被控对象参数随时间变化时，控制器的参数难以自动调整以适应外界环境的变化。
因此，引入神经网络控制的方法，使控制器具有较好的自适应性，实现控制器参数的自动调整。
基于BP神经网络的控制器由两部分组成：一是常规PID控制器，用以直接对对象进行闭环控制，且对参数进行整定；二是神经网络NN，根据系统的运行状态，学习调整权参数，从而调整PID参数，达到某种性能指标的最优化。
