1. Toy模板网首页
  2. > Toy博客

智能车竞赛模糊PID过程详解，附matlab模拟代码，使用的C代码在我的另一篇文章中

5月前 作者：小博特 分类：Toy博客 阅读(39) 违法举报

这篇具有很好参考价值的文章主要介绍了智能车竞赛模糊PID过程详解，附matlab模拟代码，使用的C代码在我的另一篇文章中。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

目录

普通位置式PID控制

 模糊PID控制

区间划分

模糊化

清晰化

改进

模糊PID的MATLAB代码

模糊PID的m测试使用文件，可一步步运行了解详细过程

模糊PID的主函数和功能函数matlab代码

模糊PID的使用和调参技巧

普通位置式PID控制

PID 控制分为比例，微分，积分三项，其公式如下：

U (t) = Kp ∗ err (t) + Kd ∗ [err (t) − err (t − 1)] + Ki ∗ ∑err (t) 

PID 控制的比例环节为 P，P 越大参数的比例作用越明显，响应更快，消除误差的 能力越强，但是系统的惯性也越强。比例太大时会造成系统的震荡，使系统不稳定，造 成超调。 PID 控制的微分环节为 D，D 能够反映偏差的变化趋势，对超调进行预防控制。在 输出有变大或变小趋势时输出一个阻止其变化的控制信号，防止其出现过冲或超调。 PID 控制的积分环节为 I，可以用于消除静态误差，使系统具有“记忆功能”。如果 积分作用太强，积分输出变化过快，就会引起积分过头的现象，产生积分超调和振荡， 影响系统整体的稳定性。 PID 控制的框图如下：

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

 模糊PID控制

传统的 PID 控制在面对不同工况时的适应性较差，当误差较大时需要有较大的 Kp 进行修正，提高响应速度，而当误差较小时，较大的 Kp 又将造成超调和过冲现象。为 解决传统 PID 参数自适应性差的问题，可对 PID 参数进行动态调整，使用模糊算法动 态调整 Kp。

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

区间划分

模糊 PID 的核心在于动态 Kp，其输入参数为 E 和 EC，即误差和这次误差与上次误 差的差值。将车辆置于赛道上测量直道以及弯道的误差范围，测得误差区间为 [-15,15]， 误差的差值范围为 [-6,6]，划分区间为 [-15,-10,-5,0,5,10,15] 和 [-6,-4,-1.8,0,1.8,4,6]。

模糊化

将输入的误差和误差的差值模糊化。对划分的两个误差区间 [-15,-10,-5,0,5,10,15] 和 [-6,-4,-1.8,0,1.8,4,6], 分别用 [负大，负中，负小，中性，正小，正中，正大] 表示，得到 专家模糊表如下： 对输入的 E 和 EC 进行模糊化，以输入的 [E,EC] 为 [12.5，3] 为例。E 处于 [4，6]，及 [正 中，正大] 区间，其对正中的隶属度为 (12.5 − 10) / (15 − 10) = 50%，对正大的隶属度 为 (15 − 12.5) / (15 − 10) = 50%。EC 处于 [1.8，4]，及 [正小，正中] 区间，其对正小的隶 属度为 (3 − 1.8) / (4 − 1.8) = 54.55%，对正中的隶属度为 (4 − 3) / (4 − 1.8) = 45.45%。

清晰化

根据输入 E 和 EC 的隶属度，对输出值进行清晰化。在模糊表中，[E= 正中,EC= 正 小] 坐标对应的值为 3，则输入属于 3 的隶属度为 50% × 54.55% = 27.275%，[E= 正中， EC= 正中] 坐标对应的值为 4，则输入的属于 4 的隶属度为 50% × 45.45% = 22.725%，

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

[E= 正大，EC= 正小] 对应的值为 4，则输入属于 4 的隶属度为 50%×54.55% = 27.275%， [E= 正大，EC= 正中] 对应的值为 5，则输入属于 5 的隶属度为 50%×45.45% = 22.725%。 根据以上求解的隶属度计算输出的值为 3 × 27.275% + 4 × 22.725% + 4 × 27.275% + 5 × 22.725% = 3.9545。

改进

为了便于参数的调整，对模糊 PID 进行改进，引入 U 语言和 Kp 的最大值 Kp_m， 将 Kp 的范围投影在 [0,Kp_m] 的范围内。

以 Kp_m = 21 为例，对 Kp_m 进行线性分割，将其划分为 [0，3.5，7，10.5，14， 17.5，21]。

对求得的 E 和 EC 隶属度求小。对于 [E= 正中,EC= 正小]，求其 E 对正中和 EC 对正 小隶属度中的最小值作为 [E= 正中,EC= 正小] 坐标的隶属度。E 对正中的隶属度为 50%， EC 对正小的隶属度为 54.55%，则 [E= 正中,EC= 正小] 坐标的隶属度为 50%。求得各坐 标隶属度如下表：

 matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

 对隶属于同一值的坐标隶属度保留最大。[E= 正中，EC= 正中] 和 [E= 正大，EC= 正 小] 坐标对应的值均为 4，其坐标的隶属度为 45.45% 和 50%，则保留 [E= 正大，EC= 正 小] 的隶属度 50%，[E= 正中，EC= 正中] 的隶属度改为 0。更正后各坐标值隶属度如下:

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

根据 [E,EC] 模糊值求得其位于 Kpm 线性分割中的哪一段。Kpm 共被线性分割为 7 段，第 0 段为 0，第 1 段为 3.5，第 2 段为 7，第 3 段为 10.5，第 4 段为 14，第 5 段为 17.5，第 6 段为 21。由上表可得，隶属于第 3 段 10.5 的隶属度为 45.45%，隶属于第 4 段 14 的隶属度为 50%，隶属于第 5 段 17.5 的隶属度为 50%。 求解输出值为

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

模糊PID的MATLAB代码

 根据模糊 PID 的实现步骤，模拟不同的 E 和 EC 输入，绘制三维坐标图如下：

matlab模糊pid代码,智能车竞赛,算法,matlab,经验分享

由图可得，模糊 PID 具有自适应性，对于误差较小的情况，其输出的 Kp 值较 小，在修正误差时造成过冲和超调的可能性就越低，在误差大的情况，其输出的 Kp 值 大，对误差的修正幅度就越大，响应越快。

将C语言的代码移植到Matlab上，可以一步步运行，更好地了解模糊PID地原理，以及模糊PID的效果

模糊PID的m测试使用文件，可一步步运行了解详细过程

clear;clc
E = 14; EC = 0;
%输入的E为err，EC为err的差值，即(err-err_last)
%模糊Kp
kp_m = 10.5;
%模糊规则表
rule_p = [  
            6 , 5 , 4 , 4 , 3 , 0 , 0;
            6 , 4 , 3 , 3 , 2 , 0 , 0;
            4 , 3 , 2 , 1 , 0 , 1 , 2;
            2 , 1 , 1 , 0 , 1 , 1 , 2;
            2 , 1 , 0 , 1 , 2 , 3 , 4;
            0 , 0 , 2 , 3 , 3 , 4 , 6;
            0 , 1 , 3 , 4 , 4 , 5 , 6;
                                        ];                                        
    
%输入量P语言值特征点
% EFF = [-15,-9,-3.5,0,3.5,9,15];
EFF = [-30,-20,-10,0,10,20,30];

%输入量D语言值特征点
DFF = [-15,-10,-5,0,5,10,15];
%输出量U语言值特征点(根据赛道类型选择不同的输出值)
for i2 = 1:7
    UFF(i2) = kp_m / 6 *(i2-1);
end

%偏差,偏差微分以及输出值的精确量
U=0;

PF = [0,0]; DF = [0,0]; UF = [0,0,0,0];
%偏差,偏差微分以及输出值的隶属度
Pn=0;Dn=0;Un=[0,0,0,0];
% t1=0;t2=0;t3=0;t4=0;temp1=0;temp2=0;

%确定隶属度
%根据PD的指定语言值获得有效隶属度
if(   E>EFF(1) && E<EFF(7)  )
    if( E <= EFF(2) )
        Pn = -2;
        PF(1) = ( EFF(2) - E )/( EFF(2) - EFF(1) );%EFF(2)的隶属度
    elseif( E <= EFF(3) )
        Pn = -1;
        PF(1) = ( EFF(3) - E )/( EFF(3) - EFF(2) );%EFF(3)的隶属度
    elseif( E<= EFF(4) )
        Pn = 0;
        PF(1) = ( EFF(4) - E  )/( EFF(4) - EFF(3) );
    elseif( E<= EFF(5) )
        Pn = 1;
        PF(1) = ( EFF(5) - E )/( EFF(5) - EFF(4) );
    elseif( E<= EFF(6) )
        Pn = 2;
        PF(1) = ( EFF(6) - E )/( EFF(6) - EFF(5) );
    elseif( E <= EFF(7) )
        Pn = 3;
        PF(1) = ( EFF(7) - E )/( EFF(7) - EFF(6) );
    end
 %不在给定区间内   
elseif( E <= EFF(1) )
    Pn = -2;
    PF(1) = 1;
elseif( E >= EFF(7) )
    Pn = 3;
    PF(1) = 0;
end

PF(2) = 1 - PF(1);

%判断D的隶属度
if(   EC>DFF(1) && EC<DFF(7)  )
    if( EC <= DFF(2) )
        Dn = -2;
        DF(1) = ( DFF(2) - EC )/( DFF(2) - DFF(1) );
    elseif( EC <= DFF(3) )
        Dn = -1;
        DF(1) = ( DFF(3) - EC )/( DFF(3) - DFF(2) );
    elseif( EC<= DFF(4) )
        Dn = 0;
        DF(1) = ( DFF(4) - EC  )/( DFF(4) - DFF(3) );
    elseif( EC<= DFF(5) )
        Dn = 1;
        DF(1) = ( DFF(5) - EC )/( DFF(5) - DFF(4) );
    elseif( EC<= DFF(6) )
        Dn = 2;
        DF(1) = ( DFF(6) - EC )/( DFF(6) - DFF(5) );
    elseif( EC <= DFF(7) )
        Dn = 3;
        DF(1) = ( DFF(7) - EC )/( DFF(7) - DFF(6) );
    end
 %不在给定区间内   
elseif( EC <= DFF(1) )
    Dn = -2;
    DF(1) = 1;
elseif( EC >= DFF(7) )
    Dn = 3;
    DF(1) = 0;
end

DF(2) = 1 - DF(1);

%使用误差范围优化后的规则表rule[7][7]
%输出值使用13个隶属函数,中心值由UFF[7]指定
%一般都是四个规则有效
Un(1)=rule_p(Pn+3,Dn+3);
Un(2)=rule_p(Pn+4,Dn+3);
Un(3)=rule_p(Pn+3,Dn+4);
Un(4)=rule_p(Pn+4,Dn+4);

if( PF(1) <= DF(1) ) %求小
    UF(1) = PF(1);
else
    UF(1) = DF(1);
end
if( PF(2) <= DF(1) )
    UF(2) = PF(2);
else
    UF(2) = DF(1);
end
if( PF(1) <= DF(2) )
    UF(3) = PF(1);
else
    UF(3) = DF(2);
end
if(PF(2) <= DF(2) )
    UF(4) = PF(2);
else
    UF(4) = DF(2);
end

%同隶属度函数输出语言值求最大
if( Un(1) == Un(2) )
    if( UF(1) > UF(2) )
        UF(2) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(1) == Un(3) )
    if( UF(1) > UF(3) )
        UF(3) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(1) == Un(4) )
    if( UF(1) > UF(4) )
        UF(4) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(2) == Un(3) )
    if( UF(2) > UF(3) )
        UF(3) = 0;
    else
        UF(2) = 0;
    end
end

if( Un(2) == Un(4) )
    if( UF(2) > UF(4) )
        UF(4) = 0;
    else
        UF(2) = 0;
    end
end

if( Un(3) == Un(4) )
    if( UF(3) > UF(4) )
        UF(4) = 0;
    else
        UF(3) = 0;
    end
end 

t1 = UF(1) * UFF( Un(1)+1 );
t2 = UF(2) * UFF( Un(2)+1 );
t3 = UF(3) * UFF( Un(3)+1 );
t4 = UF(4) * UFF( Un(4)+1 );
temp1 = t1 + t2 + t3 + t4;
temp2 = UF(1) + UF(2) + UF(3) + UF(4);

if( temp2 == 0 )
    U = 0;
else
    U = temp1/temp2;
end

Kp = U;

模糊PID的主函数和功能函数matlab代码

clear;clc
%%
Ei = -20:0.1:20;
ECi = -20:0.1:20;

[E,EC] = meshgrid(Ei,ECi);

for i = 1:401
    for j = 1:401
         Kp(i,j) = Kp_Fuzzy( E(i,j) , EC(i,j) )    ;
    end
end

mesh(E,EC,Kp)
xlabel("E");
ylabel("EC");
zlabel("Kp");

function [Kp] = Kp_Fuzzy(E,EC)
%输入的E为err，EC为err的差值，即(err-err_last)
%模糊Kp
kp_m = 20;
%模糊规则表
rule_p = [  
            6 , 5 , 4 , 4 , 3 , 0 , 0;
            6 , 4 , 3 , 3 , 2 , 0 , 0;
            4 , 3 , 2 , 1 , 0 , 1 , 2;
            2 , 1 , 1 , 0 , 1 , 1 , 2;
            2 , 1 , 0 , 1 , 2 , 3 , 4;
            0 , 0 , 2 , 3 , 3 , 4 , 6;
            0 , 1 , 3 , 4 , 4 , 5 , 6;
                                        ];                                        
    
%输入量P语言值特征点
% EFF = [-15,-9,-3.5,0,3.5,9,15];
EFF = [-15,-10,-5,0,5,10,15];

%输入量D语言值特征点
DFF = [-6,-4,-1.8,0,1.8,4,6];
%输出量U语言值特征点(根据赛道类型选择不同的输出值)
for i2 = 1:7
    UFF(i2) = kp_m / 6 *(i2-1);
end

%偏差,偏差微分以及输出值的精确量
U=0;

PF = [0,0]; DF = [0,0]; UF = [0,0,0,0];
%偏差,偏差微分以及输出值的隶属度
Pn=0;Dn=0;Un=[0,0,0,0];
% t1=0;t2=0;t3=0;t4=0;temp1=0;temp2=0;

%确定隶属度
%根据PD的指定语言值获得有效隶属度
if(   E>EFF(1) && E<EFF(7)  )
    if( E <= EFF(2) )
        Pn = -2;
        PF(1) = ( EFF(2) - E )/( EFF(2) - EFF(1) );%EFF(2)的隶属度
    elseif( E <= EFF(3) )
        Pn = -1;
        PF(1) = ( EFF(3) - E )/( EFF(3) - EFF(2) );%EFF(3)的隶属度
    elseif( E<= EFF(4) )
        Pn = 0;
        PF(1) = ( EFF(4) - E  )/( EFF(4) - EFF(3) );
    elseif( E<= EFF(5) )
        Pn = 1;
        PF(1) = ( EFF(5) - E )/( EFF(5) - EFF(4) );
    elseif( E<= EFF(6) )
        Pn = 2;
        PF(1) = ( EFF(6) - E )/( EFF(6) - EFF(5) );
    elseif( E <= EFF(7) )
        Pn = 3;
        PF(1) = ( EFF(7) - E )/( EFF(7) - EFF(6) );
    end
 %不在给定区间内   
elseif( E <= EFF(1) )
    Pn = -2;
    PF(1) = 1;
elseif( E >= EFF(7) )
    Pn = 3;
    PF(1) = 0;
end

PF(2) = 1 - PF(1);

%判断D的隶属度
if(   EC>DFF(1) && EC<DFF(7)  )
    if( EC <= DFF(2) )
        Dn = -2;
        DF(1) = ( DFF(2) - EC )/( DFF(2) - DFF(1) );
    elseif( EC <= DFF(3) )
        Dn = -1;
        DF(1) = ( DFF(3) - EC )/( DFF(3) - DFF(2) );
    elseif( EC<= DFF(4) )
        Dn = 0;
        DF(1) = ( DFF(4) - EC  )/( DFF(4) - DFF(3) );
    elseif( EC<= DFF(5) )
        Dn = 1;
        DF(1) = ( DFF(5) - EC )/( DFF(5) - DFF(4) );
    elseif( EC<= DFF(6) )
        Dn = 2;
        DF(1) = ( DFF(6) - EC )/( DFF(6) - DFF(5) );
    elseif( EC <= DFF(7) )
        Dn = 3;
        DF(1) = ( DFF(7) - EC )/( DFF(7) - DFF(6) );
    end
 %不在给定区间内   
elseif( EC <= DFF(1) )
    Dn = -2;
    DF(1) = 1;
elseif( EC >= DFF(7) )
    Dn = 3;
    DF(1) = 0;
end

DF(2) = 1 - DF(1);

%使用误差范围优化后的规则表rule[7][7]
%输出值使用13个隶属函数,中心值由UFF[7]指定
%一般都是四个规则有效
Un(1)=rule_p(Pn+3,Dn+3);
Un(2)=rule_p(Pn+4,Dn+3);
Un(3)=rule_p(Pn+3,Dn+4);
Un(4)=rule_p(Pn+4,Dn+4);

if( PF(1) <= DF(1) ) %求小
    UF(1) = PF(1);
else
    UF(1) = DF(1);
end
if( PF(2) <= DF(1) )
    UF(2) = PF(2);
else
    UF(2) = DF(1);
end
if( PF(1) <= DF(2) )
    UF(3) = PF(1);
else
    UF(3) = DF(2);
end
if(PF(2) <= DF(2) )
    UF(4) = PF(2);
else
    UF(4) = DF(2);
end

%同隶属度函数输出语言值求最大
if( Un(1) == Un(2) )
    if( UF(1) > UF(2) )
        UF(2) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(1) == Un(3) )
    if( UF(1) > UF(3) )
        UF(3) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(1) == Un(4) )
    if( UF(1) > UF(4) )
        UF(4) = 0;
    else
        UF(1) = 0;
    end
end

if( Un(2) == Un(3) )
    if( UF(2) > UF(3) )
        UF(3) = 0;
    else
        UF(2) = 0;
    end
end

if( Un(2) == Un(4) )
    if( UF(2) > UF(4) )
        UF(4) = 0;
    else
        UF(2) = 0;
    end
end

if( Un(3) == Un(4) )
    if( UF(3) > UF(4) )
        UF(4) = 0;
    else
        UF(3) = 0;
    end
end 

t1 = UF(1) * UFF( Un(1)+1 );
t2 = UF(2) * UFF( Un(2)+1 );
t3 = UF(3) * UFF( Un(3)+1 );
t4 = UF(4) * UFF( Un(4)+1 );
temp1 = t1 + t2 + t3 + t4;
temp2 = UF(1) + UF(2) + UF(3) + UF(4);

if( temp2 == 0 )
    U = 0;
else
    U = temp1/temp2;
end

Kp = U;

end

模糊PID的使用和调参技巧

模糊PID的使用和调参技巧放在另一篇推文中，链接如下：

智能车竞赛模糊PID代码与使用方法_小博特的博客-CSDN博客文章来源地址https://www.toymoban.com/news/detail-853415.html

到了这里，关于智能车竞赛模糊PID过程详解，附matlab模拟代码，使用的C代码在我的另一篇文章中的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 智能车竞赛·通过虚拟示波器实现电机PID调参

    智能车竞赛·通过虚拟示波器实现电机PID调参

    本文主要针对智能车小白，大佬可以浅看一下，如有错误希望大家多多指正。 引入： 刚入门智能车的朋友们可能都知道备赛时要对电机进行PID调试，看了一大堆资料，了解了什么是位置式PID，什么是增量式PID，kuakua一顿乱写，写好了电机PID控制代码。写好代码之后，诶！我

    2024年02月05日
    浏览(28)
  • 【抗扰PID控制】干扰抑制PID控制器研究（Matlab代码实现）

    【抗扰PID控制】干扰抑制PID控制器研究（Matlab代码实现）

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势： 🌞🌞🌞 博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️ 座右铭： 行百里者，半于九十。 📋📋📋 本文目录如下： 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码、Simulink、文

    2024年02月11日
    浏览(39)
  • 智能算法之浣熊优化算法(COA)，原理公式详解，附matlab代码

    智能算法之浣熊优化算法(COA)，原理公式详解，附matlab代码

    长鼻浣熊优化算法（ Coati Optimization Algorithm ， COA ）是一种新型元启发式优化算法，该算法是受浣熊狩猎行为启发而提出的，具有进化能力强、搜索速度快、寻优能力强的特点。该成果于 2023 年发表在知名 SCI 期刊 Knowledge-Based Systems 上。目前谷歌学术上查询被引 94 次。 先说一

    2024年02月02日
    浏览(28)

  • 模糊PID(模糊规则表)

    模糊PID的模糊化相关内容，请参看下面的博客文章： PLC模糊控制模糊PID(梯形图实现+算法分析)_RXXW_Dor的博客-CSDN博客 博途PLC的模糊PID控制详细内容请查看下面的博客文章：Matlab仿真+博途PLC模糊PID控制完整SCL源代码参考（带模糊和普通PID切换功能）_博途怎么实现模糊pid_RXXW_

    2024年02月03日
    浏览(28)

  • 常规PID、模糊PID和神经网络PID

    常规PID、模糊PID和神经网络PID是三种常见的PID控制器变种，它们在控制算法和性能方面有所不同。 常规PID控制器是最常用的PID控制器，它根据系统的误差、误差变化率和误差积分值计算控制器输出，并使用比例、积分和微分系数来调整控制器的响应速度和稳定性。 模糊PID控

    2024年02月13日
    浏览(36)
  • 增强型PID-自适应-前馈-神经网络控制研究（Matlab代码实现）

    增强型PID-自适应-前馈-神经网络控制研究（Matlab代码实现）

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势： 🌞🌞🌞 博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️ 座右铭： 行百里者，半于九十。 📋📋📋 本文目录如下： 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 2.1 RBFNN_Optimized_hideen_node_20 ​2.2 RBFNN_Lat

    2024年02月01日
    浏览(41)
  • 模糊聚类在负荷实测建模中的应用(Matlab代码实现)

    模糊聚类在负荷实测建模中的应用(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势： 🌞🌞🌞 博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️ 座右铭： 行百里者，半于九十。 📋📋📋 本文目录如下： 🎁🎁🎁 目录 💥1 概述 1.1 模糊聚类方法 1.2 模糊聚类分析步骤 📚2 运行结果 🎉

    2024年02月09日
    浏览(29)
  • PID算法理论，运用，代码编写详解

    PID算法理论，运用，代码编写详解

    我相信能来看这篇文章的应该都知道什么是PID，PID就是一种控制算法，利用比例运算（P），积分运算（I）和微分运算（D）一起控制某一事件，当然也可以只运用其中一个也可以两两结合。 比如我们家里都会有的那个电热水器，有点热水器会有那个保温功能，假如我们设定的

    2024年02月17日
    浏览(30)
  • 模糊PID控制器的实现

    模糊PID控制器的实现

    本文讨论有关模糊PID相关的问题。模糊PID是一种将PID控制和模糊算法结合起来的控制算法，其实质上是将模糊算法用在了PID的参数整定上，以此来满足需要动态调整PID参数的系统的要求。 (1)传统的控制方法有时无法满足控制精度的要求，而且抗干扰的能力较弱，模糊控制可以

    2023年04月16日
    浏览(33)
  • 【MATLAB数据处理实用案例详解（22）】——基于BP神经网络的PID参数整定

    【MATLAB数据处理实用案例详解（22）】——基于BP神经网络的PID参数整定

    基于BP神经网络的PID控制的系统结构如下图所示： 考虑仿真对象，输入为r(k)=1.0，输入层为4，隐藏层为5，输出层为3，仿真输出满足 a ( k ) = 1.2 ( 1 − 0.8 e x p ( − 0.1 k ) ) , y ( k ) = a ( k ) y − 1 1 + ( y − 1 ) 2 + u − 1 a(k)=1.2(1-0.8exp(-0.1k)),y(k)=a(k) frac{y-1}{1+(y-1)^2}+u-1 a ( k ) = 1.2 ( 1 −

    2024年02月07日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包