神經(jīng)網(wǎng)絡控制及應用辨識與控制

關于神經(jīng)網(wǎng)絡控制及應用辨識與控制第一頁，共六十三頁，編輯于2023年，星期三23.2.1神經(jīng)網(wǎng)絡系統(tǒng)辨識原理

定義：系統(tǒng)辨識就是在輸入和輸出數(shù)據(jù)的基礎上，從一組給定的模型類中確定一個與所測系統(tǒng)等價的模型。

1．動態(tài)系統(tǒng)的常用自回歸滑動平均模型以單輸入單輸出(SISO)時不變離散系統(tǒng)為對象：

3.2神經(jīng)網(wǎng)絡系統(tǒng)辨識系統(tǒng)Ⅰ

系統(tǒng)Ⅱ系統(tǒng)Ⅲ3.2.1.1系統(tǒng)辨識原理

第二頁，共六十三頁，編輯于2023年，星期三31．動態(tài)系統(tǒng)的常用自回歸滑動平均模型3.2神經(jīng)網(wǎng)絡系統(tǒng)辨識系統(tǒng)Ⅳ

系統(tǒng)Ⅴ

其中，u(k)、y(k)和d(k)分別代表系統(tǒng)在k時刻的可測輸入、輸出和擾動，m、n和l分別為輸入時間序列、輸出時間序列和擾動時間序列的階次，且，、和為常系數(shù)，，，γ=1,2,…,l。3.2.1.1系統(tǒng)辨識原理

第三頁，共六十三頁，編輯于2023年，星期三4系統(tǒng)Ⅰ對過去n個時刻的輸出和過去m個時刻的輸入是線性的

；系統(tǒng)Ⅱ?qū)η皀個時刻的輸出是線性的，對前m個時刻的輸入是非線性的；系統(tǒng)Ⅲ對過去的輸出是非線性的，對過去的輸入是線性的

；系統(tǒng)Ⅳ對過去的輸出和過去的輸入都非線性的

；系統(tǒng)Ⅴ的輸出是n個過去的輸入和m個過去的輸出非線性函數(shù)，是非線性系統(tǒng)的通用表達式，而系統(tǒng)Ⅱ～系統(tǒng)Ⅳ可看作它的特例。

3.2神經(jīng)網(wǎng)絡系統(tǒng)辨識1．動態(tài)系統(tǒng)的常用自回歸滑動平均模型3.2.1.1系統(tǒng)辨識原理

第四頁，共六十三頁，編輯于2023年，星期三53.2神經(jīng)網(wǎng)絡系統(tǒng)辨識2．動態(tài)系統(tǒng)的離散狀態(tài)空間模型仿射型：

一般型：

其中，為非線性算子，u(k)，y(k)，x(k)是系統(tǒng)在時刻k的輸入、輸出和狀態(tài)變量。設系統(tǒng)具有能觀性和能控性。3.2.1.1系統(tǒng)辨識原理

第五頁，共六十三頁，編輯于2023年，星期三61)實驗設計確定輸入信號、采樣周期、辨識時間、開環(huán)或閉環(huán)、離線或在線等等。2)確定辨識模型M的結(jié)構(gòu)

M的結(jié)構(gòu)設計主要依靠人的經(jīng)驗來確定，M可以由一個或多個神經(jīng)網(wǎng)絡組成，也可以加入線性系統(tǒng)。3)確定辨識模型的參數(shù)需要選擇合適的參數(shù)辨識算法。采用BP神經(jīng)網(wǎng)絡時，可采用一般的BP學習算法辨識網(wǎng)絡的權值參數(shù)。4)模型檢驗模型的實際應用效果是對系統(tǒng)辨識效果優(yōu)劣的檢驗標準。3.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.1.2辨識的主要步驟

第六頁，共六十三頁，編輯于2023年，星期三73.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.1.3在線辨識與離線辨識

dP

∑+-e(k)u(k)第七頁，共六十三頁，編輯于2023年，星期三83.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.1.3在線辨識與離線辨識

在線辨識是在系統(tǒng)實際運行中進行的，辨識過程由實時性要求。離線辨識是在已取得大量系統(tǒng)的輸入輸出后，用這些歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練（辨識），因此辨識過程與實際系統(tǒng)是分離的，無實時性要求。離線辨識可使神經(jīng)網(wǎng)絡在系統(tǒng)工作前預先完成訓練過程，但因輸入輸出訓練樣本集很難覆蓋系統(tǒng)所有可能的工作范圍，因而難以適應系統(tǒng)在工作過程中的參數(shù)變化。在實際應用中，一般先進行離線訓練，得到網(wǎng)絡的權值后再進行在線學習，這時網(wǎng)絡離線訓練后的權值就成為在線學習時的初始值，從而使辨識的實時性得到改善。

第八頁，共六十三頁，編輯于2023年，星期三93.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2系統(tǒng)模型的神經(jīng)網(wǎng)絡辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡辨識采用系統(tǒng)Ⅴ的一般描述，設n=3，m=2，被辨識系統(tǒng)差分方程為令辨識模型M為或

(3-90)

(3-91)

第九頁，共六十三頁，編輯于2023年，星期三103.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡辨識并聯(lián)結(jié)構(gòu)

第十頁，共六十三頁，編輯于2023年，星期三113.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.1系統(tǒng)正模型的神經(jīng)網(wǎng)絡辨識串-并聯(lián)結(jié)構(gòu)

第十一頁，共六十三頁，編輯于2023年，星期三12e(t)y(t+1)u(t)e(t)y(t+1)P(NN)u(t)P(NN)系統(tǒng)逆模型辨識的兩種結(jié)構(gòu)(a)反饋結(jié)構(gòu)(b)前饋結(jié)構(gòu)

3.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.2系統(tǒng)逆模型的神經(jīng)網(wǎng)絡辨識第十二頁，共六十三頁，編輯于2023年，星期三133.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡系統(tǒng)辨識應用實例建立加熱爐中鋼坯表面溫度預報模型在BP網(wǎng)絡的基礎之上把輸出端信號通過延時環(huán)節(jié)反饋到輸入端，從而形成動態(tài)BP網(wǎng)絡。神經(jīng)網(wǎng)絡辨識模型

第十三頁，共六十三頁，編輯于2023年，星期三14

在選取樣本時，兩組不同工況下的數(shù)據(jù)中的爐膛溫度都進行線性化處理，工況1、2分別以爐溫達850℃和880℃時取樣的加熱數(shù)據(jù)。網(wǎng)絡訓練誤差曲線工況1實測溫度、預報溫度比較圖第十四頁，共六十三頁，編輯于2023年，星期三153.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡系統(tǒng)辨識應用實例例二：糧食干燥熱力過程神經(jīng)網(wǎng)絡模型辨識

糧食干燥塔系統(tǒng)簡化圖

神經(jīng)網(wǎng)絡辨識模型

第十五頁，共六十三頁，編輯于2023年，星期三163.2神經(jīng)網(wǎng)絡系統(tǒng)辨識3.2.2.3神經(jīng)網(wǎng)絡系統(tǒng)辨識應用實例例二：糧食干燥熱力過程神經(jīng)網(wǎng)絡模型辨識

干燥塔出口糧食水分神經(jīng)網(wǎng)絡辨識結(jié)果與實測結(jié)果比較第十六頁，共六十三頁，編輯于2023年，星期三173.2神經(jīng)網(wǎng)絡系統(tǒng)辨識例三：BP網(wǎng)絡在齒輪箱故障診斷中的應用根據(jù)齒輪箱9組數(shù)據(jù)，用BP神經(jīng)網(wǎng)絡對其進行故障診斷（數(shù)據(jù)為齒輪的嚙合頻率，并進行歸一化處理。網(wǎng)絡結(jié)構(gòu)為15-31-3）。由于齒輪包括3種故障模式，故可采用如下的形式表示輸出模式：無故障：（1，0，0）；齒根裂紋：（0，1，0）；斷齒：（0，0，1）；其中三組測試數(shù)據(jù)對應的故障分別為齒根裂紋、無故障、斷齒。而網(wǎng)絡輸出值為：

0.00280.99070.01010.95650.02170.00610.02420.00210.9919第十七頁，共六十三頁，編輯于2023年，星期三18>>P=[0.22860.12920.0720.15920.13350.07330.11590.0940.05220.13450.0090.1260.36190.0690.1828;0.2090.09470.13930.13870.25580.090.07710.08820.03930.1430.01260.1670.2450.05080.1328;0.04420.0880.11470.05080.13280.1150.14530.04290.18180.03780.00920.22510.15160.08580.067;0.26030.17150.07020.27110.14910.1330.09680.19110.25450.08710.0060.17930.10020.07890.0909;0.3690.22220.05620.51570.18720.16140.14250.15060.13100.050.00780.03480.04510.07070.088;0.03590.11490.1230.5460.19770.12480.06240.08320.1640.10020.00590.15030.18370.12950.07;0.17590.23470.18290.18110.29220.06550.07740.22730.20560.09250.00780.18520.35010.1680.2668;0.07240.19090.1340.24090.28420.0450.08240.10640.19090.15860.01160.16980.36440.27180.2494;0.26340.22580.11650.11540.10740.06570.0610.26230.25880.11550.0050.09780.15110.22730.322]';T=[100;100;100;010;010;010;001;001;001]';threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');第十八頁，共六十三頁，編輯于2023年，星期三19net.trainParam.epochs=50;net.trainParam.goal=0.001;LP.lr=0.1;net=train(net,P,T);%測試數(shù)據(jù)test=[0.25930.180.07110.28010.15010.12980.10010.18910.25310.08750.00580.18030.09920.08020.1002;0.21010.0950.12980.13590.26010.10010.07530.0890.03890.14510.01280.1590.24520.05120.1319;0.25990.22350.12010.11710.11020.06830.06210.25970.26020.11670.00480.10020.15210.22810.3205]';y=sim(net,test)TRAINLM-calcjx,Epoch0/50,MSE0.29517/0.001,Gradient0.29501/1e-010TRAINLM-calcjx,Epoch5/50,MSE0.000163395/0.001,Gradient0.000683316/1e-010TRAINLM,Performancegoalmet.y=0.00280.99070.01010.95650.02170.00610.02420.00210.9919第十九頁，共六十三頁，編輯于2023年，星期三203.2神經(jīng)網(wǎng)絡系統(tǒng)辨識例四：RBF網(wǎng)絡在股市價格中的應用這里將3天作為一個周期，3天的股票價格作為網(wǎng)絡的輸入向量，輸出為預測日當天的股票價格。日期股票價格日期股票價格10.125470.711920.231580.868530.329790.925640.437650.542560.6078第二十頁，共六十三頁，編輯于2023年，星期三21P=[0.12540.23150.3279;0.23150.32970.4376;0.32970.43760.5425;0.43760.54250.6078;0.54250.60780.7119]';T=[0.43760.54250.60780.71190.8685];P_test=[0.60780.71190.8685]';net=newrb(P,T,0,40);y=sim(net,P_test)x9=0.9256;e=x9-yNEWRB,neurons=0,SSE=0.0196226y=0.8343e=0.0913第二十一頁，共六十三頁，編輯于2023年，星期三22

神經(jīng)網(wǎng)絡控制是神經(jīng)網(wǎng)絡與自動控制相結(jié)合而形成的一門綜合性學科，基于神經(jīng)網(wǎng)絡的智能控制系統(tǒng)已有許多成功的應用實例，神經(jīng)網(wǎng)絡控制系統(tǒng)的設計與應用既需要熟悉神經(jīng)網(wǎng)絡的各種網(wǎng)絡模型、學習算法以及主要特性，又要熟悉控制領域的廣泛理論與方法，如非線性控制、系統(tǒng)辨識和自適應控制等等。本節(jié)簡要介紹人工神經(jīng)網(wǎng)絡控制的常用結(jié)構(gòu)，重點介紹幾種神經(jīng)網(wǎng)絡控制方案的設計方法、性能分析以及應用舉例。3.3神經(jīng)網(wǎng)絡控制第二十二頁，共六十三頁，編輯于2023年，星期三233.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3.1.1直接逆控制系統(tǒng)結(jié)構(gòu)直接逆控制是一種前饋控制，設被控對象模型為P且其逆模型P-1存在，理論上可直接用P-1作為控制器與被控對象串聯(lián)，此時控制器P-1的輸入為系統(tǒng)的參考輸入r，輸出為u，而被控對象的輸入為u，輸出為y，理想情況下應有y=r，即系統(tǒng)的傳遞函數(shù)為P

P-1=1。因此，可先通過離線訓練使神經(jīng)網(wǎng)絡控制器NNC獲得被控對象的逆特性P-1，再將具有逆特性P-1的NNC與被控對象串聯(lián)。3.3神經(jīng)網(wǎng)絡控制第二十三頁，共六十三頁，編輯于2023年，星期三24NNC()對象NN()神經(jīng)網(wǎng)絡直接逆控制結(jié)構(gòu)

該控制結(jié)構(gòu)的一種實現(xiàn)方案如下圖所示:3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.1直接逆控制系統(tǒng)結(jié)構(gòu)第二十四頁，共六十三頁，編輯于2023年，星期三25-dyu-f

r+濾波器NNC()對象NNI()

內(nèi)?？刂萍磧?nèi)部模型控制，該方案即保留了直接逆控制的優(yōu)點又可以較好地解決直接逆控制存在的問題。

3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.2內(nèi)?？刂葡到y(tǒng)結(jié)構(gòu)第二十五頁，共六十三頁，編輯于2023年，星期三26

PID控制要取得較好的控制效果，關鍵在于調(diào)整好比例、積分和微分三種控制作用的關系。在常規(guī)PID控制器中，這種關系只能是簡單的線性組合，因此難以適應復雜系統(tǒng)或復雜環(huán)境下的控制性能要求。從變化無窮的非線性組合中可以找到三種控制作用既相互配合又相互制約的最佳關系，而神經(jīng)網(wǎng)絡所具有的任意非線性表達能力，可用來實現(xiàn)具有最佳組合的PID控制。3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.3PID控制系統(tǒng)結(jié)構(gòu)第二十六頁，共六十三頁，編輯于2023年，星期三273.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.3PID控制系統(tǒng)結(jié)構(gòu)第二十七頁，共六十三頁，編輯于2023年，星期三28

間接自校正控制常稱為自校正控制，該方案可在被控系統(tǒng)參數(shù)變化的情況下自動調(diào)整控制器參數(shù)，消除擾動的影響。3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.4間接自校正控制系統(tǒng)結(jié)構(gòu)第二十八頁，共六十三頁，編輯于2023年，星期三29

預測控制是一種基于被控對象的預測模型的控制，特點是滾動優(yōu)化和反饋校正。由于神經(jīng)網(wǎng)絡能辨識非線性動態(tài)系統(tǒng)的輸入輸出特性，可作為系統(tǒng)的預測模型。3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.5預測控制系統(tǒng)結(jié)構(gòu)第二十九頁，共六十三頁，編輯于2023年，星期三30

模型參考自適應控制來源于線性系統(tǒng)的模型參考自適應控制(MRAC)，當被控對象具有未知的非線性特性時，可采用神經(jīng)網(wǎng)絡模型參考自適應控制方案，其結(jié)構(gòu)如下。

間接型直接型3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.6模型參考自適應控制系統(tǒng)結(jié)構(gòu)第三十頁，共六十三頁，編輯于2023年，星期三31

智能控制的思路是模仿人的智能行為進行控制，人作出控制決策時憑借的不是數(shù)學模型而是經(jīng)驗，而這些經(jīng)驗是經(jīng)過“行動—評價—改進行動方案—再行動”的多次反復才能獲得的，再勵學習控制就是模仿人的這種學習方式而提出的。3.3.1神經(jīng)網(wǎng)絡控制系統(tǒng)結(jié)構(gòu)

3.3神經(jīng)網(wǎng)絡控制3.3.1.7再勵學習控制系統(tǒng)結(jié)構(gòu)第三十一頁，共六十三頁，編輯于2023年，星期三323.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

設被控對象為

1.神經(jīng)網(wǎng)絡辨識器的設計

,

(3-92)第三十二頁，共六十三頁，編輯于2023年，星期三33第三十三頁，共六十三頁，編輯于2023年，星期三343.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

1.神經(jīng)網(wǎng)絡辨識器的設計第三十四頁，共六十三頁，編輯于2023年，星期三353.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

1.神經(jīng)網(wǎng)絡辨識器的設計第三十五頁，共六十三頁，編輯于2023年，星期三363.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第三十六頁，共六十三頁，編輯于2023年，星期三373.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第三十七頁，共六十三頁，編輯于2023年，星期三383.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第三十八頁，共六十三頁，編輯于2023年，星期三393.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第三十九頁，共六十三頁，編輯于2023年，星期三403.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第四十頁，共六十三頁，編輯于2023年，星期三413.3神經(jīng)網(wǎng)絡控制3.3.2.1基于BP神經(jīng)網(wǎng)絡的PID控制

2.神經(jīng)網(wǎng)絡PID控制器的設計

第四十一頁，共六十三頁，編輯于2023年，星期三42例:設被控對象的近似數(shù)學模型為：神經(jīng)網(wǎng)絡的結(jié)構(gòu)為4-5-3，學習速率為=0.28，慣性系數(shù)=0.04，加權系數(shù)初始值取[-0.5,0.5]上的隨機數(shù)。輸入信號分為兩種：（1）（2）第四十二頁，共六十三頁，編輯于2023年，星期三43第四十三頁，共六十三頁，編輯于2023年，星期三44clearall;closeall;xite=0.20;alfa=0.05;S=2;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end第四十四頁，共六十三頁，編輯于2023年，星期三45ifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endx=[0,0,0];du_1=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);%OutputfromNNmiddlelayerI=Oh;%InputtoNNmiddlelayererror_2=0;error_1=0;第四十五頁，共六十三頁，編輯于2023年，星期三46ts=0.001;fork=1:1:6000time(k)=k*ts;ifS==1rin(k)=1.0;elseifS==2rin(k)=sin(1*2*pi*k*ts);end%Unlinearmodela(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';forj=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j)));%MiddleLayerend第四十六頁，共六十三頁，編輯于2023年，星期三47K=wo*Oh;%OutputLayerforl=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));%Gettingkp,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);dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Outputlayerforj=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endforl=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endforl=1:1:Outfori=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hiddenlayer第四十七頁，共六十三頁，編輯于2023年，星期三48fori=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;fori=1:1:Hdelta2(i)=dO(i)*segma(i);Endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%ParametersUpdatedu_1=du(k);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第四十八頁，共六十三頁，編輯于2023年，星期三49figure(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');第四十九頁，共六十三頁，編輯于2023年，星期三