在机器人足球比赛中，底部运动控制是一个重要的部分，控制器设计非常重要，因此机器人可以平稳，快速地到达指定点。BP的神经网络算法可以任意精度逼近任何非线性函数。
具有简单的结构和良好的近似性能。用BP的神经网络调整PID控制参数，设计并优化了低级双轮驱动机器人的低级运动控制器算法，以实现对机器人运动的良好控制。
球机器人;神经网络; PID;运动控制中图分类号：TP文献标识码：A文章编号：1672-3198（2010）12-0292-01基于BP神经网络参数调整的PID控制器仿真重要内容是确定神经网络的初始权重。们可以知道，掩蔽层节点的入口是ui=Σ4wijxj，它在计算中通常用两个矩阵表示。入矩阵，输出矩阵，输入矩阵到隐藏层，隐藏矩阵到输出层权重矩阵。始加权矩阵的选择是决定优化最终效果的关键因素之一，但加权的初始化非常困难。
般方法是随机生成初始加权矩阵。模拟它并采用几组随机初始矩阵值和良好的模拟结果。方法更随机，必须通过输入不同的目标点进行测试。后获得一组模拟结果（许多样本有效）作为初始矩阵。
是，这种方法仍然存在一些缺陷，只能采用局部目标点。了获得良好的控制效果，这里提供了PID控制器的简单改进。误PID（k），错误（k-1）（最后错误）和错误（k-2）错误（先前错误）错误都经过预处理，即除以第一个误差d1。后，根据神经网络提供的PID参数的原始值，获得输出。于BP的神经网络参数设置，改进了PID控制器设计：机器人的速度曲线理想地使起动平稳。距离之后，控制器输出达到最大值并且距离由角度控制器确定。累计值达到特定值时，受控对象的输入是最大值。最大值继续显示距离之后，受控对象的条目开始减少。
控对象的输出减小到某个可控范围。时，PID控制器中累积的元素随时间变化是积分元素。而，初始动作非常强，因此初始速度太高，这必然会降低差动作用的灵敏度。此，本文件使用不完全差分控制算法来获得这种改进。完全差分控制算法的作用是削弱初始周期的积分作用并延迟它，即如上图所示，该部分的速度中介继续是最大的。制器的改进输出在这里：u（k）= a x u（k-1） （1-a）x of（k）。于BP神经网络整定的PID控制器与控制器仿真比较接下来，通过与P控制的比较，分析了基于神经网络整定的PID整定优势，便于设计和调整，简化的PID控制器在这里是控制器P，恒温阀芯也就是说v = k1×Ed，w = k2×Er。于此处的模拟比较，针对一般目标点（1000，5000）检测三个特殊目标点（10000，50）和（50，10000）。例因子调整过程遵循两个原则：（1）结束是可控的（即，最终状态速度在下一阶段开始时在可控范围内）; （2）在指定时间内到达目标点。一步是根据速度和流量优化参数。
这里，我们可能想要观察目标点（10000，50）时两点的比较。中（k1 = 0.67，k2 = 15），图1显示了具有（10000.50）PIDFig.2控制器的目标控制器。标点得到改善（10000.50）。拟神经网络控制器。1目标点为（10000，50）通过比较基于BP神经网络的上述PID控制的仿真，可以可视化目标点（10000，50）的增强型神经网络控制器的仿真。然，改进的控制效果明显优化，初始速度有上升时间，我们可以看到控制器的输出被抑制得到明显的效果，可以保证重要的输出持续一定时间（积分作用有效），最后输出下降，有利于下一阶段的控制。是控制器在不完全集成后获得的良好结果。
设计的控制器的PID参数在线实时优化。此，每当PID参数改变时，有利的是实时跟踪输入信号并实现最佳控制的目标。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com