Proe运动单神经元控制仿真

今天帮师兄做Proe的仿真，用的Custom Load仿真，使用单神经元算法控制双层台的精确定位，发现了一些现象，小结一下吧。

首先，仿真跟采样时间有很大的关系，如果采样时间过大，那么相当于控制过慢，人家机械按你之前的控制量都动了半天了，才计算下一个控制量，必然导致控制跟不上运动；而如果采样时间过小，一点小的波动你也去控制，容易引起控制的震荡。所以一个算法的有效性是和采样时间的设置有密切关系的，这点在之前的纯算法仿真上还真没注意到，因为纯算法仿真时，只是设定要用的采样时间就不管了，它的影响不会引起注意。如下面的图，好的采样时间下，效果很好；采样时间如果过大，则如第二张图，控制不及时，在开始时震荡剧烈，也就是人家已经按你第一步算的走了半天，已经偏离很大了，你才去控制，引起初期的震荡；如果采样时间过小，如第三张图，微小的振动或者允许的小偏差，你都要控制一下，引起震荡停不下来，稍不注意就跑飞了。

其次，关于单神经元算法，他实际上是单神经元在不断调整PID的3个系数，使它达到最好的PID控制系数，这也是与简单PID最大的区别，简单PID当你设置好3个系数后，就不动了，控制不好也没办法，只有通过不断尝试，找到最好的系数，然后一开始就用它。而神经网络是不断调整PID的系数，使它不断趋近于最好的控制系数，如果初始设置的PID系数离理想的系数相差很远，就要设置大的学习速率，知道找到稳定的PID系数后，以此PID系数作为开始时的初始系数，然后就可以调小学习速率了，这样相当于可以达到对外界小干扰的抑制，即允许PID系数在小范围内波动以适应外界的干扰。对于那个K，它是整体控制逼近理想PID系数的阀门，起整体调节作用。

举个例子来说吧，上图的三个系数是比较理想的系数，如果开始时不知道，设成了如下，就要将D的学习速率也调大，以尽快达到理想的D值，控制结果如下图

这个图和最上面的图可以看到，开始时由于PID系数不是理想系数，所以有个调节过程，从而使稳定时间变长了，如果以稳定后的PID的值作为开始值，那就得到最上面最好的效果了。#p#分页标题#e#