今天幫師兄做Proe的仿真，用的Custom Load仿真，使用單神經元算法控制雙層臺的精確定位，發現了一些現象，小結一下吧。

首先，仿真跟采樣時間有很大的關系，如果采樣時間過大，那么相當于控制過慢，人家機械按你之前的控制量都動了半天了，才計算下一個控制量，必然導致控制跟不上運動；而如果采樣時間過小，一點小的波動你也去控制，容易引起控制的震蕩。所以一個算法的有效性是和采樣時間的設置有密切關系的，這點在之前的純算法仿真上還真沒注意到，因為純算法仿真時，只是設定要用的采樣時間就不管了，它的影響不會引起注意。如下面的圖，好的采樣時間下，效果很好；采樣時間如果過大，則如第二張圖，控制不及時，在開始時震蕩劇烈，也就是人家已經按你第一步算的走了半天，已經偏離很大了，你才去控制，引起初期的震蕩；如果采樣時間過小，如第三張圖，微小的振動或者允許的小偏差，你都要控制一下，引起震蕩停不下來，稍不注意就跑飛了。

其次，關于單神經元算法，他實際上是單神經元在不斷調整PID的3個系數，使它達到最好的PID控制系數，這也是與簡單PID最大的區別，簡單PID當你設置好3個系數后，就不動了，控制不好也沒辦法，只有通過不斷嘗試，找到最好的系數，然后一開始就用它。而神經網絡是不斷調整PID的系數，使它不斷趨近于最好的控制系數，如果初始設置的PID系數離理想的系數相差很遠，就要設置大的學習速率，知道找到穩定的PID系數后，以此PID系數作為開始時的初始系數，然后就可以調小學習速率了，這樣相當于可以達到對外界小干擾的抑制，即允許PID系數在小范圍內波動以適應外界的干擾。對于那個K，它是整體控制逼近理想PID系數的閥門，起整體調節作用。

舉個例子來說吧，上圖的三個系數是比較理想的系數，如果開始時不知道，設成了如下，就要將D的學習速率也調大，以盡快達到理想的D值，控制結果如下圖

這個圖和最上面的圖可以看到，開始時由于PID系數不是理想系數，所以有個調節過程，從而使穩定時間變長了，如果以穩定后的PID的值作為開始值，那就得到最上面最好的效果了。#p#分頁標題#e#