利用PID控制器方法对系统进行双闭环Simulink仿真，得出常规双闭环PID控制方案和基于状态空间方程加PID控制方案均可以成功地控制直线一级倒立摆系统。 分析报告见：“ 现控--MATLAB环境下直线单级倒立摆系统实时控制实验的研究与设计（系统稳定性、能控性及能观性分析、PID控制方案）”

PID控制器的参数整定是控制系统设计的核心内容。它是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。PID控制器参数整定的方法很多，概括起来有两大类：一是理论计算整定法。它主要是依据系统的数学模型，经过理论计算确定控制器参数。这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。二是工程整定方法，它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际中被广泛采用。PID控制器参数的工程整定方法，主要有临界比例法、反应曲线法和衰减法。两种方法各有其特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。但无论采用哪一种方法所得到的控制器参数，都需要在实际运行中进行最后调整与完善。现在一般采用的是临界比例法。利用该方法进行 PID控制器参数的整定步骤如下：(1)首先预选择一个足够短的采样周期让系统工作；(2)仅加入比例控制环节，直到系统对输入的阶跃响应出现临界振荡，记下这时的比例放大系数和临界振荡周期；(3)在一定的控制度下通过公式计算得到PID控制器的参数。

S7-300PID温度控制.pdf

自己编写的 PID 程序 有很高的参考价值

1.网络结构为2-5-1； 2.两个输入，5个隐含层，1个输出

导读：模糊控制与PID相结合的控制方法，通过对误差量的变化实时分析，调整PID参数，达到快速响应和无差跟踪，可实现逆变电源的高精度实时控制。 　　1、引言 　　由于逆变器传递函数不易得到，而且电压输出经常波动，传统的单纯PID控制难以达到快速和稳定的响应，而模糊控制与PID相结合的控制方法，通过对误差量的变化实时分析，调整PID参数，达到快速响应和无差跟踪，可实现逆变电源的高精度实时控制。 　　模糊控制系统原理 　　模糊PID控制器以电压偏差e和偏差变化量ec作为输入，PID参数模糊自整定是找出PID三个参数与e和ec之间的模糊关系，在程序运行中通过不断检测e和ec,根据模糊控制原理对

rbf预测数学代码PEMF用户指南 版本2016.v1 模型保真度的预测估计（PEMF）是一种与模型无关的方法来量化替代模型误差。 PEMF将模型训练器，要在其上训练模型的样本数据以及要应用于模型的超参数值用作输入。 作为输出，它提供了替代模型中中值或最大误差的估计值。 ％欢迎任何反馈或评论。 请引导他们到 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%% ％首次使用说明 ％>为了从任何地方调用PEMF，请将路径添加到PEMF目录 ％ ％>为了使用任何第三方代理建模包 ％（例如，对于Kriging为“ dace”，对于SVR为“ Libsvm”）， ％将其放在“ / Models”子文件夹中 包含的百分比型号代码：径向基函数或RBF（具有5种不同的内核） 已测试的第三方模型百分比：克里格（DACE）和SVR（LibSVM）。 可以在以下位置找到它们： ％DACE： ％LibSVM： ％>尝试示例demo_PEMF（在Examples目录下）以了解如何使用PEMF %%%%%%%%%%%%%%%%%%%%%

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法。

模糊 免疫算法 PID 模糊 免疫算法 PID(Fuzzy immune PID algorithm PID fuzzy immune algorithm)

西门子FB58 PID C++项目，可运行，调试方法、资料、视屏讲解均有！死区宽度、控制带、脉冲等等！注释详细，该代码功能部分并非原创，属于二次开发！