e(k)，那么按照式(1-7)对其学习速率增大，当误差不再变化时，此时记录连接权值。若误差e(k+1)满足e(k+1)>e(k)，那么按照式(1-8)对其学习速率减小，当误差减小时，记录连接权值

　　七是将k赋值为k+1，返回第二步。

　　3 改进的BP神经网络PID仿真

　　将被控对象假定为：

　　网络结构采用4-5-3结构，输入信号为γ(k)=1.0，此信号是阶跃信号。网络结构中的4代表输入层有四个输入，为给定输入r(k)、

　　e(k)=r(k)-y(k)、y(k)和1。网络结构中的3代表输出层有三个参数，为KP、KI、KD。η=0.01，加权系数初值在[-1，1]区间内随机赋值。经过仿真得到的曲线图如图1和图2所示。

　　图1 单位阶跃响应曲线图

　　图2 误差变化曲线

　　被控对象是二阶的，所以阶跃响应曲线以正弦的方式衰减，并在系统稳定水平线上下振荡。从图1和图2可以看出，刚启动时系统振荡幅度较大，误差也比较大，系统在0.2s左右时振荡幅度变小，误差也迅速变小，在0.3s之后系统达到稳定运行，误差几近于0。由图可知在单位阶跃响应中改进的BP神经网络相较BP神经网络而言，超调量小，收敛速度快。

　　4 总结

　　提出了一种分层调整学习速率的BP神经网络改进方法，并把改进的方法与传统的PID结合。并基于MATLAB平台建立了模型进行仿真验证，仿真结果验证了改进的BP神经网络PID具有更快的响应速度、更高的精度，且稳定性更强。

　　参考文献：

　　[1]李楠.基于神经网络直流无刷电机控制策略的研究[D].兰州理工大学，2005.

　　[2]黄家圣.人工神经网络在无刷直流电动机中的应用研究[D].上海海事大学，2005.

　　[3]王国玲，李振宇，范自道.无刷直流电机自适应模糊PID控制系统[J].机电工程技术，2013(2)：30～33.

　　[4]焦竹青，屈百达，徐保国.基于BP神经网络PID控制的BLDCM调速系统[J].微计算机信息，2007(2)：112～114.

　　[5]彭韬，鱼振民.基于改进BP神经网络PID的无刷直流电动机速度控制的研究[J].微电机，2005，38(4)：17～20.