BP神经网络的网络结构是一个前向的多层网络，该网络中不仅含有输入层节点和输出层节点，而且还含有一层或多层的隐层节点。在BP神经网络中，同层的各神经元之间互不连接，相邻层的神经元则通过权值连接。当有信息输入BP神经网络时，信息首先由输入层节点传递到{dy}层的隐层节点，经过特征函数(人工神经元)作用之后，再传至下一隐层，这样一层一层传递下去，直到最终传至输出层进行输出。其间各层的激发函数要求是可微的，一般是选用S型函数。最基本的BP神经网络是包括输入层，隐层，输出层这三层节点的前馈网络，其结构如图1

模糊控制作为智能控制的一个重要分支，主要是模仿人的控制经验而不依赖被控对象的数学模型，因此若将模糊控制与PID控制结合起来组成模糊PID自适应控制器，使PID参数不依赖于被控对象的数学模型，并且能够动态调整PID参数以实现其优化，解决BP神经网络温度控制所面临的问题。

2模糊PID控制器的设计

对于某一BP神经网络温度控制系统，测温、内部变化及执行机构可以等效为以下传递函数，利用模糊控制根据系统的反馈时刻选择适当的PID参数，实现参数动态调节，原理见图2。

2.1 模糊控制器参数的论域及隶属度函数

由图2可知PID控制器的比例增益Kp、积分增益Ki和微分增益Kd作为模糊控制器的输出，系统误差e和误差变化率△e作为模糊控制器的输入，故系统中的模糊控制器有2个输入3个输出。

2.1.1 输入变量的论域及隶属度函数

根据实际情况，误差e和误差变化率△e的论域都选为{负大，负中，负小，零，正小，正中，正大)，用符号表示为{NB，NM，NS，ZO，PS，PM，PB}，采用如图3所示的隶属函数。

2.1.2 输出量的论域及隶属度函数

模糊控制器的输出分别为比例增益Kp、积分增益Ki和微分增益Kd，为了方便，可将其归一化为0～1之间的参数K′p和K′d，Ki可以表示为Ki=K2p／(αKd)，故模糊控制器的直接输出变量为α，K′p和K′d。

α的论域为{S，MS，M，B)，其隶属函数为一单点隶属函数，如图4所示。

K′p和K′d的隶属函数如图5所示。需要说明的是设计模糊控制器时隶属度函数并非随意确定的，如何选择隶属度函数，文献[3]中作了明确的阐述。

2.2模糊规则

根据实际经验，对本文中工业对象的控制可以总结为一系列推理语言规则，例如：

将上述规则用表的形式表示出来，即模糊控制规则表，如表1～表3所示。

3模糊控制器的实现及仿真

对上述模糊控制器采用直接在Simulink图形化工具平台建模并仿真。主要步骤如下：

(1)建立相应的模糊推理系统

首先在命令窗口输入fuzzy，回车便打开FIS的编辑器界面。添加输入输出变量并分别命名为e，ec，K′p，K′d，α采用Mamdani推理方法。其次对输入输出变量的隶属度函数进行编辑，之后进入规则编辑器将表1～表3中的规则添加其中，{zh1}将所建立的模糊推理系统存盘并命名为fisl，值得注意之处是存盘后还须选择'save to workspace'项，以便在建模时能调用这个文件。

(2)在Simulink中建模并仿真

本控制系统中由于被控对象的非线性和复杂性，PID控制器的参数是变化的，如式(1)，(2)所示：

其中KU=4，TU=2.9；选择一组PID参数：Kp=2.19，Kd=0.258，Ki=1.03，其对应的PID控制器传递函数为D(s)=KP(1+1／Kis+Kds)，即可得到常规PID控制器的xxxx。作为比较，建立模糊控制器的xxxx如图6所示，其中Matlab function根据式(3)，(4)，(5)将归一化的参数转化为实际的PID参数

需要说明的是出于方便考虑，此处将传统PID控制器与模糊PID控制器集合在一个控制模型中，利用Simulink库中的Switeh模块进行两者之间的切换。

4结 语

对上述模型进行仿真并将PID仿真结果与模糊PID控制仿真结果进行比较，如图7所示。可以发现对系统进行模糊PID控制，响应过程平稳，超调减小，响应时间也较快，性能良好。