PaperFight Site

一定要善于利用各种 LLM 和编程助手。优先建议国外的比如 Gemini 等 LLM，以及 GitHub Copilot 或者 Claude Code 这种编程助手。

neocode

为神经网络 PID 整定的 Python 代码。

包含 Python 部分的服务器代码和神经网络等。可复用的主要是服务器代码。

neomatlabcode

包含 neocode SCI 论文的代码。

运行的逻辑是：

.slx 文件是 Simulink 的仿真模型文件，可以 设置仿真时间和仿真求解器等。
.mlx 文件是 MATLAB 实时脚本，用它来设置一些仿真所需的变量并唤起仿真。
.slx 中的 MATLAB 函数模块，调用 getNextData 函数创建客户端，与 Python 程序进行连接并进行数据交互。

训练信号的生成

训练信号不要设置成实际运行时的参考 r。一般来说信号丰富一些能够更好地让 AI 进行学习，包括让 AI 形成一个控制器或者让 AI 给出控制器的参数（PID）整定。

比如如下 MATLAB 代码

matlab

%% PID 神经网络训练输入信号生成器
clear; clc;

% 参数设置
T_total = 300;             % 总时长 (s)
Ts = 0.1;                  % 采样时间 (s)
t = 0:Ts:T_total;          % 时间向量
N = length(t);             % 采样点数

%% 1. 生成多尺度随机阶跃信号 (作为主参考输入)
% 目的是模拟不同幅值和持续时间的设定值变化
ref = zeros(1, N);
step_count = 15;           % 随机跳变的次数
change_points = sort(randperm(N, step_count)); % 随机选择跳变点
amplitudes = (rand(1, step_count+1) - 0.5) * 20; % 随机幅值在 [-10, 10] 之间

last_idx = 1;
for i = 1:step_count
    ref(last_idx:change_points(i)) = amplitudes(i);
    last_idx = change_points(i);
end
ref(last_idx:end) = amplitudes(end);

%% 2. 叠加正弦扫频信号 (增加频率覆盖范围)
% 帮助神经网络学习系统的高频响应
f0 = 0.01;                 % 起始频率 (Hz)
f1 = 0.5;                  % 截止频率 (Hz)
chirp_signal = 0.5 * chirp(t, f0, T_total, f1); 

%% 3. 生成外部干扰信号 (Disturbance)
% 在 150s 处模拟一个突发的负载扰动
dist = zeros(1, N);
dist(t >= 150 & t <= 160) = -3; % 持续 10s 的负向阶跃干扰
% 叠加轻微的高斯白噪声 (测量噪声)
noise = 0.05 * randn(1, N);

%% 4. 合成最终训练信号
% 输入信号 = 随机阶跃 + 扫频 + 噪声
u_train = ref + chirp_signal + noise;

%% 5. 数据可视化
figure('Color', 'w', 'Name', 'PID NN Training Data');

subplot(2,1,1);
plot(t, ref, 'LineWidth', 1.5, 'DisplayName', 'Base Reference (Steps)');
hold on;
plot(t, u_train, 'Color', [0.85, 0.33, 0.1], 'DisplayName', 'Combined Input (Rich)');
grid on;
legend;
title('Training Reference Signal (Target)');
ylabel('Amplitude');

subplot(2,1,2);
plot(t, dist, 'r', 'LineWidth', 1.2, 'DisplayName', 'Load Disturbance');
hold on;
plot(t, noise, 'Color', [0.5, 0.5, 0.5, 0.3], 'DisplayName', 'Measurement Noise');
grid on;
legend;
title('Disturbances and Noise');
xlabel('Time (s)');
ylabel('Amplitude');

% 导出数据格式建议：[时间, 输入信号值, 干扰值]
% training_data = [t', u_train', dist'];

得到的输入曲线大致如下图所示

PaperFight Site ​

neocode ​

neomatlabcode ​

训练信号的生成 ​

PaperFight Site

neocode

neomatlabcode

训练信号的生成