nn.m

首先对非线性模型在控制目标附近进行线性化得到相应的状态空间表达式

p=[x3_1';x3_2';x3_3';x3_4';x3_5';x3_6';x3_7';x3_8'];
u=x_u';%%初始化训练数据

net=newff(minmax(p),[8,1],{'tansig','purelin'},'trainlm');
%%生成一个两层的神经网络，第一层的传递函数为，第二层的传递函数为

net.trainParam.goal=0.0000001;%%设置与网络训练相关的数据，包括训练精度和最大训练次数
net.trainParam.epochs=5000;

net=init(net);%%初始化网络

net=train(net,p,u);%%根据前面的数据和设置的参数对网络进行训练

y=sim(net,p)%%对已经训练好的网络进行仿真，检查所得的网络是否符合要求

plot(u,'r')
hold on;
plot(y,'*')%%将训练所用数据和神经网络仿真的数据画在同一张图上，进行对比

gensim(net,-1)
%%如果所得到的网络符合要求，则将得到的网络生成一个simulink模块，替代原来的反馈矩阵对倒立摆模型进行控制