图4 CMAC训练误差曲线
Fig.4 Training error curve of CMAC

　　图5所示为1620组训练数据送入CMAC神经网络训练后，训练数据在各个误差区间中的个数，可看出超过90%的训练数据具有较高的误差精度，即误差精度<0.1。

图5 训练数据在各误差区间中的个数
Fig.5 Numbers of training data in different section of error

　　把选取的2000种特征参数模块中剩下的380组作为测试集，对训练后的CMAC参数整定网络进行测试。输出的控制参数变化值与学习样本期望结果进行对比，错误率为7.8%，说明CMAC网络训练比较成功，具有一定的泛化能力。图6所示为CMAC神经网络的测试误差曲线。图7所示为测试数据在各误差区间中的个数。

图6 CMAC测试误差曲线
Fig.6 Testing error curve of CMAC

图7 测试数据在各误差区间中的个数
Fig.7 Numbers of testing data in different section of error

5 仿真结果

　　选取被控对象为： ，原控制器对此对象的控制性能达到要求，阶跃扰动曲线如图8中线1所示。当进行PID参数自整定，整定后的响应曲线为图8中线2，把特征参量送入CMAC参数整定网络，整定后参数为。从仿真图中，我们可以看出PID参数的整定效果比较理想，且CMAC神经网络的达到稳定的训练时间也比较短。

图8 整定前后的响应曲线

6 结论

　　仿真结果表明，CMAC神经网络的特性使其适合在PID参数自整定中使用。CMAC神经网络权值的调整是局部的，学习速度快，收敛性好，而且PID参数的整定效果也满足整定要求。文章的创新点：在基于模式识别的PID参数自整定系统中，直接利用CMAC网络获取整定规则，避免了传统的大量专家整定经验的建立。