简介：面向控制系统设计与自动化学习者，基于BP神经网络PID控制器及Simulink仿真.zip提供了一套融合BP神经网络与PID控制的Simulink仿真项目，重点解决传统固定参数PID难以应对非线性、时变工况的局限。资源共6个文件，按类型分为slx仿真模型（MyBPPID.slx）、m脚本（my_exppidf.m）、docx必读说明文档以及3张jpg误差对比图，压缩包仅206KB，轻量易取。项目通过S函数将BP神经网络与PID控制器封装为Simulink模块，完整覆盖模型构建、S函数开发、连接配置、仿真运行与结果分析等关键环节，适合对智能控制感兴趣、具备一定MATLAB基础的中级学习者深入研读。目前已有5384人学习，内含可运行模型与配套代码，并附文档解读实现思路，结合误差对比图可直观观察BP神经网络在线整定PID参数的过程，便于迁移到电机、温度等实际对象的控制设计中。
1. 一个把 PID 参数交给神经网络自己调的 Simulink 方案，到底靠不靠谱
同样是调一个速度环，有人用一整晚试凑 Kp、Ki、Kd，有人把 BP 神经网络 PID 控制器放进 Simulink 里，让网络在线自己整定参数。这个方案听起来有点玄学：一个三层 BP 网络的输出直接当成 PID 的三个系数，每一步反馈误差都用来更新权值。但它真正能覆盖的，恰恰是变负载、变惯量这些传统 PID 最难处理的工况。这类标题的仿真包在网上很多，真正的问题从来不是原理看不懂，而是自己照着搭的时候搭不起来：要么权值初值一乱就仿真发散，要么 MATLAB Function 和 S-Function 的时序没搞对，要么曲线出来了却不敢说它比固定 PID 好。这篇按原理、实现、排错的顺序，把能照抄的代码、参数边界和踩坑规律一次讲清楚。适合做智能控制课设和毕设的学生，以及想尝试在线参数整定的一线工程师。
2. BP 神经网络整定 PID 的原理与结构：为什么输出的是三个系数而不是控制量
2.1 PID 参数的失效边界与 BP 网络的“在线补位”
先明确一个前提：BP 神经网络 PID 控制器不是要把 PID 替换掉，而是把 PID 变成“可在线自整定”的控制器。传统 PID 的 Kp、Ki、Kd 一旦整定好就是固定值，当对象特性变化时，比如负载突变、转动惯量变大、管道流量随压力漂移，固定的参数要么超调变大，要么响应变慢。增益调度（Gain Scheduling）能部分解决，但它依赖先验知识，你得事先知道对象在哪些工况下需要哪组参数。
BP 网络在这里扮演的是一个非线性映射器：输入当前运行状态，比如给定值 r(k)、反馈值 y(k)、误差 e(k)，输出一组 Kp、Ki、Kd。这组参数是在线算出来的，每个采样周期都可能不同。网络的学习信号就是误差本身，误差大就往减小误差的方向调整权值，误差小就少调甚至不调。这种“误差驱动”的思路和传统整定方法是一致的，只是把人工试凑的过程变成了梯度下降的数值计算。
实际工程中我见过不少团队把这个方案用在温度控制、液位控制、变负载电机调速这类采样周期在几十毫秒到秒级的回路上，效果比较明显。用在快速电流环上的很少，后面会专门说原因。
2.2 画出 BP 神经网络结构图：四输入、五隐节点、三输出的常见约定
这里直接按从业者最常用的结构讲。画出 BP 神经网络结构图，典型是三层：输入层 4 个节点、隐含层 5 个节点、输出层 3 个节点。
输入层取四个量：r(k)、y(k)、e(k)、常数 1。最后一个常数项是偏置输入，给网络提供平移能力，很多新手画结构图时容易漏掉，实际代码里对应的是偏置向量 b1、b2。隐含层激活函数用 tanh，输出值范围在 -1 到 1，中心对称，收敛比 sigmoid 快。输出层激活函数用 sigmoid，也就是 1 / (1 + exp(-x))，把输出压到 0 到 1 之间。为什么输出层不能用线性输出？因为 Kp、Ki、Kd 在物理上不能为负，负的 Kd 会让系统正反馈，基本直接发散。sigmoid 保证非负，然后再乘一个缩放系数映射到实际可用的参数范围。
| 网络层 | 节点数 | 激活函数 | 输出范围 | 作用 |
|---|---|---|---|---|
| 输入层 | 4 | 无 | 原始值 | 给定、反馈、误差、偏置 |
| 隐含层 | 5 | tanh | -1~1 | 提取误差特征 |
| 输出层 | 3 | sigmoid | 0~1 | Kp、Ki、Kd 归一化输出 |
输出层的三个节点分别对应 Kp、Ki、Kd，经过缩放后送入增量式 PID 算式：
Δu(k) = Kp · [e(k) - e(k-1)] + Ki · e(k) + Kd · [e(k) - 2·e(k-1) + e(k-2)]
u(k) = u(k-1) + Δu(k)
这里用的是增量式而不是位置式，原因很实际：增量式只输出控制量的变化，不会因为误差积分饱和导致控制量直接顶到上限，也方便在仿真中加限幅。网络输出的是系数，不是直接输出 u(k)，这样保留了 PID 的结构，出问题的时候还能用传统 PID 的经验去解释曲线。
2.3 反向传播更新的是什么：误差从输出层倒灌回权值
网络更新的目标函数是最小化误差平方，常见写法是 E(k) = 0.5 · e(k)²。有些工程实现会在后面加一项 0.5 · Δu(k)²，用来惩罚过大的控制量变化，后面讲权值漂移的时候会提到这个改动。梯度下降的基本形式是：
W ← W + ΔW，ΔW = -η · ∂E / ∂W
其中 η 是学习率。由于 E 对输出层权值的梯度依赖对象模型 ∂y / ∂u，而对象通常未知，从业者一般用一个简化处理：用 sign(∂y/∂u) 代替真实雅可比。也就是说，只关心对象增益的方向，不关心具体大小。这是这一类方案里最常见的工程近似，代价是收敛速度会慢一些，但鲁棒性反而好。
输出层误差项的计算是：
δ_out = e(k) · sign(∂y/∂u) · [e(k)-e(k-1), e(k), e(k)-2e(k-1)+e(k-2)]
隐含层误差项是 δ_h = W2ᵀ · δ_out · (1 - h²)，其中 1 - h² 是 tanh 的导数。每个权值的更新量等于学习率乘以局部梯度乘以该权值对应的输入，同时加上动量项 α 乘以上一次的更新量。动量项的作用是让权值更新方向更平滑，避免误差曲面在陡峭区域来回振荡。代码实现放在下一章，这里只需要先建立概念：整个更新过程是纯粹的数值计算，不需要对象模型，这正是它能用于不确定对象的原因。
2.4 适用边界：别把 BP-PID 用到电流环或纯滞后过大的对象
这个方案不是万能药。第一个边界是采样速率。BP 网络前向计算加反传更新，在 MATLAB Function 块里运行，一次计算大约消耗几十微秒到几百微秒，MATLAB 解释执行会更慢。放在几十毫秒以上的控制周期没问题，但要是想把它塞进电机电流环这种几十微秒的周期，除非转成 C 代码并做定点优化，否则计算时间本身就超了。像电机正负序控制这类场合，Simulink 里通常还是用传统的 PI 加前馈，BP-PID 更适合速度环、位置环这种外环。
第二个边界是纯滞后。对象滞后时间如果大于 3 到 5 个采样周期，网络在当前周期看到的误差和当前控制量对输出的作用之间严重错位，学习率稍大就会振荡。这类对象建议先加 Smith 预估器把滞后补偿掉，再让 BP-PID 工作在等效无滞后对象上。
第三个边界是初值敏感。网络一开始的权值是随机的，对应的 Kp、Ki、Kd 可能是乱跳的。实际工程里最稳的做法是先用传统整定方法调出一组能稳住系统的 PID 参数，然后让网络的输出初始值落在这一组参数附近，BP 网络只负责在线“微调”。纯随机初始化直接跑，大概率在起步阶段就把系统打飞了。这是我在这类仿真包里反复见到的问题，后面避坑章节会专门说。
3. 在 Simulink 里把 BP-PID 跑起来：MATLAB Function 块完整代码与模型搭建
3.1 为什么不用神经网络工具箱的现成模块
看到“BP 神经网络 + Simulink”，很多人第一反应是打开 Neural Network Toolbox，拖一个 NARX 或网络训练模块进去。我一般不建议这么做，至少不建议新手这么做。原因有三个。
第一，工具箱里的模块面向的是离线训练和预测，不是在线控制。它的输入输出接口是为批量数据设计的，你要在每个采样周期实时更新权值，得绕很多弯。第二，这些模块在变步长求解器下行为和固定步长时不一样，而控制仿真必须用固定步长才能复现。第三，代码生成支持差。如果看一遍 Simulink Toolbox 功能列表就会发现，控制相关的工具箱很多，但神经网络模块的 C 代码生成支持始终不是它的重点。自己写一个 MATLAB Function 块反而受控：结构可见、步长可控、参数可调，后面转 S-Function 也顺理成章。
核心理念是：这里不需要一个通用的神经网络框架，只需要一个能前向计算、能梯度反传的小网络。几十行代码足够了。
3.2 初始化脚本：把随机种子和关键参数先在仿真前定死
网上的仿真包打开就跑不起来，一半原因是随机性不可控。仿真前先运行这段初始化脚本，把权值初值、学习率、缩放系数全部固定下来：
% setup_bppid.m % 仿真前运行一次：固定随机种子，确保每次仿真的网络初值一致 rng(1); n_in = 4; % 输入层：r, y, e, 1 n_hid = 5; % 隐含层节点数 n_out = 3; % 输出层：Kp, Ki, Kd % 权值初值取 0.5 * randn，让初始权值落在 [-0.5, 0.5] 附近 % 比纯 randn 初始化的数值范围小，起步阶段不容易把控制量打飞 W1_init = 0.5 * randn(n_hid, n_in); W2_init = 0.5 * randn(n_out, n_hid); b1_init = 0.5 * randn(n_hid, 1); b2_init = 0.5 * randn(n_out, 1); % 在线学习参数 lr = 0.02; % 学习率，0.1 起步大概率翻车，建议 0.001~0.05 alpha = 0.05; % 动量因子，用于平滑权值更新方向 % PID 输出缩放：sigmoid 输出在 (0,1)，乘缩放系数得到真实系数范围 K_scale = [10; 5; 1]; % Kp 最大约 10，Ki 最大约 5，Kd 最大约 1这段脚本的要点有两个。第一是 rng(1) 固定随机种子，这是可复现仿真最基本的一步，不固定种子的话每次跑的曲线都不一样，你根本无法判断参数改动到底有没有效果。第二是权值初值范围，0.5 乘以标准正态分布，让初始权值基本落在 -0.5 到 0.5 之间。初值越小，起步阶段 Kp、Ki、Kd 越接近 0，控制量越温和。我见过有人直接用 randn 初始化，结果第一个采样周期 Kp 就冲到十几，对象直接飞了。
3.3 核心代码：MATLAB Function 块里的 BP-PID 在线整定函数
把下面的代码完整粘贴到一个 MATLAB Function 块里，函数名保持 bp_pid_online 不变。这个函数接收上一拍误差和上上拍误差作为输入，是为了在函数内部直接计算增量式 PID 的差分项。代码里的注释已经标明了每一步的作用：
function [u, Kp, Ki, Kd] = bp_pid_online(r, y, e_prev, e_prev2) % BP-PID 在线整定 % 输入：r 给定值，y 反馈值，e_prev 上一拍误差，e_prev2 上上拍误差 % 输出：u 控制量，Kp/Ki/Kd 当前周期整定后的系数 persistent W1 W2 b1 b2 vW1 vW2 vB1 vB2 last_u if isempty(W1) % 和 setup_bppid.m 保持一致，这里直接给出同分布的初值 W1 = 0.5 * randn(5, 4); W2 = 0.5 * randn(3, 5); b1 = 0.5 * randn(5, 1); b2 = 0.5 * randn(3, 1); vW1 = zeros(5, 4); vW2 = zeros(3, 5); vB1 = zeros(5, 1); vB2 = zeros(3, 1); last_u = 0; end lr = 0.02; % 学习率，和初始化脚本保持一致 alpha = 0.05; % 动量因子 scale = [10; 5; 1]; % Kp/Ki/Kd 的缩放上限 e = r - y; % 网络输入：给定值、反馈值、当前误差、常数 1（偏置输入） x_in = [r; y; e; 1]; % 前向计算 h = tanh(W1 * x_in + b1); % 隐含层，tanh 激活 o = W2 * h + b2; % 输出层线性组合 K = 1 ./ (1 + exp(-o)); % sigmoid，输出范围 (0,1) Kp = scale(1) * K(1); Ki = scale(2) * K(2); Kd = scale(3) * K(3); % 增量式 PID du = Kp * (e - e_prev) + Ki * e + Kd * (e - 2 * e_prev + e_prev2); u = last_u + du; % 误差反传：用符号函数近似对象雅可比，避免依赖对象模型 dydu = sign(u - last_u); delta_out = e * dydu * [e - e_prev; e; e - 2 * e_prev + e_prev2]; delta_h = (W2' * delta_out) .* (1 - h.^2); % 输出层权值更新（含动量项） dW2 = lr * delta_out * h' + alpha * vW2; vW2 = dW2; W2 = W2 + dW2; db2 = lr * delta_out + alpha * vB2; vB2 = db2; b2 = b2 + db2; % 隐含层权值更新 dW1 = lr * delta_h * x_in' + alpha * vW1; vW1 = dW1; W1 = W1 + dW1; db1 = lr * delta_h + alpha * vB1; vB1 = db1; b1 = b1 + db1; last_u = u; end代码逻辑说明：整个函数在一个采样周期内完成“前向计算得到 PID 系数 → 增量式 PID 算控制量 → 反传播误差更新权值”三个动作。前向部分就是两个矩阵乘法和两个激活函数，矩阵维度由 4-5-3 结构决定。反传部分的核心是 delta_out 这一行的计算，它把当前误差 e 通过符号雅可比映射成对 Kp、Ki、Kd 三个方向的梯度，再逐层回传。
参数说明：lr 是全局学习率，决定每一步权值变化幅度。0.02 是一个比较中庸的起点，对象变化平缓可以到 0.01，对象响应快但要求稳就再调小。alpha 是动量因子，0.05 表示每次更新叠加前一次更新的 5%，太小起不到平滑作用，太大会让权值更新滞后。scale 数组是 PID 系数的缩放上限，这里 Kp 最大 10、Ki 最大 5、Kd 最大 1，实际要根据被控对象的量纲调整。比如温度对象增益大，Kp 缩放上限可能要压到 2 以下，否则一个 0.9 的 sigmoid 输出乘上 10，控制量直接顶到饱和。
3.4 Simulink 模型接线：从 Step 到 Scope 的一根完整信号链
模型搭建按下面的模块清单操作。采样周期统一为 0.01 秒，求解器用固定步长，这是控制仿真最基本的要求：
| 模块 | 参数设置 | 作用 |
|---|---|---|
| Step | 幅值 1，Step time 0 | 阶跃给定 |
| Sum | 符号 +- | 计算误差 e = r - y |
| Unit Delay 1 | Sample time 0.01 | 产生 e(k-1) |
| Unit Delay 2 | Sample time 0.01 | 产生 e(k-2) |
| MATLAB Function | 粘贴 bp_pid_online 代码 | BP-PID 控制器 |
| Transfer Fcn | 1 / ((0.5s+1)(0.2s+1)) | 被控对象，二阶惯性 |
| Transport Delay | Delay time 0.1 | 模拟纯滞后 |
| Scope | 默认 | 观察曲线 |
信号连线顺序是：Step 输出接 Sum 的正端，被控对象输出接 Sum 的负端，得到误差 e。e 分三路：第一路直接进 MATLAB Function 的第三个输入，第二路经过 Unit Delay 1 得到 e(k-1)，第三路再经过 Unit Delay 2 得到 e(k-2)。Step 信号同时接 MATTLAB Function 的第一个输入，被控对象的输出接第二个输入，MATLAB Function 的输出 u 接 Transfer Fcn 的输入，Transfer Fcn 输出经 Transport Delay 后接 Scope 和 Sum 负端。
一个容易忽略的细节是代数环。由于 MATLAB Function 的输出 u 直接影响被控对象，而被控对象的输出又直接影响网络的输入，如果被控对象传递函数存在直接馈通，Simulink 会警告出现代数环，严重时直接报错。解决方法是把反馈通道上的信号改成离散值，也就是在对象输出到 Sum 负端之间加一个 Unit Delay，代价是引入一拍延迟。仿真初期为了稳定，宁可吃这一拍延迟，也不要让回路出现隐式方程。
求解器设置方面，打开 Model Configuration Parameters，Solver 选 Fixed-step，Solver 选 ode4（四阶龙格库塔），Fixed-step size 设 0.01，Stop time 设 20 秒。变步长求解器在这个方案里是大忌，因为 MATLAB Function 块在每个步长都会执行一次，变步长会让网络更新时间间隔完全不均匀，曲线看起来就像随机噪声。
4. 避坑排查：BP-PID 在 Simulink 里的 5 个常见问题与处置
4.1 仿真发散：曲线直接飞到 1e6，NaN 刷屏
现象：仿真开始后一两秒内，Scope 里的曲线垂直冲向 1e6，MATLAB 命令行窗口刷出一串 NaN 警告，或者提示“Input contains NaN or Inf”。
原因：最直接的是学习率或者动量因子过大。0.1 以上的学习率在这个结构里几乎必炸，尤其是初始权值比较大的时候。第二个常见原因是 PID 缩放系数太大，sigmoid 输出稍微偏一点，乘上 10 或者 20 的控制系数，控制量瞬间饱和，反馈回来又是一大误差，正反馈循环。第三个原因是固定步长过大，0.01 秒的步长对 0.5 秒时间常数的对象是够的，但如果你把对象时间常数改成 0.05 秒还在用 0.01 步长，数值积分本身就不稳定。
解决：先把学习率降到 0.01，把 K_scale 整体缩小一半，权值初值范围压到 0.3 倍 randn。更保险的做法是先断开 BP 的在线更新，用固定 PID 参数跑通模型，确认对象和积分环节没问题，再打开网络更新。
4.2 输出层用 sigmoid 后控制量像台阶，系统低频抖动
现象：仿真曲线整体能跟住给定，但控制量 u 呈阶梯状，每隔几拍跳一下，被控对象的输出出现低频小幅抖动，频率明显低于正常控制频率，大约几赫兹，和采样频率不在一个量级。
原因：sigmoid 在输出接近 0 或 1 时饱和，梯度趋近于零，权值更新量很小。如果缩放系数 scale 设得过大，网络输出 Kp 大部分时间停在最大值附近，只有在误差改变方向时才跳变，于是控制量出现台阶状变化。本质上还是缩放系数和对象增益不匹配。
解决：观察运行中 Kp、Ki、Kd 的实际值，如果 Kp 长期贴着 scale 上限，说明上限设小了，或者网络在试图用最大增益压误差。先把 scale 上限按照对象稳态增益重新标定，比如对象直流增益是 2，Kp 上限设 5 到 8 就够，不需要 10。另外可以给 Δu 加一个限幅模块，比如 ±0.5，防止控制量每次跳变幅度过大。
4.3 权值漂移：跑久了 Kp 越来越大，系统开始自激
现象：仿真前 10 秒曲线正常，20 秒后突然出现持续振荡。把 Kp、Ki、Kd 打出曲线会看到，Kp 在持续缓慢上升，最后顶到缩放上限附近，系统明明已经稳定，网络却还在往大调增益。
原因：性能指标 E(k) = 0.5 · e(k)² 只惩罚误差，不惩罚控制量。稳定状态下误差很小，但噪声和数值截断仍然会产生微小的误差梯度。网络为了把这个小误差压到更低，会持续调大 Kp，形成“为了消除一个本来就不该消除的噪声而不断加增益”的正反馈。这在控制领域叫权值漂移，是纯在线学习最容易出现的慢性病。
解决：在性能指标里加控制量变化惩罚项，把目标函数改成 E(k) = 0.5 · e(k)² + λ · 0.5 · Δu(k)²，然后在反传的 delta_out 表达式里把梯度从 e 改成 e - λ · Δu / dydu。更简单的做法是为 Kp、Ki、Kd 分别设置上下限，超过上限就不再更新对应权值。我一般两种同时做，既改目标函数又加限幅，双保险。
4.4 被控对象带纯滞后：网络用当前误差优化，对象却响应旧信号
现象：对象加上 Transport Delay 后，仿真开始阶段控制量剧烈抖动，随后又变得几乎不动作，整体响应比不加滞后时慢一大截。把滞后时间从 0.1 秒调到 1 秒，现象急剧恶化。
原因：BP 网络每个周期都在用当前误差计算梯度并更新权值，但控制量要经过滞后时间才能反映到输出上。误差中还没有包含当前控制量的作用结果，网络相当于在用一个“看过期信息”的梯度做更新，方向经常是错的。滞后越大，这个问题越严重。
解决：第一条路是缩短采样周期，让滞后时间占的采样周期数变小，比如滞后 0.1 秒、采样 0.01 秒时是 10 拍，已经不算少，最好控制在 3 拍以内。第二条路是加 Smith 预估器，把对象无滞后部分的模型输出作为反馈代替真实反馈，让网络看到的误差去掉滞后影响。第三条路是干脆降低学习率，让网络在滞后环境下慢慢摸索，代价是调节时间拉长。工程里我优先推荐第二条，因为学习率压太狠会失去在线整定的意义。
4.5 外部模式或代码生成后同一套参数表现不一致
现象：Simulink 仿真曲线很好，超调、稳定时间都符合预期。但生成 C 代码后在外部模式运行，或者部署到硬件上，系统要么振荡加剧，要么直接发散。仿真和实物表现对不上。
原因：最常见的是模型里存在连续状态和离散状态混用。MATLAB Function 块在固定步长下按离散周期执行，而 Transfer Fcn 是连续模块，ode4 在每个步长内做了四次函数计算，离散部分只取步长起点和终点的值，两者之间的交互在代码生成后会有数值差异。另一个原因是默认代码生成用的是单精度浮点，而仿真默认双精度，权值累积误差在单精度下会被放大。
解决：先把求解器强制固定为 ode4 固定步长，确认模型里不要混用变步长模块。然后在 Code Generation 配置里把浮点精度设为 double，关闭“Replace double with single”优化。最后用外部模式先小步验证，跑一个控制周期看看实际步长和仿真步长是否一致，再考虑部署。这条经验是很多仿真模型落到实物时最容易翻车的地方。
5. 一个验证动作和一条进阶技巧：怎么证明 BP-PID 真的比固定 PID 强
所有在线整定类方案，最后都要回答同一个问题：它到底比固定 PID 好在哪里。如果不做验证就直接说这个控制器“自适应能力强”，那只是自我安慰。我每次跑通这类仿真模型后会做一组对比实验，用 ITAE 指标量化，也就是时间乘以绝对误差的积分。ITAE 对长期存在的误差惩罚很重，对瞬时的超调惩罚相对轻，正好符合“响应快、不持久振荡”的控制目标。
对比实验的做法是：先用传统整定方法把固定 PID 的三个系数整定到一个较好状态，跑完 20 秒仿真，记录误差信号 e 和工作时间 t 到 MATLAB 工作区。然后把 BP-PID 模型用同一组初值跑一遍，同样记录误差。为了模拟对象特性变化，可以在仿真进行到第 10 秒时把 Transfer Fcn 的增益往大调一步，比如从 1 改成 1.5，这一步可以用一个 Step 模块连接到 Gain 模块上来实现。记录误差后执行：
% 用工作区里记录的误差和时间计算 ITAE t = e.time; e1 = e.signals.values(:); itae = sum(t .* abs(e1)) * mean(diff(t));对比两组 ITAE，BP-PID 在对象增益突变后应明显小于固定 PID。如果差别不大，甚至更大，通常不是方案本身的问题，而是学习率或缩放系数没有调到位，这也是一个反向验证网络有没有真正在学习的办法。
最后一条进阶技巧是“先离线预训练，再在线微调”。做法是先用固定 PID 参数跑仿真，把前 5 秒的输入输出数据存下来，用这些数据离线训练 BP 网络，让网络输出的 Kp、Ki、Kd 逼近那组固定参数。然后把训练后的权值作为在线仿真的初始权值，再让网络在线更新。这比随机初始化起步稳得多，因为网络一开始就在一个合理参数的邻域里，只做局部调整，不会出现起步阶段控制量乱跳的问题。
我自己的习惯是拿到任何 BP-PID 仿真包，第一件事不是看曲线，而是先查三处：权值初值范围、学习率、符号雅可比的实现方式。这三个位置几乎决定了这个仿真能不能跑起来，而不是什么高深的控制理论。早年我也试过直接把学习率设成 0.1，看着曲线飞掉才意识到参数不是越大越好。希望这些踩过的坑能帮你在 Simulink 里少浪费几个晚上。
本文还有配套的精品资源，点击获取
