基于神经网络模糊自整定PID的AUV深度与航向控制Matlab仿真

聊一个我最近一直在折腾的项目：神经网络模糊逻辑自整定PID控制器，用在AUV（自主水下机器人）的深度与航向控制上，整套仿真基于Matlab实现。做水下机器人控制的人应该都有同感——AUV的动力学模型非线性强、参数时变、海流干扰还特别不讲道理，传统PID调好一组参数只能在一两个工况下凑合用，换个水深、换个航速就露馅。我这次把模糊逻辑和神经网络叠在PID外面，做一个会自动调Kp、Ki、Kd的控制器，实测下来比固定参数PID省心太多。这篇把从模型简化、模糊规则表设计、神经网络在线学习到Matlab代码结构完整走一遍，适合正在做AUV控制仿真、毕设搞水下机器人、或者单纯想给PID“升升级”的朋友参考。

1. 为什么AUV控制要上神经网络模糊PID

1.1 AUV动力学模型的“野”

AUV在水下运动，和地面上的小车完全是两码事。地面车辆模型再复杂，好歹轮胎摩擦系数基本固定；水下机器人面对的是流体动力学，阻力项跟速度的平方挂钩，还叠加了科氏力、附加质量、浮力变化、海流扰动。六自由度模型写出来是一堆耦合的非线性微分方程，纵荡、横荡、垂荡、横摇、纵摇、艏摇互相影响，你本来只想控深度，结果深度一变化，纵倾角跟着变，纵倾角变了，航向又漂了。哪怕是简化到只做垂直面（深度+纵倾）控制，被控对象的传递函数里也带着明显的非线性和不确定性。

传统的控制思路是把模型在某个工作点线性化，然后设计PID。可AUV的工作点不是固定的，下潜到100米和贴着水面航行，水密度、压力、缆绳拉力（如果有）都不一样，线性化模型只在设计点附近靠谱。你把PID参数按30米深度调好，下潜到80米，可能就开始振荡；再碰上侧向海流，干脆稳态误差都收不回来。

1.2 传统PID在AUV场景的三个致命短板

第一个短板是参数固定。常规PID一旦整定完毕，Kp、Ki、Kd就锁死了。但AUV的工况是时变的，同一台机器在不同航速下的水动力系数差异很大，固定参数很难覆盖全工况。

第二个短板是对“变化趋势”不敏感。PID里D项虽然能提前抑制超调，但它只看误差变化率，如果有周期性海浪干扰，误差来回摆动，D项反而容易引入噪声放大，导致舵面频繁抖舵，既耗电又磨损执行机构。

第三个短板是整定过程依赖人工经验。不管是Ziegler-Nichols还是衰减曲线法，都需要在真实系统或高保真模型上反复试凑。AUV这种设备做一次湖试、海试成本极高，不可能让你在真机上慢慢试参数。所以必须要让控制器自己“看着办”——根据当前误差状态自动调整PID参数，这就是自整定的意义。

1.3 模糊逻辑和神经网络各自解决什么问题

模糊逻辑擅长把“经验”变成规则。老工程师调PID会说：“误差大而且还在增大，就该加大比例增益，同时减小微分增益，防止 overshoot。”这种话没法直接写进程序，但可以写成模糊规则表。模糊控制器输入是误差e和误差变化率ec，输出是Kp、Ki、Kd的修正量，用语言变量（负大、负小、零、正小、正大）去匹配，再用隶属度函数算出来，相当于把人的调参经验固化成了“智能查表”。

但纯模糊逻辑有个毛病——规则表和隶属度函数是人为定的，面对没见过的工况就不太灵。这时候神经网络就派上用场了。神经网络用来做参数映射或在线学习：它可以根据AUV当前的动态响应，动态修正模糊规则表的输出比例，或者直接学习误差到PID增益的映射关系。更常见的做法是让神经网络在线调整模糊控制器里的量化因子和比例因子，相当于给模糊查表外面又套了一层“自适应放大镜”。

我把这三层串成一个整体：PID负责基础控制，模糊逻辑负责根据当前误差状态粗调PID参数，神经网络负责根据响应效果对模糊输出做精调。这样既有模糊逻辑的快速响应，又有神经网络的在线学习能力，比单独用任何一种都稳。

2. 控制器整体架构与控制方案设计

2.1 模糊自整定PID的基本框架

在Matlab里，我搭的是最经典的两输入三输出模糊控制器。两个输入：误差e和误差变化率ec。三个输出：ΔKp、ΔKi、ΔKd。最终PID参数由基准值加上模糊修正量得到：

Kp = Kp0 + ΔKp
Ki = Ki0 + ΔKi
Kd = Kd0 + ΔKd

这里的Kp0、Ki0、Kd0是初始基准参数，通过传统整定方法粗略给一组，保证系统在没启用智能算法时也能勉强稳定。模糊控制器的工作量不是从头找参数，而是修正参数——这很重要，千万别让模糊控制器从零开始“猜”，否则前期会疯狂振荡。

模糊控制的核心是规则表。以Kp为例，规则设计原则是：误差大，Kp要大，快速逼近；误差小，Kp减小，防止超调；误差变化率大，Kp适当减小，避免对噪声过度反应。Ki的规则类似，但要更谨慎，积分太狠容易产生深度方向的持续振荡。Kd的规则是反向的：误差变化率大，Kd要加大来抑制超调；但误差本身已经很大时，Kd反而不能太大，否则会拖慢响应。

2.2 神经网络在其中的角色：不是替代，而是“修正模糊输出”

项目里我一开始试了两种神经网络方案：一种是直接用BP神经网络去拟合PID三个参数，输入是误差和误差变化率，输出是Kp、Ki、Kd，完全代替模糊逻辑。跑下来发现收敛慢，仿真初期控制效果很差。后来我改成“神经网络+模糊”的并联修正结构，效果立刻好了。

具体做法是：模糊控制器仍然负责主要修正，它的输出经过一组比例因子（其实就是缩放系数）后叠加到PID基准值上。而神经网络接收系统当前误差、误差变化率、以及上一步的控制量变化，在线输出三个修正系数α_p、α_i、α_d，分别去调整模糊输出对Kp、Ki、Kd的作用强度。换句话说：

Kp = Kp0 + α_p × ΔKp_fuzzy
Ki = Ki0 + α_i × ΔKi_fuzzy
Kd = Kd0 + α_d × ΔKd_fuzzy

神经网络不直接给出PID参数，而是调整模糊输出的“权重”。这一步看着简单，但它解决了神经网络控制中常见的初始不稳定问题。因为神经网络初始输出都接近1，此时系统行为约等于纯模糊自整定PID，已经能稳定工作，再让网络慢慢学，等于是从“及格”往“优秀”爬，而不是从“零”开始爬，安全得多。

2.3 控制律推导与系统闭环结构

AUV垂直面控制，我控制的是深度和纵倾角，执行机构是水平舵（艉舵）。深度误差ed = 目标深度 - 当前深度，纵倾角误差eθ = 目标纵倾角 - 当前纵倾角。控制器输出的是舵角指令δ，作用于AUV的垂荡和纵倾方程。

简化后的垂直面运动方程可以写成：

m·ẇ = Z_w·w + Z_q·q + Z_δ·δ + Z_current
I_y·q̇ = M_w·w + M_q·q + M_δ·δ + M_current

其中w是垂荡速度，q是纵倾角速度，Z_*和M_*是水动力导数。电流干扰项Z_current和M_current是时变的。

控制器设计的巧妙点在于：我们不直接对舵角建模，而是把深度误差先转成目标纵倾角，再用纵倾角PID去算舵角。外环PID控制深度，输出是期望纵倾角；内环PID控制纵倾角，输出是舵角。这就是串级PID结构。模糊自整定既用在外环深度PID上，也用在内环纵倾PID上，两个控制器各自带一套模糊规则和神经网络修正。

整个系统闭环是：传感器测出深度和纵倾角 → 计算误差 → 输入模糊逻辑得到ΔK → 神经网络输出α修正 → 合成实际PID参数 → 计算舵角 → 输出给AUV模型 → AUV状态更新 → 回到第一步。Matlab里用离散时间步进仿真，每步都执行一次这个循环。

3. Matlab代码实现细节与仿真配置

3.1 用脚本还是Simulink

做这类控制器仿真，两条路都能走：Simulink搭模型直观，但神经网络在线学习用Simulink写起来要拖好多模块，反而不容易查错。我这次全用m脚本实现，把AUV模型、模糊推理、神经网络更新、PID计算都封装成函数，主程序用for循环按时间步进。好处是每一步都清清楚楚，出问题能直接打断点调试；坏处是仿真速度稍慢，但深度控制仿真用固定步长0.01秒，跑100秒也只要一万步，Matlab完全扛得住。

m脚本的核心结构如下：

% 主程序 main_auv_fuzzy_nn_pid.m %% 初始化 dt = 0.01; % 仿真步长 s T_total = 100; % 仿真时长 s t = 0:dt:T_total; n = length(t); % 状态初始化 depth = 0; theta = 0; ... (更多状态省略) % PID基准参数（粗略整定） Kp0_d = 1.2; Ki0_d = 0.05; Kd0_d = 0.8; % 外环深度PID Kp0_q = 2.0; Ki0_q = 0.02; Kd0_q = 0.5; % 内环纵倾PID % 模糊推理系统对象 fis_d = newfis('fuzzy_depth'); % ... (隶属度函数和规则定义) %% 仿真循环 for k = 1:n-1 % 1. 读取当前状态 depth_now = depth(k); theta_now = theta(k); % 2. 计算深度误差和误差变化率 ed = depth_ref - depth_now; ed_dot = (ed - ed_prev) / dt; % 3. 模糊逻辑输出 ΔKp_d, ΔKi_d, ΔKd_d [delta_kp, delta_ki, delta_kd] = evalfis([ed, ed_dot], fis_d); % 4. 神经网络输出修正系数 alpha_p, alpha_i, alpha_d [alpha_p, alpha_i, alpha_d] = nn_correction(ed, ed_dot, ...); % 5. 合成PID参数 Kp_d = Kp0_d + alpha_p * delta_kp; Ki_d = Ki0_d + alpha_i * delta_ki; Kd_d = Kd0_d + alpha_d * delta_kd; % 6. 外环PID计算期望纵倾角 theta_ref = pid_calc(ed, Kp_d, Ki_d, Kd_d, dt); % 7. 内环模糊神经网络PID计算舵角（过程类似） delta_rudder = pid_calc(eq, Kp_q, Ki_q, Kd_q, dt); % 8. 更新AUV状态（四阶龙格库塔） state(k+1,:) = auv_model(state(k,:), delta_rudder, dt); end

其中nn_correction函数里是一个小小的三层BP神经网络，输入2个节点（ed和ed_dot），隐层5个节点，输出3个节点（α_p, α_i, α_d），激活函数隐层用双曲正切，输出层用Sigmoid确保输出在0.5~1.5之间。在线学习时，把控制器实际输出的舵角和AUV模型给出的响应误差作为反馈信号，用最速下降法更新权值。

3.2 AUV模型的简化处理

完整六自由度模型太复杂，不适合作为第一版控制器的验证平台。我做了一个中等保真的简化：只保留垂直面的三个自由度——垂荡（深度）、纵倾角、纵倾角速度。水平面运动假设恒速直线，海流干扰作为一个慢变的随机扰动加到深度通道上。

水动力导数的取值参考了典型的鱼雷形AUV数据。这里不贴具体数值了，关键是要理解参数的量级差异。比如Z_w（垂荡阻尼）通常是几十到上百，而M_q（纵倾阻尼）通常是几百到上千，这意味着纵倾响应比深度响应快得多，所以内外环的PID频率要拉开，内环比外环快3到5倍，否则会打架。

模型代码用ODE函数表示：

function dstate = auv_model(state, delta, t, disturb) % state = [depth; w; theta; q] % delta: 舵角指令 % disturb: 海流干扰 m = 50; Iy = 3.0; % 质量kg，转动惯量kg.m^2 % 水动力导数（简化取值） Zw = -30; Zq = -1.5; Zdelta = 8.0; Mw = -2.0; Mq = -20; Mdelta = -5.0; % 运动学与动力学方程 dstate = zeros(4,1); dstate(1) = state(2) - state(4)*... % depth变化，与纵倾耦合 dstate(2) = (Zw*state(2) + Zq*state(4) + Zdelta*delta + disturb) / m; dstate(3) = state(4); dstate(4) = (Mw*state(2) + Mq*state(4) + Mdelta*delta) / Iy; end

实际用的时候用四阶龙格库塔法数值积分，比Matlab自带的ode45更可控，因为每一步的干扰和控制器输出都是确定性的，不需要自适应步长。

3.3 模糊推理系统搭建的五个步骤

Matlab里建模糊推理系统有两种方式：命令行newfis或者可视化Fuzzy Logic Designer。命令行写代码更利于批量调参和复现。搭建步骤是：

第一步，定义输入变量e和ec，论域归一化到[-1, 1]。每个输入设置5个隶属度函数：NB（负大）、NS（负小）、ZO（零）、PS（正小）、PB（正大）。隶属度函数类型我用了三角形，因为计算简单、在线推理快，高斯函数虽然更平滑但实时仿真没必要。

第二步，定义输出变量ΔKp、ΔKi、ΔKd，论域按实际修正量设。比如ΔKp论域[-0.5, 0.5]，ΔKi论域[-0.02, 0.02]，ΔKd论域[-0.3, 0.3]。

第三步，写规则表。Kp规则表我习惯写成5×5矩阵，横轴是e，纵轴是ec：

注意这里用的是PB/PM等七档表示，所以隶属度函数要对应七档输出。规则含义很直白：e为NB（深度远小于目标，即实际深度浅），要大幅增加Kp；如果同时ec为NB（误差还在大幅增大），说明要往上浮的势头很猛，更要加大Kp。反过来的右下角，e和ec都是PB，说明超调严重且还在往下冲，要大幅减小Kp避免继续超调。

Ki规则表要更保守，主要在中段起作用。Kd规则表则在中段有一个“脊”，误差和误差变化率同号时增加Kd以抑制超调，异号时减小Kd以避免阻尼过大、响应迟钝。

第四步，使用addrule逐条添加规则，或者直接把规则表转化为矩阵形式批量加入。建议写成规则表然后evalfis测试一下输入输出映射是否平滑，如果输出突变要检查规则是否有空档。

第五步，把模糊推理系统封装成一个函数，每次仿真循环调用。注意在循环里不要反复创建FIS对象，要在主程序里初始化一次，循环里只调用evalfis，能省不少时间。

3.4 神经网络在线学习的代码组织

在线神经网络的实现，我写成了一个类，保存权重矩阵和动量项。初始化时所有权重随机数范围在[-0.5, 0.5]。训练目标是让系统实际输出与参考模型的偏差最小。参考模型可以设定成一阶惯性环节，期望AUV深度响应近似于一阶惯性——这是控制工程里很常见的做法。

classdef NNPIDCorrector < handle properties W1; W2; b1; b2; lr; momentum; dvW1; dvW2; end methods function obj = NNPIDCorrector(nInput, nHidden, nOutput) obj.W1 = rand(nHidden, nInput)*2 - 1; obj.W2 = rand(nOutput, nHidden)*2 - 1; obj.b1 = zeros(nHidden, 1); obj.b2 = zeros(nOutput, 1); obj.lr = 0.01; obj.momentum = 0.9; obj.dvW1 = zeros(size(obj.W1)); obj.dvW2 = zeros(size(obj.W2)); end function [alpha, hidden] = forward(obj, x) hidden = tanh(obj.W1 * x + obj.b1); alpha_raw = obj.W2 * hidden + obj.b2; % 限制alpha在0.5~1.5，避免输出跑飞 alpha = 0.5 + 1.0 ./ (1 + exp(-alpha_raw)); end function updateWeightsByBackprop(obj, x, hidden, delta_out) % 根据输出层误差反传，最速下降+动量 % ... 这里是核心推导，建议用数值梯度验证 end end end

训练信号怎么构造？我是取期望深度响应与实际深度的偏差，以及期望纵倾与实际纵倾的偏差，组合成误差函数E = 0.5 * (depth_ref - depth_actual)^2 + 0.2 * (theta_ref - theta_actual)^2。然后通过链式法则求梯度：误差→深度→舵角→PID参数→α→神经网络输出。这里的梯度计算是整个项目里最容易出错的地方，建议先用数值差分法和解析梯度对比验证一轮，确认误差<1e-6再去跑整体仿真。

3.5 仿真参数配置与评价指标

仿真参数我分三组列出来，方便大家直接抄：

评价指标我主要看四个：超调量、调节时间、稳态误差、舵角变化率（用来评估抖舵程度）。对比对象是固定PID和纯模糊PID，表格在下一节给。

4. 实操过程与核心环节实现

4.1 从零搭一个深度控制仿真环境

我先把固定参数PID跑通，作为基线。固定PID的参数用临界比例度法粗调：先让Ki=Kd=0，逐步加大Kp直到系统等幅振荡，记下临界增益Ku和临界振荡周期Tu。然后按经典公式算出PID参数。这个方法对线性系统很准，但AUV模型非线性，算出来的参数只能作为基准值，所以我才在控制器里留了模糊修正的“余量”。

然后是模糊PID：把模糊推理模块加到PID外面。第一次试跑时发现一个问题，深度接近目标后，误差和误差变化率都在零附近，模糊规则查表输出全是零，系统又回到固定PID行为，但由于基准参数只是“大概稳”，最后还是有一点静差。解决办法是在ZO区域给一个很小的Ki修正量，让模糊控制器在稳态时也能微调积分增益，把最后一点静差磨掉。

再然后是神经网络修正模块：神经网络输出α初始化为1，系统开始跑。神经网络更新的目标函数加上了一阶参考模型偏差，让系统响应尽量接近“期望的动态”。这一步调了好久，主要问题是学习率大了以后，α在1附近来回震荡，导致PID参数抖来抖去，舵角也跟着抖。后来把学习率从0.05降到0.01，并且对α输出加了限幅，才稳住。

4.2 模糊规则表怎么填：经验+试凑

很多人拿到模糊PID不知道规则表怎么填，其实核心就一句话：想清楚每个误差状态下你希望PID怎么变。

我把规则表设计的逻辑写成三条口诀：

• 误差大时，Kp往大调，Ki往大调，Kd往小调，求快速逼近；
• 误差小时，Kp往小调，Ki往中调，Kd往大调，求稳定不超调；
• 误差变化率大时，Kp适当往回拉，Kd往大调，求抑制超调。

这三条口诀翻译成规则表，就是每行每列按语言变量填档位。有冲突怎么办？比如误差大且误差变化率大，第一条说Kp要大，第三条说Kp要适当回调，我的处理是给“误差变化率大”的权重更高一点。因为误差虽然大，但如果它变化也大，说明正在快速靠近目标，这时候把Kp调太大会导致冲过头。实际规则表里，从NB到PB的对角线附近，Kp通常是“渐小”的，就是综合权衡的结果。

规则的粗糙程度也有讲究。第一次我用了5档，发现控制效果太“折线”，深度曲线有小台阶。后来改成7档，效果就平滑多了。档位越多规则越细，但代码量也大，7档是我推荐的平衡点。

4.3 神经网络跑起来：在线学习率的坑

在线学习的核心坑就是学习率。固定学习率最简单，但不同阶段需要的学习率不一样：起步阶段误差大，希望学快点；接近稳态时误差小，希望学慢点避免来回抖。所以我做了个简单的自适应学习率——学习率随误差绝对值和误差变化率动态调整：

lr = 0.01 * (1 + 5abs(ed) + 2abs(ed_dot))

不过要限幅，最大不超过0.05。这样起步时误差大，学习率被放大，能快速修正α；接近稳态时误差小，学习率回到0.01，稳定微调。实测下来这个策略解决了“前期学得慢、后期抖得凶”的问题。

还有一个我踩过的坑：神经网络的输入尺度。误差和误差变化率的量级差很多，比如深度误差可能是20米，误差变化率可能只有0.1米/秒，如果不归一化，神经网络训练时梯度会被大数值输入主导，收敛慢且容易发散。一定要把输入归一化到[-1,1]再送进网络。我的做法是用整个仿真过程中的误差范围动态归一化，或者直接用固定比例尺，比如深度误差除以目标深度，误差变化率除以最大变化率。

4.4 调参实录与结果对比

对比测试我做了三组：固定PID、纯模糊PID、神经网络模糊PID。目标深度为20米，加入海流干扰，仿真时间100秒。结果如下：

神经网络模糊PID的优势不只是数字好看。观察深度曲线，固定PID前期猛冲，超调后回摆很久；纯模糊PID响应快了，但接近稳态时还有一两个小振荡；神经网络模糊PID基本一次到位，超调小且稳定。这个效果来自神经网络在线修正了模糊输出的比例，特别是接近目标时把Kp略微调小、Kd略微调大，完美抑制了超调。

另一个有意思的现象是，神经网络在仿真初期，α变化比较剧烈，因为它在“探索”合适的修正比例。大约跑了5次仿真循环后，α逐渐收敛到稳定值附近，后期基本不再大动。所以如果你追求确定性，可以先用离线仿真训练好权重，再把α固定成恒定值，这样实时性更好，效果也不会差太多。

5. 常见问题与排查技巧实录

5.1 模糊规则表写了但系统发散

如果模糊PID一接进去系统就发散，别急着改规则表，先检查基准PID参数。模糊逻辑的输出是“修正量”，它是在基准参数上叠加的。如果你基准参数本身不稳，模糊层再怎么修也救不回来。我曾经把基准Kp整定得偏大，模糊输出在误差小的时候努力把Kp减小，但修正幅度有限，系统还是轻微振荡。后来重新整定了基准参数，一切就顺了。经验是：先用固定PID让系统基本稳定，再开模糊修正，否则排查问题时分不清是谁的锅。

另一个常见原因是隶属度函数论域设得太小，导致模糊输出频繁达到饱和。比如误差最大是20米，你输入论域却是[-1,1]，如果没有标准化，误差20的时候相当于论域外的值，模糊推理会一直输出边界值。要把e的论域按最大误差标定好，比如[-20,20]分成5档，或者把输入标准化后再进模糊器。

5.2 神经网络学习率敏感导致结果振荡

神经网络在线学习最常见的现象是：前10秒控制效果很好，中途突然开始抖，然后越来越抖，最后发散。十有八九是学习率偏大。我建议调试时从很小的学习率开始，比如0.001，确认系统稳定后逐步增大到0.01、0.02。每一步都要看α曲线，如果α出现高频大幅摆动，马上减小学习率。

另外一个隐蔽问题是梯度方向。为了让深度误差最小化，梯度是误差对舵角求偏导、舵角对PID参数求偏导、PID参数对α求偏导的乘积。其中误差对舵角的偏导依赖于AUV模型的水动力导数，一旦这一步符号搞反，整个训练方向就反了，系统必然发散。排查方法很简单：把学习率设成零，如果系统稳定，说明模糊PID部分没问题；再让学习率非常小，比如1e-5，看长时间运行是否有整体漂移，如果有，多半是梯度符号错了。

5.3 仿真速度慢怎么办

m脚本循环一万步，每步还要调用模糊推理和神经网络前向，Matlab跑起来确实有点慢。加速技巧有几个：

第一，预先计算模糊规则表。把e和ec按步长离散化，比如各分100个点，提前把10000组输入对应的ΔKp、ΔKi、ΔKd算好存成矩阵，仿真时直接查表插值，比实时调用evalfis快很多。当然代价是精度略降，但深度控制完全够用。

第二，神经网络前向尽量向量化。我的网络很小，可以用矩阵乘法一次算完，不要用循环逐个节点计算。反向传播同理，用矩阵运算代替for循环。

第三，如果AUV动力学模型计算量大，可以用固定步长的欧拉法替代四阶龙格库塔，虽然精度降低，但稳定性和速度都能提升。先在欧拉法下调通算法，最后再换回调精度的积分器验证一遍。

5.4 结果曲线不平滑、有毛刺

曲线毛刺通常来自两个地方：一是模糊推理输出没有去模糊，导致PID参数阶梯式变化；二是神经网络学习率偏大，α波动。去模糊方法选“重心法”（centroid）比“面积平分法”（bisector）更平滑。另外可以在神经网络输出层加一个低通滤波，比如对α做一阶惯性平滑：

alpha_filtered = 0.95 * alpha_prev + 0.05 * alpha_raw

这个平滑系数不能太大，否则神经网络学习效果会被“稀释”。0.05~0.1是合适范围。

5.5 问题速查表

写在最后：这套方案还能往哪走

我个人实际折腾完这个项目后最大的体会是：神经网络模糊PID并不是一个“万能灵药”，它比传统PID多出来的性能，是用实时计算量和调参复杂度换来的。如果你只是做一个固定工况的仿真，固定PID完全够用；但如果你要做AUV的全深度范围巡航、抗海流干扰、或者对接真实硬件，那自整定能力就变得很关键。

后续可以扩展的方向：一个是把现在的单输出层神经网络换成径向基函数网络（RBF），收敛速度更快；另一个是把模糊规则表也交给遗传算法去离线优化，省去人工填表的时间；再有就是把控制器移植到Simulink里结合三维可视化工具，看AUV在水下的实际姿态变化。我目前正在做的是把这套控制器从垂直面扩展到水平面和六自由度联合仿真，工作量不小，但已经能看到神经网络模糊PID在复杂耦合工况下的优势了。

如果你也在做AUV或类似水下机器人的控制仿真，建议先把我上面写的m脚本框架跑一遍，然后逐步加干扰、加不确定性。碰到问题不要慌，按速查表逐项检查，多半是基准参数或学习率的问题。最后提醒一句：Matlab版本最好用支持evalfis的Fuzzy Logic Toolbox，新版Matlab里推荐用fis对象和evalfis函数，老版本API虽然也能用，但语法不通用，别等代码写一半再升级环境。