12、硬件描述与建模语言综合解析

硬件描述与建模语言综合解析

1. 离散事件驱动语言

离散事件驱动语言在硬件描述和建模中具有重要地位,下面以 VHDL 为例进行详细介绍。

1.1 VHDL 的特性

VHDL 模型的执行结果不依赖于模型各部分的执行顺序,这得益于信号新值计算与实际赋值的分离。例如,在包含 a <= b; b <= a; 的模型中,信号 a b 总是会交换值。若赋值立即执行,结果将依赖于赋值的执行顺序。VHDL 模型具有确定性,这符合对固定行为的真实电路仿真的预期。

在当前时间 Tc 推进之前,可能会有任意数量的 δ 周期,这种无限循环的可能性可能会造成混淆。避免这种情况的一种方法是不允许零延迟,如在触发器模型中所采用的方式。

信号的值传播还便于实现观察者模式,与 SDF 不同,观察者的数量可以根据等待信号变化的进程数量而变化。

VHDL 的通信模型依赖于一个集中的未来事件队列,用于存储所有信号的未来值。该队列并非用于实现异步消息传递,而是由仿真内核以非分布式方式逐个访问。分布式 VHDL 仿真通常性能较差。所有建模组件可以在不进行基于消息的通信的情况下访问其作用域内的信号和变量的值,因此 VHDL 倾向于基于共享内存的通信实现。不过,基于 FIFO 的消息传递也可以在 VHDL 仿真器之上实现。

1.2 IEEE 1164 标准

在 VHDL 中,除了对二值逻辑的基本支持外,没有预定义的信号值数量。可以在 VHDL 中定义所使用的值集,不同的 VHDL 模型可

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值