1.一种基于径向基函数神经网络的电机PID控制方法，其特征在于，包括：构建径向基函数神经网络的参数向量 以及与所述参数向量相对应的速度向量其中所述参数向量 的分量a1(t)到a7(t)为径向基函数神经网络的学习参数的迭代变量，所述参数向量 的分量v1(t)到v7(t)为所述参数向量 对应的每一个分量在粒子群优化算法中的速度；

构建所述参数向量的个体最优向量 以及全部所述参数向量的全局最优向量其中j＝(1,2,…,n)，所述个体最优向量 的p1j(t)到p7j(t)分量为第j个参数向量对应的每一个分量在粒子群优化算法中的个体最优解的迭代变量，所述全局最优向量的pg1(t)到pg7(t)分量为第j个参数向量 对应的每一个分量在粒子群优化算法中的全局最优解的迭代变量；

在预设的数值范围内随机生成n个所述参数向量 以及n个与所述参数向量相对应的速度向量其中 的a1j(0)到a7j(0)分量为第j个参数向量 对应的每一个分量在粒子群优化算法中的初始位置， 的v1j(0)到v7j(0)分量为第j个参数向量 对应的每一个分量在粒子群优化算法中的初始速度；

使用以下公式迭代计算所述速度向量 以及所述参数向量 的各个分量：其中i＝(1,2,…,7)，w为预设的惯性权重，c1和c2为预设的学习常数，r1和r2为(0,1)之间的随机数；

将每一次迭代计算得到的参数向量 代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度当 将 赋值给所述个体最优向量

更新所述全局最优向量

获取所述全局最优向量 在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度当 时，使用以下公式迭代计算所述参数向量 的各个分量：其中ε1为预设的第一收敛速度阈值；

当 时，使用所述全局最优向量 作为所述径向基函数神经网络模型的参数向量生成PID控制参数，其中ε2为预设的第二收敛速度阈值，且ε2<ε1；

将每一次迭代计算得到的参数向量 代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度 的步骤具体包括：将所述参数向量 代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值：其中l＝(1,2,…,m)，m为隐含层的节点数，ωl为所述径向基函数神经网络的权重向量，ym(k)为hl所述径向基函数神经网络的每个隐含层节点第k次迭代的输出值；

计算每一次迭代的跟踪误差：

e(k)＝y(k)‑ym(k)；

其中y(k)为电机第k次迭代的实际输出值；

获取预先配置的最小跟踪误差阈值emin；

当e(k)

将所述参数向量 代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值的步骤具体包括：迭代计算所述径向基函数神经网络的权重向量 宽度向量 以及每个隐含层节点的中心向量其中所述径向基函数神经网络的权重向量 的迭代算法如下：所述径向基函数神经网络的宽度向量 的迭代算法如下：其中所述径向基函数神经网络的 为输入向量；

所述径向基函数神经网络的隐含层节点的中心向量 的迭代算法如下：其中xl为所述输入向量 的第l个分量，o＝(1,2,…,n)，cjo(k)为第l个中心向量 的第o个分量；

在计算跟踪误差的步骤之后，还包括：

迭代计算所述基于径向基函数神经网络的电机的PID输入项xcp、xci和xcd：将所述参数向量 代入所述径向基函数神经网络模型中迭代计算目标控制项：u(k)＝u(k‑1)+Kp(k)·xcp+Ki(k)·xci+Kd(k)·xcd；

其中所述目标控制项u(k)为径向基函数神经网络第k次迭代输出的电机PID控制项，Kp(k)、Ki(k)、Kd(k)为径向基函数神经网络第k次迭代输出的电机的PID参数；

将所述参数向量 代入所述径向基函数神经网络模型中迭代计算目标控制项的步骤具体包括：将所述参数向量 代入所述径向基函数神经网络模型中迭代计算PID参数增量：使用所述PID参数增量计算PID参数：

2.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在迭代计算所述速度向量 以及所述参数向量 的各个分量的步骤之后，还包括：判断所述速度向量中的各个分量是否满足vij(t+1)

当所述速度向量中任一分量满足vij(t+1)

其中σ为(0,0.5)之间的随机数。

3.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在获取所述全局最优向量 在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度 的步骤之后，还包括：获取预先配置的第一迭代次数T1；

当 且t+1≤T1时，继续执行使用以下公式迭代计算所述速度向量以及所述参数向量 的各个分量：

当 或t+1>T1时，执行使用以下公式迭代计算所述参数向量 的各个分量：

4.根据权利要求3所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在将所述全局最优向量 代入所述径向基函数神经网络模型中计算目标跟踪误差的收敛速度 的步骤之后，还包括：获取预先配置的第一迭代次数T2，其中T2>T1；

当 且T1≤t+1≤T2时，继续执行使用以下公式迭代计算所述参数向量的各个分量：

当 或t+1>T1时，执行使用所述全局最优向量 作为所述径向基函数神经网络模型的参数向量生成PID控制参数的步骤。

5.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在迭代计算所述径向基函数神经网络的权重向量 宽度向量 以及每个隐含层节点的中心向量 的步骤之后，还包括：根据所述径向基函数神经网络的权重向量 宽度向量 以及每个隐含层节点的中心向量 的计算所述径向基函数神经网络的每个隐含层节点的输出值：

6.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在获取所述全局最优向量 在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度 的步骤之前，还包括：配置全局静态变量Q及F；

在执行更新所述全局最优向量 的步骤后，将 的j值赋值给所述全局静态变量Q，并将相应参数向量对应的收敛速度 赋值给所述全局静态变量F，即：获取所述全局最优向量 在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度 的步骤具体包括：将所述全局静态变量F确定为所述全局最优向量 在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度