智能控制实验报告

智能控制课实验报告

（3次）

学院：自动化学院

班级：智能

姓名：

学号：

智能控制课实验（1）模糊控制器的设计

学院：自动化学院

姓名：

班级：

学号：

日期：2017-9-30

实验1.1模糊控制器的设计

一、实验目的

在matlab环境下，完成一个对水位控制的模糊控制器的设计。

二、实验容

（1）确定控制器的输入、输出的隶属度函数

偏差e(t) ：e(t)=r(t)－c(t)负反馈

三个模糊子集“负大”(水位高）、“零”和“正大”（水位低）。

偏差变化率：de，

三个模糊子集“负大”（高趋势）、“零”和“正大”（低趋势）。

控制量u：“负大”、“负中”、“零”、“正中”、“正大”。

Matlab操作方法：

打开matlab在命令行输入：fuzzy

出现下图界面：

在上图选择“edit”出现下图：选择“Add Variable-- Input”再添加输入

这样就建立了两个输入，一个输出的模糊控制器。

再修改输入、输出的各参数：

input1改为e；input2改为de; output1改为u ;如下图：

双击“e” ,修改模糊子集：

如下图修改e的负大：注意各参数的设置

修改好的e的模糊子集如下图：

用同样的方法修改de如下图：

修改u的方法如下图：需要5个模糊子集

添加模糊子集的方法：在“edit”菜单下选择“Add Custom MF”

下图是对”O”这个模糊子集的设置：

设置好的u的模糊子集如下图：

(2)添加规则的方法：

添加规则的界面如下：

这样一个模糊推理控制器就建立完毕了。

（3）利用模糊控制器可以得到规则曲面以及根据输入得到输出

如上图操作可以得到规则曲面：

如下图可以得到规则的推理结果：

改变上图e和de的值，可以看到u的不同的输出。

然后可以把该系统存为tank.fis.

三、写出实验的心得体会

总结建立模糊控制器的方法。

实验1.2神经网络工具箱的应用

二．神经网络工具箱函数

最新版的MATLAB 神经网络工具箱为Version4.0.3, 它几乎涵盖了所有的神经网络的基本常用类型，对各种网络模型又提供了各种学习算法，我们可以根据自己的需要调用工具箱中的有关设计与训练函数，很方便地进行神经网络的设计和仿真。目前神经网络工具箱提供的神经网络模型主要用于：

1. 数逼近和模型拟合；

2. 信息处理和预测；

3. 神经网络控制；

4. 故障诊断。

神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通用的，下面列表中给出了一些比较重要的工具箱函数。

三．仿真实例

BP 网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。BP 网络模型结构见图1。网络同层节点没有任何连接，隐层节点可以由一个或多个。网络的学习过程由正向和反向传播两部分组成。在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。每一层神经元的状态只影响到下一层神经元网络，如输出层不能得到期望的输出，那么转入误差反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播过程，这两个过程反复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束。

利用神经网络工具箱进行设计和仿真的具体步骤：

1.确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形式；

2. 确定网络模型：选择网络的类型、结构等；

3. 选择网络参数：如神经元数，隐含层数等；

4. 确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等；

5. 网络测试：选择合适的训练样本进行网络测试。

下面给出一个利用BP 神经网络进行函数逼近的例子。

第一步问题的提出

设计一个简单的BP 网络，实现对非线性函数的逼近，通过改变BP 网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情况。假设将要将要逼近的函数为正弦函数，其频率参数N=1，绘制此函数见图2 所示。

N=1;

p= [- 1:0.05:1] ;

t=sin (N*pi*p) ;%假设N=1，绘制此函数曲线

plot (p,t,'r*');

title ('要逼近的非线性函数')

xlabel ('时间')

要逼近的非线性函数

第二步网络建立

应用newff () 建立两层的BP 网络，隐层神经元数目可以改变,此时S=8 ，输出层一个神经元，隐层和输出层的传递函数分别为tansig 和purelin ，学习算法采用Levenberg - Marquadt ( trainlm) 。用sim() 观察初始化网络输出如图3 所示。

S=8;

net=newff (minmax (p) , [S,1] , {'tansig','purelin'} ,'trainlm');

y1=sim (net,p);

figure;

plot (p,t, 'r* ',p,y1,'b- ')

title ('未训练网络的输出结果')

xlabel ('时间')

ylabel ('仿真输出- 原函数*')

legend ('要逼近的非线性函数','未训练网络的输出结果')

未训练时网络的输出结果结果接

第三步网络训练

将训练时间设为10，精度为0.001，用train ()进行训练，误差曲线见图4 所示。net.trainParam.epochs=10;

net.trainParam.goal=0.001;

net1 = train (net,p,t);