智能控制實(shí)驗(yàn)報(bào)告

1、智能控制課內(nèi)實(shí)驗(yàn)報(bào)告（3次）學(xué) 院： 自動(dòng)化學(xué)院 班 級(jí)： 智能 姓 名： 學(xué) 號(hào)： 智能控制課內(nèi)實(shí)驗(yàn)（1）模糊控制器的設(shè)計(jì)學(xué) 院： 自動(dòng)化學(xué)院 姓 名： 班 級(jí)： 學(xué) 號(hào)： 日 期： 2017-9-30 實(shí)驗(yàn)1.1模糊控制器的設(shè)計(jì)一、實(shí)驗(yàn)?zāi)康脑趍atlab環(huán)境下，完成一個(gè)對(duì)水位控制的模糊控制器的設(shè)計(jì)。二、實(shí)驗(yàn)內(nèi)容（1）確定控制器的輸入、輸出的隸屬度函數(shù) 偏差e(t) ：e(t)=r(t)c(t)負(fù)反饋 三個(gè)模糊子集“負(fù)大”(水位高）、“零”和“正大”（水位低）。偏差變化率： de， 三個(gè)模糊子集“負(fù)大”（高趨勢(shì)）、“零”和“正大”（低趨勢(shì)）?？刂屏縰：“負(fù)大”、“負(fù)中”、“零”、“正中”、“

2、正大”。Matlab操作方法：打開matlab在命令行輸入：fuzzy出現(xiàn)下圖界面：在上圖選擇“edit”出現(xiàn)下圖：選擇“Add Variable- Input”再添加輸入這樣就建立了兩個(gè)輸入，一個(gè)輸出的模糊控制器。再修改輸入、輸出的各參數(shù)：input1改為 e；input2改為de; output1改為u ;如下圖：雙擊“e” ,修改模糊子集：如下圖修改e的負(fù)大：注意各參數(shù)的設(shè)置修改好的e的模糊子集如下圖：用同樣的方法修改de如下圖：修改u的方法如下圖：需要5個(gè)模糊子集 添加模糊子集的方法：在“edit”菜單下選擇“Add Custom MF”下圖是對(duì)”O(jiān)”這個(gè)模糊子集的設(shè)置：設(shè)置好的u的模

3、糊子集如下圖：(2)添加規(guī)則的方法：添加規(guī)則的界面如下：這樣一個(gè)模糊推理控制器就建立完畢了。（3）利用模糊控制器可以得到規(guī)則曲面以及根據(jù)輸入得到輸出 如上圖操作可以得到規(guī)則曲面：如下圖可以得到規(guī)則的推理結(jié)果：改變上圖e和de的值，可以看到u的不同的輸出。然后可以把該系統(tǒng)存為tank.fis.三、寫出實(shí)驗(yàn)的心得體會(huì) 總結(jié)建立模糊控制器的方法。實(shí)驗(yàn)1.2神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用二神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 最新版的MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱為Version4.0.3, 它幾乎涵蓋了所有的神經(jīng)網(wǎng)絡(luò)的基本常用類型，對(duì)各種網(wǎng)絡(luò)模型又提供了各種學(xué)習(xí)算法，我們可以根據(jù)自己的需要調(diào)用工具箱中的有關(guān)設(shè)計(jì)與訓(xùn)練函數(shù)，很方便

4、地進(jìn)行神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和仿真。目前神經(jīng)網(wǎng)絡(luò)工具箱提供的神經(jīng)網(wǎng)絡(luò)模型主要用于： 1. 數(shù)逼近和模型擬合； 2. 信息處理和預(yù)測(cè)； 3. 神經(jīng)網(wǎng)絡(luò)控制； 4. 故障診斷。 神經(jīng)網(wǎng)絡(luò)工具箱提供了豐富的工具函數(shù)，其中有針對(duì)某一種網(wǎng)絡(luò)的，也有通用的，下面列表中給出了一些比較重要的工具箱函數(shù)。三仿真實(shí)例 BP 網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成。BP 網(wǎng)絡(luò)模型結(jié)構(gòu)見圖1。網(wǎng)絡(luò)同層節(jié)點(diǎn)沒有任何連接，隱層節(jié)點(diǎn)可以由一個(gè)或多個(gè)。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播中，輸入信號(hào)從輸入層節(jié)點(diǎn)經(jīng)隱層節(jié)點(diǎn)逐層傳向輸出層節(jié)點(diǎn)。每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元網(wǎng)絡(luò)，如輸出層不能得到期

5、望的輸出，那么轉(zhuǎn)入誤差反向傳播過程，將誤差信號(hào)沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行計(jì)算，在經(jīng)正向傳播過程，這兩個(gè)過程反復(fù)運(yùn)用，使得誤差信號(hào)最小或達(dá)到人們所期望的要求時(shí)，學(xué)習(xí)過程結(jié)束。利用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行設(shè)計(jì)和仿真的具體步驟： 1. 確定信息表達(dá)方式：將實(shí)際問題抽象成神經(jīng)網(wǎng)絡(luò)求解所能接受的數(shù)據(jù)形 式； 2. 確定網(wǎng)絡(luò)模型：選擇網(wǎng)絡(luò)的類型、結(jié)構(gòu)等； 3. 選擇網(wǎng)絡(luò)參數(shù)：如神經(jīng)元數(shù)，隱含層數(shù)等； 4. 確定訓(xùn)練模式：選擇訓(xùn)練算法，確定訓(xùn)練步數(shù)，指定訓(xùn)練目標(biāo)誤差等； 5. 網(wǎng)絡(luò)測(cè)試：選擇合適的訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)測(cè)試。 下面給出一個(gè)利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)逼近的例子

6、。第一步問題的提出 設(shè)計(jì)一個(gè)簡單的BP 網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)非線性函數(shù)的逼近，通過改變BP 網(wǎng)絡(luò)的隱層神經(jīng)元的數(shù)目，采用不同的訓(xùn)練方法來觀察訓(xùn)練時(shí)間和訓(xùn)練誤差的變化情況。假設(shè)將要將要逼近的函數(shù)為正弦函數(shù)，其頻率參數(shù)N=1，繪制此函數(shù)見圖2 所示。N=1; p= - 1:0.05:1 ;t=sin (N*pi*p) ;%假設(shè)N=1，繪制此函數(shù)曲線 plot (p,t,r*); title (要逼近的非線性函數(shù)) xlabel (時(shí)間)要逼近的非線性函數(shù)第二步網(wǎng)絡(luò)建立 應(yīng)用newff () 建立兩層的BP 網(wǎng)絡(luò)，隱層神經(jīng)元數(shù)目可以改變,此時(shí)S=8 ，輸出層一個(gè)神經(jīng)元，隱層和輸出層的傳遞函數(shù)分別為tansi

7、g 和purelin ，學(xué)習(xí)算法采用Levenberg - Marquadt ( trainlm) 。用sim() 觀察初始化網(wǎng)絡(luò)輸出如圖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 (未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果) xlabel (時(shí)間) ylabel (仿真輸出- 原函數(shù)*) legend (要逼近的非線性函數(shù),未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果)未訓(xùn)練時(shí)網(wǎng)絡(luò)的輸出結(jié)果結(jié)果接第三步網(wǎng)絡(luò)訓(xùn)練 將訓(xùn)練時(shí)間設(shè)為10，精度為0

8、.001，用train ()進(jìn)行訓(xùn)練，誤差曲線見圖4 所示。net.trainParam.epochs=10; net.trainParam.goal=0.001; net1 = train (net,p,t);訓(xùn)練過程第四步網(wǎng)絡(luò)測(cè)試 用sim()觀察訓(xùn)練后的網(wǎng)絡(luò)輸出如圖5 所示。y2 = sim (net1,p); figure; plot (p,t,r* ,p,y1,b- ,p,y2,ko) title (訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果) xlabel (時(shí)間) ylabel (仿真輸出) legend (要逼近的非線性函數(shù),未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果,訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果)圖5訓(xùn)練后網(wǎng)路的輸出結(jié)果從圖5

9、 可以看出經(jīng)過很短時(shí)間的訓(xùn)練后BP 網(wǎng)絡(luò)很好的逼近了非線性函數(shù)。討論： 1. 改變非線性函數(shù)的頻率，即改變N 的值時(shí)發(fā)現(xiàn)，網(wǎng)絡(luò)的訓(xùn)練時(shí)間會(huì)長些， 逼近效果要差些。 2. 改變隱層的神經(jīng)元數(shù)目對(duì)網(wǎng)絡(luò)的逼近效果也有影響，一般來說，隱層的 神經(jīng)元數(shù)目越多，則BP 網(wǎng)絡(luò)逼近非線性函數(shù)能力越強(qiáng)，但也并非隱層的神經(jīng)元數(shù)目越多，網(wǎng)絡(luò)性能就越好，而同時(shí)訓(xùn)練時(shí)間有所增長。四結(jié)論 智能控制課內(nèi)實(shí)驗(yàn)（2）基于 MATLAB的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)學(xué) 院： 自動(dòng)化學(xué)院 姓 名： 班 級(jí)： 學(xué) 號(hào)： 日 期： 2017-10-25 實(shí)驗(yàn)2 基于 MATLAB的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)一實(shí)驗(yàn)?zāi)康模?1掌握matlab工具箱設(shè)計(jì)前饋型神經(jīng)網(wǎng)絡(luò)的

10、方法 2掌握?qǐng)D形用戶界面的神經(jīng)網(wǎng)絡(luò)工具的設(shè)計(jì)方法二實(shí)驗(yàn)內(nèi)容： 1感知器線形分類器設(shè)計(jì) 已知：樣本點(diǎn) （0，0），（1，1），（1，3），（3，1），（3，3），（5，5）。 對(duì)應(yīng)目標(biāo)：t=0 0 0 1 1 1 編程設(shè)計(jì)感知器，實(shí)現(xiàn)樣本點(diǎn)的分類。 用測(cè)試樣本進(jìn)行分類測(cè)試。新建m文件，參考程序： p=0 1 1 3 3 5;0 1 3 1 3 5; %六個(gè)輸入樣本 t=0 0 0 1 1 1; %樣本的目標(biāo)值 ptest=0 1 3 4; 3 2 2 1; %四個(gè)測(cè)試樣本 net=newp(minmax(p),1); %創(chuàng)建感知器網(wǎng)絡(luò) net tr=train(net,p,t); %訓(xùn)練網(wǎng)絡(luò) i

11、w1=net.iw1; %得到感知器的權(quán)值 b1=net.b1; %得到閾值 epoch1=tr.epoch; %得到訓(xùn)練的次數(shù) perf1=tr.perf; %訓(xùn)練每步誤差 % pause; plotpv(p,t); %顯示訓(xùn)練樣本 plotpc(net.iw1,net.b1); figure; %顯示分類面 % pause; t2=sim(net,ptest); %對(duì)測(cè)試樣本進(jìn)行仿真 plotpv(ptest,t2); %顯示測(cè)試樣本 plotpc(iw1,b1); %再顯示分類面2設(shè)計(jì)前饋網(wǎng)絡(luò)逼近平方函數(shù) 設(shè)計(jì)前饋網(wǎng)絡(luò)在 區(qū)間上逼近平方函數(shù) 。 新建m文件，產(chǎn)生100個(gè)樣本，建立網(wǎng)絡(luò)進(jìn)行

12、仿真。 參考程序： rand(state,sum(100*clock); %設(shè)置隨機(jī)函數(shù)種子 p=10*rand(1,100); %樣本隨機(jī)輸入 t=p.2; %訓(xùn)練樣本的目標(biāo)值 Testp=0:0.1:10; %測(cè)試樣本 net=newff(0 10,5 1,tansig purelin,trainlm); %建立前饋網(wǎng)絡(luò) net.trainParam.epochs=50; %設(shè)置最大訓(xùn)練次數(shù) net.trainParam.goal=0.0001; %設(shè)置誤差目標(biāo) net.trainParam.show=1; %多少步顯示誤差 net=train.(net,p,t); %訓(xùn)練神經(jīng)網(wǎng)絡(luò) y2=

13、sim(net,p); %仿真輸出 plot(p,t,r+,p,y2,.); %顯示輸出曲線 figure; y3=sim(net,Testp); %顯示測(cè)試樣本 plot(Testp,y3,k.); %再顯示測(cè)試樣本輸出曲線3圖形工具設(shè)計(jì)神經(jīng)網(wǎng)絡(luò) 在圖形界面下設(shè)計(jì)前饋型網(wǎng)絡(luò)，在區(qū)間-4,4上逼近函數(shù) 。 在命令行鍵入輸入變量 ： indata=-4:0.1:4; 得到函數(shù)目標(biāo)輸出：targetdata=1.1*(1-indata+2*indata.*indata).*exp(-indata.*indata/2); 在命令窗口輸入： nntool 出現(xiàn)如下圖形界面 圖1 圖形界面點(diǎn)擊impor

14、t按鈕，添加輸入變量和目標(biāo)輸出變量；按import按鈕，導(dǎo)入輸入變量按import按鈕，導(dǎo)入目標(biāo)輸出變量。在圖1按 new按鈕，新建網(wǎng)絡(luò)按create按鈕創(chuàng)建網(wǎng)絡(luò)。雙擊上圖的network1，得到下圖：點(diǎn)擊按鈕 Train Network ,訓(xùn)練網(wǎng)絡(luò)得到下圖：點(diǎn)擊上圖的performance按鈕得到下圖的網(wǎng)絡(luò)的訓(xùn)練誤差性能：三、總結(jié) 總結(jié)m文件和圖形界面方法設(shè)計(jì)前饋型網(wǎng)絡(luò)的設(shè)計(jì)仿真方法。 智能控制課內(nèi)實(shí)驗(yàn)（3）應(yīng)用遺傳算法求解優(yōu)化問題學(xué) 院： 自動(dòng)化學(xué)院 姓 名： 班 級(jí)： 學(xué) 號(hào)： 日 期： 2017-11-25 實(shí)驗(yàn)3 應(yīng)用遺傳算法求解優(yōu)化問題一、實(shí)驗(yàn)?zāi)康?掌握matlab遺傳算法工具箱的

15、函數(shù)命令實(shí)現(xiàn)函數(shù)優(yōu)化問題的方法和圖形用戶界面下求解優(yōu)化問題的方法。二、實(shí)驗(yàn)內(nèi)容1、利用matlba工具箱函數(shù)命令實(shí)現(xiàn)多峰函數(shù)的優(yōu)化： (1)編寫適應(yīng)度函數(shù)： 文件名 f_exp1.m function z=f_exp1(x) z=x+10*sin(5*x)+7*cos(4*x); z=-z; %求最大要取反 （2）調(diào)用遺傳算法函數(shù)求解 options=gaoptimset(MutationFcn,mutationadaptfeasible); x fval=ga(f_exp1,1, , , , ,15,25, ,options) 得到優(yōu)化結(jié)果2、圖形用戶界面下應(yīng)用遺傳算法求解優(yōu)化問題 （1）編寫適應(yīng)度函數(shù) 文件名 f_e