模糊控制設(shè)計(jì)及仿真實(shí)例智能控制作業(yè)

1、課程名稱： 智能控制理論與技術(shù)授課老師： 徐華中學(xué)院： 自 動(dòng) 化 學(xué) 院 專業(yè)名稱： 控制科學(xué)與控制工程姓名： 廖桂潘 學(xué) 號： 104972093040 班級： 自研0902班 導(dǎo)師姓名： 劉教瑜 2010年9月1.一個(gè)三階系統(tǒng) ，其中a,b的值由自己設(shè)定，該系統(tǒng)具有非線性環(huán)節(jié)，如下圖所示：依據(jù)上述條件設(shè)計(jì)一個(gè)模糊控制器：用matlab仿真，得出仿真結(jié)果，并通過改變a、b值對仿真結(jié)果的影響；改變隸屬度函數(shù)，從仿真結(jié)果圖分析隸屬度函數(shù)，模糊化對系統(tǒng)的影響；解：（1） 取b0=0,b1=0,b2=1.5,a1=4,a2=2,a3=0,在simulink里建模如下圖所示（2） 用gui建立fis

2、e和ec分別為系統(tǒng)輸出誤差和誤差的變化量，u為控制輸出，編輯其隸屬度函數(shù)如下編輯模糊推理規(guī)則如下(3) 仿真結(jié)果如下2自己選定一個(gè)對象，設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)。解：被控對象為y(k)=0.3y(k-1)+0.2y(k-2)+0.1u(k-1)+0.6u(k-2),采用單神經(jīng)元pid控制，控制結(jié)構(gòu)如下圖所示： 采用有監(jiān)督的hebb學(xué)習(xí)規(guī)則，控制算法及學(xué)習(xí)算法如下：式中，輸入信號為方波：仿真程序如下：clear all;close all; x=0,0,0; xitep=0.40;xitei=0.35;xited=0.40; wkp_1=0.10;wki_1=0.10;wkd_1=0.10; e

3、rror_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_1=0;u_2=0;u_3=0; ts=0.001;for k=1:1:1000 time(k)=k*ts rin(k)=0.5*sign(sin(4*pi*k*ts); yout(k)=0.3*y_1+0.2*y_2+0.1*u_1+0.6*u_2; error(k)=rin(k)-yout(k); wkp(k)=wkp_1+xitep*error(k)*u_1*x(1);%p wki(k)=wki_1+xitei*error(k)*u_1*x(2);%i wkd(k)=wkd_1+xited*error(k)*u

4、_1*x(3);%d k=0.12; x(1)=error(k)-error_1; x(2)=error(k); x(3)=error(k)-2*error_1+error_2; wadd(k)=abs(wkp(k)+abs(wki(k)+abs(wkd(k); w11(k)=wkp(k)/wadd(k); w22(k)=wki(k)/wadd(k); w33(k)=wkd(k)/wadd(k); w=w11(k),w22(k),w33(k); u(k)=u_1+k*w*x;%control law if u(k)10 u(k)=10; end if u(k)-10 u(k)=-10; end

5、 u_3=u_2;u_2=u_1;u_1=u(k); y_3=y_2;y_2=y_1;y_1=yout(k); wkp_1=wkp(k); wkd_1=wkd(k); wki_1=wki(k);end figure(1); plot(time,rin,b,time,yout,r); xlabel(time(s);ylabel(rin,yout); figure(2); plot(time,error,r); xlabel(time(s);ylabel(error); figure(3); plot(time,u,r);xlabel(time(s);ylabel(u);仿真結(jié)果如下： 3.前向神

6、經(jīng)網(wǎng)絡(luò)擬合一個(gè)函數(shù)y=sin(x)*cos(10x),取n個(gè)樣本，神經(jīng)網(wǎng)絡(luò)的層數(shù)和每層的點(diǎn)數(shù)可自定。解：1.畫出待擬合函數(shù)的樣本點(diǎn) 在matlab的“command window”輸入以下命令： x=-pi:0.05:pi; y=sin(x).*cos(10*x); plot(x,y,r+)得到待擬合函數(shù)的樣本點(diǎn)如下所示2.建立bp網(wǎng)絡(luò) 建立2層bp神經(jīng)網(wǎng)絡(luò)，隱層神經(jīng)元數(shù)目可改變，暫設(shè)n=50，輸出層1個(gè)神經(jīng)元。選擇隱層和輸出層神經(jīng)元傳遞函數(shù)分別為tansig()和purelin()，網(wǎng)絡(luò)訓(xùn)練采用默認(rèn)的levenberg-marquardt算法trainlm。 繼續(xù)在matlab的“comma

7、nd window”輸入以下命令： n=50; net=newff(minmax(x),n,1,tansig,purelin,trainlm); y1=sim(net,x); figure;plot(x,y,r+,x,y1,-)得到初始網(wǎng)絡(luò)的輸出曲線如下圖圖中藍(lán)色曲線即為未訓(xùn)練網(wǎng)絡(luò)的輸出，因?yàn)榫W(wǎng)絡(luò)建立時(shí)權(quán)值和閾值初始化是隨機(jī)的，所以網(wǎng)絡(luò)輸出結(jié)果很差，達(dá)不到擬合的目地，并且每次運(yùn)行的結(jié)果也有所不同。3.網(wǎng)絡(luò)訓(xùn)練 繼續(xù)在“command window”輸入以下命令： net.trainparam.epochs=50; net.trainparam.goal=0.01; net=train(net,x,y);訓(xùn)練后得到的誤差變化過程如下圖4.網(wǎng)絡(luò)測試 對