智能控制技術(shù)(共7頁(yè))

1、一、實(shí)驗(yàn)?zāi)康?熟悉模糊控制器的設(shè)計(jì)，并且掌握神經(jīng)網(wǎng)絡(luò)模型。二、實(shí)驗(yàn)內(nèi)容 1 已知系統(tǒng)的傳遞函數(shù)為G（s）=e-(0.5s)/(10s+1)。假設(shè)系統(tǒng)給定為階躍值r=30，系統(tǒng)初始值r(0)=0。試分別設(shè)計(jì)(1)常規(guī)的PID 控制器； (2)常規(guī)的模糊控制器； (3)比較兩種控制器的效果； (4)當(dāng)通過(guò)改變模糊控制器的比例因子時(shí)，系統(tǒng)響應(yīng)有什么變化？ 2 編寫(xiě)一個(gè)利用前向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行字符設(shè)別的程序。設(shè)神經(jīng)網(wǎng)絡(luò)為具有一個(gè)隱含層的BP 網(wǎng)絡(luò)，需設(shè)別的字符有三個(gè)A、I 和O，其輸入為44 個(gè)像素的掃描輸入。 目標(biāo)輸出分別為A=（1，-1，-1），I=（-1，1,1），O=（-1，-1,1）。網(wǎng)絡(luò)為

2、16 個(gè)輸入節(jié)點(diǎn)、3 個(gè)輸出節(jié)點(diǎn)、9 個(gè)隱含層節(jié)點(diǎn)。利用所編程序完成訓(xùn)練后，在輸入樣本為X= （1,1,1,1,1，-1，-1,1,1,1,1,1,1,1,-1，1）時(shí)，求網(wǎng)絡(luò)輸出值。 三、實(shí)驗(yàn)內(nèi)容以及結(jié)果分析1 (1)常規(guī)PID控制器：利用Ziegler-Nichols整定公式整定PID調(diào)節(jié)器的初始參數(shù)PTiTdPPI0.93.3PID1.22.20.5由公式可得P=18Ti=1.65Td=0SIMULINK仿真圖設(shè)定仿真時(shí)間為10s仿真結(jié)果（2）模糊控制器的設(shè)定1 在matlab命令窗口輸入“fuzzy” 確定模糊控制器結(jié)構(gòu)：即根據(jù)具體的系統(tǒng)確定輸入、輸出量。選取二維控制結(jié)構(gòu)，即輸入為誤差

3、e和誤差變化ec，輸出為u如下圖所示2 輸入輸出變量的模糊化：即把輸入輸出的精確量轉(zhuǎn)化為對(duì)應(yīng)語(yǔ)言變量的模糊集合。首先我們要確定描述輸入輸出變量語(yǔ)言值的模糊子集，如NB，NM，NS，ZO，PS，PM，PB，并設(shè)置輸入輸出變量的論域，然后我們?yōu)槟：Z(yǔ)言變量選取相應(yīng)的隸屬度函數(shù)。如下圖所示3 模糊推理決策算法設(shè)計(jì)：即根據(jù)模糊控制規(guī)則進(jìn)行模糊推理，并決策出模糊輸出量。首先要確定模糊規(guī)則，即專家經(jīng)驗(yàn)。如圖。制定完之后，會(huì)形成一個(gè)模糊控制規(guī)則矩陣，然后根據(jù)模糊輸入量按照相應(yīng)的模糊推理算法完成計(jì)算，并決策出模糊輸出量。4對(duì)輸出模糊量的解模糊：模糊控制器的輸出量是一個(gè)模糊集合，通過(guò)反模糊化方法判決出一個(gè)確切的

4、精確量，反模糊化方法很多，我們這里選取重心法。SIMULINK仿真圖在模糊控制器的輸入和輸出均有一個(gè)比例系數(shù)，我們叫它量化因子，它反映的是模糊論域范圍與實(shí)際范圍之間的比例關(guān)系，這里模糊控制器輸入的論域范圍均為-6，6，假設(shè)誤差的范圍是-10，10，誤差變化率范圍是-100，100，控制量的范圍是-24，24，那么我們就可以算出量化因子分別為0.6，0.06，8。量化因子的選取對(duì)于模糊控制器的控制效果有很大的影響，當(dāng)輸出量化因子調(diào)為10控制效果更好。仿真曲線（3）常規(guī)PID控制器和模糊控制器的比較由仿真結(jié)果可見(jiàn)兩種控制器對(duì)系統(tǒng)的各項(xiàng)性能指標(biāo)都有了改進(jìn)，常規(guī)PID還是有超調(diào)量，模糊控制器的超調(diào)量幾

5、乎為零。2 以下程序：A=1 1 1 1;1 -1 -1 1;1 1 1 1;1 -1 -1 1;I=-1 1 -1 -1;-1 1 -1 -1;-1 1 -1 -1;-1 1 -1 -1;O=1 1 1 1;1 -1 -1 1;1 -1 -1 1;1 1 1 1;X2=1 1 1 1 1 -1 -1 1 1 1 1 1 1 1 -1 1'X=A(:) I(:) O(:);T0=1;-1;-1;T1=-1;1;1;T2=-1;-1;1; T=T0 T1 T2;R N1=size(X);S2 N1=size(T);S1=10; net=newff(minmax(X), S1 S2, &#

6、39;tansig', 'tansig', 'traingdx');w=net.LW2,1;b=net.b1;b=net.b2;y1=sim(net,X); net.performFcn='sse' net.trainParam.goal=0.000001; net.trainParam.epochs=5000; net.trainParam.show=20; net.trainParam.mc=0.95; net,tr=train(net,X,T);w=net.LW2,1;b=net.b1;b=net.b2;y2=sim(net,X); net.trainParam.goal=0.6; net.trainParam.epochs=500; net1=net;T1=T T T T;for i=1:10 X1=X X (X+randn(R,N1)*0.1) (X+randn(R,N1)*0.2); net1,tr=train(net1,X1,T1)endy3=sim(net1,X); net1,t