模糊控制设计及仿真实例智能控制作业

1、课程名称： 智能控制理论与技术授课老师： 徐华中学院： 自 动 化 学 院 专业名称： 控制科学与控制工程姓名： 廖桂潘 学 号： 104972093040 班级： 自研0902班 导师姓名： 刘教瑜 2010年9月1.一个三阶系统 ，其中a,b的值由自己设定，该系统具有非线性环节，如下图所示：依据上述条件设计一个模糊控制器：用matlab仿真，得出仿真结果，并通过改变a、b值对仿真结果的影响；改变隶属度函数，从仿真结果图分析隶属度函数，模糊化对系统的影响；解：（1） 取b0=0,b1=0,b2=1.5,a1=4,a2=2,a3=0,在simulink里建模如下图所示（2） 用gui建立fis

2、e和ec分别为系统输出误差和误差的变化量，u为控制输出，编辑其隶属度函数如下编辑模糊推理规则如下(3) 仿真结果如下2自己选定一个对象，设计一个神经网络控制系统。解：被控对象为y(k)=0.3y(k-1)+0.2y(k-2)+0.1u(k-1)+0.6u(k-2),采用单神经元pid控制，控制结构如下图所示： 采用有监督的hebb学习规则，控制算法及学习算法如下：式中，输入信号为方波：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);仿真结果如下： 3.前向神

6、经网络拟合一个函数y=sin(x)*cos(10x),取n个样本，神经网络的层数和每层的点数可自定。解：1.画出待拟合函数的样本点 在matlab的“command window”输入以下命令： x=-pi:0.05:pi; y=sin(x).*cos(10*x); plot(x,y,r+)得到待拟合函数的样本点如下所示2.建立bp网络 建立2层bp神经网络，隐层神经元数目可改变，暂设n=50，输出层1个神经元。选择隐层和输出层神经元传递函数分别为tansig()和purelin()，网络训练采用默认的levenberg-marquardt算法trainlm。 继续在matlab的“comma

7、nd window”输入以下命令： n=50; net=newff(minmax(x),n,1,tansig,purelin,trainlm); y1=sim(net,x); figure;plot(x,y,r+,x,y1,-)得到初始网络的输出曲线如下图图中蓝色曲线即为未训练网络的输出，因为网络建立时权值和阈值初始化是随机的，所以网络输出结果很差，达不到拟合的目地，并且每次运行的结果也有所不同。3.网络训练 继续在“command window”输入以下命令： net.trainparam.epochs=50; net.trainparam.goal=0.01; net=train(net,x,y);训练后得到的误差变化过程如下图4.网络测试 对