智能控制理论实验

1、实验一 模糊控制系统Matlab仿真一 实验目的 能够正确运用模糊控制技术与Matlab仿真课程的基本理论和知识,了解使用Matlab中关于模糊控制仿真的工具和方法。，自行建立一个模糊控制仿真系统进行仿真。二 实验内容和要求1. 打开Matlab模糊逻辑工具箱，熟悉工具箱提供的模糊逻辑工具2. 打开Matlab模糊逻辑工具箱中提供的例子并运行，对模糊控制系统仿真有直观认识。3. 任选控制对象，一阶或二阶均可，使用Matlab模糊逻辑工具箱建立模糊控制器FIS 4. 在Simulink环境或Matlab环境下建立仿真系统，并运行得到仿真结果三 实验步骤第一部分1. 打开Matlab仿真环境2.

2、新建M文件，执行以下程序a=newfis('tipper'); a=addvar(a,'input','service',0 10); a=addmf(a,'input',1,'poor','gaussmf',1.5 0); a=addmf(a,'input',1,'excellent','gaussmf',1.5 10); a=addvar(a,'input','food',0 10); a=addmf(a,'

3、input',2,'rancid','trapmf',-2 0 1 3); a=addmf(a,'input',2,'delicious','trapmf',7 9 10 12); a=addvar(a,'output','tip',0 30); a=addmf(a,'output',1,'cheap','trimf',0 5 10); a=addmf(a,'output',1,'generous'

4、;,'trimf',20 25 30); ruleList=1 1 1 1 2; 2 2 2 1 2 ; a=addrule(a,ruleList); plotfis(a) 3. 查看下列命令，并使用帮助文件理解其的意义。“newfis”、“readfis”、“getfis”、“writefis”、“showfis”、“setfis”、“plotfis”。在实验报告中进行说明。打开Help文档，在Seach中寻找各个命令“newfis”创建并返回一个新的模糊推理系统“readfis”从磁盘中读出并返回模糊推理系统结构变量“getfis”取得模糊推理系统的部分或全部属性“writ

5、efis”将以矩阵形式保存在内存中的模糊推理系统的数据写入磁盘文件中“showfis”以分行的形式显示模糊推理系统矩阵的所有属性“setfis”设置、改变模糊推理系统的属性“plotfis”绘制模糊推理系统的推理过程结构框图4. 使用readfis函数在Matlab工作空间读取刚才建立的模糊控制器，利用 “getfis”函数读取某一输入/输出变量的第2个隶属函数的信息；并使用“plotfis”绘图命令画出该模糊控制器的图形，包括输入-输出特性和隶属度函数。在实验报告中记录相关结果。a=readfis('tipper');getfis(a,'input',1,&#

6、39;excellent',1) Name = poor Type = gaussmf Params = 1.5 0plotfis(a) 执行程序后的模糊推理系统的推理过程结构框图如图所示：第二部分: 1. 打开Matlab模糊逻辑工具箱。在Matlab工作区间输入“fuzzy”回车，出现模糊推理系统编辑器（FIS Editor）2. 点击“Edit/Add Variable”，选择“Input”添加一个输入量，选择误差e和误差变化率ec作为输入。分别给两个输入编辑隶属度函数. 论域选择：e:-6,+6；ec:-6,+6；U:-6,+6.3. 打开Rule Editor，根据自己的模糊

7、逻辑控制规则表添加控制规则,控制规则如下表 : 4. 打开隶属度曲面浏览器（Surface Viewer），观察控制规则曲面是否合理5. 在Simulink中建立仿真系统，控制对象：,并运行得到仿真结果6. 根据仿真结果可知，规则不合理，重新修订规则，在Simulink中建立仿真系统，控制对象：,并重新仿真得到新的仿真结果7. 完成后分别使用模糊推理过程浏览器（Ruleview）、系统输入输出特性曲面测览（Surfview）观察模糊控制器的控制曲面和控制规则。实验总结：通过本次实验，熟练掌握了maplab软件的基本操作，学会使用maplab软件进行智能控制实验的仿真模拟，加深了对模糊控制系统的

8、理解，学会了通过修改控制规则，来时模糊推理达到预期效果。 实验二 神经网络仿真一 实验目的 能够正确运用神经网络与Matlab仿真课程的基本理论和知识,了解使用Matlab神经网络工具箱的用法。二 实验内容和要求1. 打开Matlab神经网络工具箱，对模糊控制系统仿真有直观认识。2.利用神经网络工具箱建立一个数据预测模型，并运行得到仿真结果三 实验步骤第一部分：熟悉神经网络工具箱输入矢量为     p =-1 -2 3  1      

9、-1  1 5 -3目标矢量为   t = -1 -1 1 1。测试数据为C=2 ；3.simulink环境1. 在命令窗口下输入nntool,打开神经网络工具箱界面。2. 点击IMPORT按要求导入输入、输出数据；点击new新建一个3层BP神经网络；点击VIEW查看建立的神经网络模型结构。3. 再点击TRAIN训练神经网络。4. 点击IMPORT输入测试数据，在simulate中选中测试数据，点击simulate network进行测试。5. 在主界面的OUTPUT框中查看

10、测试结果。.M函数环境参考程序close all clear echo on clc % NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 pause        %  敲任意键开始 clc %  定义训练样本 %

11、0;P 为输入矢量 P=-1,  -2,    3,    1;       -1,    1,    5,  -3;% T 为目标矢量 T=-1, -1, 1, 1; C=2;3;pause; clc % &

12、#160;创建一个新的前向神经网络 net=newff(minmax(P),3,1,'tansig','purelin','traingdm')%  当前输入层权值和阈值 inputWeights=net.IW1,1 inputbias=net.b1 %  当前网络层权值和阈值 layerWeights=net.LW2,1 layerbias=net.b2 pause clc %  设置训练参数&#

13、160;net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc %  调用 TRAINGDM 算法训练 BP 网络 net,t

14、r=train(net,P,T); pause clc %  对 BP 网络进行仿真 A = sim(net,C) %  计算仿真误差 E = T - A MSE=mse(E) pause clc echo off 第二部分：神经网络应用现有以下数据,请建立输入x与输出y之间的非线性关系模型,并用测试数据检验模型的合理性。x100.511.522.53x20

15、123456x30.81.62.43.244.85.6y7.17 12.25 11.75 7.67 4.43 6.29 14.69 x13.544.555.566.5x278910111213x36.47.288.89.610.411.2y27.42 39.94 48.14 50.85 50.51 51.72 58.46 x177.588.599.510x214151617181920x31212.813.614.415.21616.8y71.63 88.57 104.59 115.91 121.86 125.37 131.12 测试数据x11717.51818.51919.520x23435

16、3637383940x32828.829.630.431.23232.8y359.7091371.2321386.2989407.7503434.8575463.7643489.8262测试数据图形在M.FILE文档中输入以下程序并运行close all clear echo on clc % NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 pause % 敲任意键开始 clc % 定义训练样本 % P 为输入矢量 P=0,0.5,1,1.5,2,2.5,3,3.5,4,4.5,5,5.5,6,6.5,7,7.5,8,8.5,

17、9,9.5,10;0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20;sin(0.8),sin(1.6),sin(2.4),sin(3.2),sin(4),sin(4.8),sin(5.6),sin(6.4),sin(7.2),sin(8),sin(8.8),sin(9.6),sin(10.4),sin(11.2),sin(12),sin(12.8),sin(13.6),sin(14.4),sin(15.2),sin(16),sin(16.8); % T 为目标矢量 T=7.17,12.25,11.75,7.67,4.43,6.29,14.

18、69,27.42,39.94,48.14,50.85,50.51,51.72,58.46,71.63,88.57,104.59,115.91,121.86,125.37,131.12; C=0.5,4,7.5,17.5;1,8,15,35;sin(1.6),sin(7.2),sin(12.8),sin(28.8);T1=12.25,39.94,88.57,371.2321;pause; clc % 创建一个新的前向神经网络 net=newff(minmax(P),3,1,'tansig','purelin')% 当前输入层权值和阈值 inputWeights=net.IW1,1 inputbias=net.b1 % 当前网络层权值和阈值 layerWeights=net.LW2,1 layerbias=net.b2 pause clc % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; n