智能控制技术

1、一、实验目的熟悉模糊控制器的设计，并且掌握神经网络模型。二、实验内容1已知系统的传递函数为G(s)=e-/(10s+1)。假设系统给定为阶跃值r=30,系统初始值r(0)=0。试分别设计常规的PID控制器；(2)常规的模糊控制器；(3)比较两种控制器的效果；(4)当通过改变模糊控制器的比例因子时，系统响应有什么变化2编写一个利用前向传播神经网络进行字符设别的程序。设神经网络为具有一个隐含层的BP网络，需设别的字符有三个A、I和Q其输入为4X4个像素的扫描输入。目标输出分别为A=(1,-1,-1),I=(-1,1,1),O=(-1,-1,1)。网络为16个输入节点、3个输出节点、9个隐含层节点。

2、利用所编程序完成训练后，在输入样本为X=(1,1,1,1,1,-1,-1,1,1,1,1,1,1,1,-1,1)时，求网络输出值。三、实验内容以及结果分析1(1)常规PID控制器：利用Ziegler-Nichols整定公式整定PID调节器的初始参数一_PTiTdyrPT/(K)PIT/(K)PIDT/(K)由公式可得P=18Ti=Td=0SIMULINK仿真图设定仿真时间为10s仿真结果(2)模糊控制器的设定1在matlab命令窗口输入“fuzzy”确定模糊控制器结构：即根据具体的系统确定输入、输出量。选取二维控制结构，即输入为误差e和误差变化ec,输出为u如下图所示2输入输出变量的模糊化：即

3、把输入输出的精确量转化为对应语言变量的模糊集合。们要确定描述输入输出变量语言值的模糊子集，如NB,NMNGZO,PS,PMPB,首先我并设置输入输出变量的论域，然后我们为模糊语言变量选取相应的隶属度函数。如下图所示3模糊推理决策算法设计：即根据模糊控制规则进行模糊推理，并决策出模糊输出量。首先要确定模糊规则，即专家经验。如图。制定完之后，会形成一个模糊控制规则矩阵，然后根据模糊输入量按照相应的模糊推理算法完成计算，并决策出模糊输出量。#crco cuqh.朋川依L = 1 4J4-C 后Input 卜口 口P5 口1日零4.对输出模糊量的解模糊：模糊控制器的输出量是一个模糊集合，通过反模糊化方

4、法判决出一个确切的精确量，反模糊化方法很多，我们这里选取重心法。SIMULINK仿真图在模糊控制器的输入和输出均有一个比例系数，我们叫它量化因子，它反映的是模糊论域范围与实际范围之间的比例关系，这里模糊控制器输入的论域范围均为卜6,6,假设误差的范围是-10,10,误差变化率范围是-100,100,控制量的范围是-24,24,那么我们就可以算出量化因子分别为，8。量化因子的选取对于模糊控制器的控制效果有很大的影响，当输出量化因子调为10控制效果更好。仿真曲线(3)常规PID控制器和模糊控制器的比较常规PID还是有超调量，模由仿真结果可见两种控制器对系统的各项性能指标都有了改进,糊控制器的超调量

5、几乎为零。2以下程序：A=1111;1-1-11;1111;1-1-11;I=-11-1-1;-11-1-1;-11-1-1;-11-1-1;O=1111;1-1-11;1-1-11;1111;X2=11111-1-11111111-11'X=A(:)I(:)O(:);T0=1;-1;-1;T1=-1;1;1;T2=-1;-1;1;T=T0T1T2;RN1=size(X);S2N1=size(T);S1=10;net=newff(minmax(X),S1S2,'tansig','tansig','traingdx');w=2,1;b=1;b=2;y1=sim(net,X);='sse'net,tr=train(net,X,T);w=2,1;b=1;b=2;y2=sim(net,X);net1=net;T1=TTTT;fori=1:10X1=XX(X+randn(R,N1)*(X+randn(R,N1)*;net1,tr=train(net1,X1,T1)en