智能控制理論實(shí)驗(yàn)

1、實(shí)驗(yàn)一 模糊控制系統(tǒng)Matlab仿真一 實(shí)驗(yàn)?zāi)康?能夠正確運(yùn)用模糊控制技術(shù)與Matlab仿真課程的基本理論和知識,了解使用Matlab中關(guān)于模糊控制仿真的工具和方法。，自行建立一個模糊控制仿真系統(tǒng)進(jìn)行仿真。二 實(shí)驗(yàn)內(nèi)容和要求1. 打開Matlab模糊邏輯工具箱，熟悉工具箱提供的模糊邏輯工具2. 打開Matlab模糊邏輯工具箱中提供的例子并運(yùn)行，對模糊控制系統(tǒng)仿真有直觀認(rèn)識。3. 任選控制對象，一階或二階均可，使用Matlab模糊邏輯工具箱建立模糊控制器FIS 4. 在Simulink環(huán)境或Matlab環(huán)境下建立仿真系統(tǒng)，并運(yùn)行得到仿真結(jié)果三 實(shí)驗(yàn)步驟第一部分1. 打開Matlab仿真環(huán)境2.

2、新建M文件，執(zhí)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，并使用幫助文件理解其的意義。“newfis”、“readfis”、“getfis”、“writefis”、“showfis”、“setfis”、“plotfis”。在實(shí)驗(yàn)報(bào)告中進(jìn)行說明。打開Help文檔，在Seach中尋找各個命令“newfis”創(chuàng)建并返回一個新的模糊推理系統(tǒng)“readfis”從磁盤中讀出并返回模糊推理系統(tǒng)結(jié)構(gòu)變量“getfis”取得模糊推理系統(tǒng)的部分或全部屬性“writ

5、efis”將以矩陣形式保存在內(nèi)存中的模糊推理系統(tǒng)的數(shù)據(jù)寫入磁盤文件中“showfis”以分行的形式顯示模糊推理系統(tǒng)矩陣的所有屬性“setfis”設(shè)置、改變模糊推理系統(tǒng)的屬性“plotfis”繪制模糊推理系統(tǒng)的推理過程結(jié)構(gòu)框圖4. 使用readfis函數(shù)在Matlab工作空間讀取剛才建立的模糊控制器，利用 “getfis”函數(shù)讀取某一輸入/輸出變量的第2個隸屬函數(shù)的信息；并使用“plotfis”繪圖命令畫出該模糊控制器的圖形，包括輸入-輸出特性和隸屬度函數(shù)。在實(shí)驗(yàn)報(bào)告中記錄相關(guān)結(jié)果。a=readfis('tipper');getfis(a,'input',1,&#

6、39;excellent',1) Name = poor Type = gaussmf Params = 1.5 0plotfis(a) 執(zhí)行程序后的模糊推理系統(tǒng)的推理過程結(jié)構(gòu)框圖如圖所示：第二部分: 1. 打開Matlab模糊邏輯工具箱。在Matlab工作區(qū)間輸入“fuzzy”回車，出現(xiàn)模糊推理系統(tǒng)編輯器（FIS Editor）2. 點(diǎn)擊“Edit/Add Variable”，選擇“Input”添加一個輸入量，選擇誤差e和誤差變化率ec作為輸入。分別給兩個輸入編輯隸屬度函數(shù). 論域選擇：e:-6,+6；ec:-6,+6；U:-6,+6.3. 打開Rule Editor，根據(jù)自己的模糊

7、邏輯控制規(guī)則表添加控制規(guī)則,控制規(guī)則如下表 : 4. 打開隸屬度曲面瀏覽器（Surface Viewer），觀察控制規(guī)則曲面是否合理5. 在Simulink中建立仿真系統(tǒng)，控制對象：,并運(yùn)行得到仿真結(jié)果6. 根據(jù)仿真結(jié)果可知，規(guī)則不合理，重新修訂規(guī)則，在Simulink中建立仿真系統(tǒng)，控制對象：,并重新仿真得到新的仿真結(jié)果7. 完成后分別使用模糊推理過程瀏覽器（Ruleview）、系統(tǒng)輸入輸出特性曲面測覽（Surfview）觀察模糊控制器的控制曲面和控制規(guī)則。實(shí)驗(yàn)總結(jié)：通過本次實(shí)驗(yàn)，熟練掌握了maplab軟件的基本操作，學(xué)會使用maplab軟件進(jìn)行智能控制實(shí)驗(yàn)的仿真模擬，加深了對模糊控制系統(tǒng)的

8、理解，學(xué)會了通過修改控制規(guī)則，來時模糊推理達(dá)到預(yù)期效果。 實(shí)驗(yàn)二 神經(jīng)網(wǎng)絡(luò)仿真一 實(shí)驗(yàn)?zāi)康?能夠正確運(yùn)用神經(jīng)網(wǎng)絡(luò)與Matlab仿真課程的基本理論和知識,了解使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱的用法。二 實(shí)驗(yàn)內(nèi)容和要求1. 打開Matlab神經(jīng)網(wǎng)絡(luò)工具箱，對模糊控制系統(tǒng)仿真有直觀認(rèn)識。2.利用神經(jīng)網(wǎng)絡(luò)工具箱建立一個數(shù)據(jù)預(yù)測模型，并運(yùn)行得到仿真結(jié)果三 實(shí)驗(yàn)步驟第一部分：熟悉神經(jīng)網(wǎng)絡(luò)工具箱輸入矢量為     p =-1 -2 3  1      

9、-1  1 5 -3目標(biāo)矢量為   t = -1 -1 1 1。測試數(shù)據(jù)為C=2 ；3.simulink環(huán)境1. 在命令窗口下輸入nntool,打開神經(jīng)網(wǎng)絡(luò)工具箱界面。2. 點(diǎn)擊IMPORT按要求導(dǎo)入輸入、輸出數(shù)據(jù)；點(diǎn)擊new新建一個3層BP神經(jīng)網(wǎng)絡(luò)；點(diǎn)擊VIEW查看建立的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。3. 再點(diǎn)擊TRAIN訓(xùn)練神經(jīng)網(wǎng)絡(luò)。4. 點(diǎn)擊IMPORT輸入測試數(shù)據(jù)，在simulate中選中測試數(shù)據(jù)，點(diǎn)擊simulate network進(jìn)行測試。5. 在主界面的OUTPUT框中查看

10、測試結(jié)果。.M函數(shù)環(huán)境參考程序close all clear echo on clc % NEWFF生成一個新的前向神經(jīng)網(wǎng)絡(luò) % TRAIN對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 % SIM對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真 pause        %  敲任意鍵開始 clc %  定義訓(xùn)練樣本 %

11、0;P 為輸入矢量 P=-1,  -2,    3,    1;       -1,    1,    5,  -3;% T 為目標(biāo)矢量 T=-1, -1, 1, 1; C=2;3;pause; clc % &

12、#160;創(chuàng)建一個新的前向神經(jīng)網(wǎng)絡(luò) net=newff(minmax(P),3,1,'tansig','purelin','traingdm')%  當(dāng)前輸入層權(quán)值和閾值 inputWeights=net.IW1,1 inputbias=net.b1 %  當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值 layerWeights=net.LW2,1 layerbias=net.b2 pause clc %  設(shè)置訓(xùn)練參數(shù)&#

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 %  調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò) net,t

14、r=train(net,P,T); pause clc %  對 BP 網(wǎng)絡(luò)進(jìn)行仿真 A = sim(net,C) %  計(jì)算仿真誤差 E = T - A MSE=mse(E) pause clc echo off 第二部分：神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)有以下數(shù)據(jù),請建立輸入x與輸出y之間的非線性關(guān)系模型,并用測試數(shù)據(jù)檢驗(yàn)?zāi)Ｐ偷暮侠硇?。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 測試數(shù)據(jù)x11717.51818.51919.520x23435

16、3637383940x32828.829.630.431.23232.8y359.7091371.2321386.2989407.7503434.8575463.7643489.8262測試數(shù)據(jù)圖形在M.FILE文檔中輸入以下程序并運(yùn)行close all clear echo on clc % NEWFF生成一個新的前向神經(jīng)網(wǎng)絡(luò) % TRAIN對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 % SIM對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真 pause % 敲任意鍵開始 clc % 定義訓(xùn)練樣本 % P 為輸入矢量 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 為目標(biāo)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 % 創(chuàng)建一個新的前向神經(jīng)網(wǎng)絡(luò) net=newff(minmax(P),3,1,'tansig','purelin')% 當(dāng)前輸入層權(quán)值和閾值 inputWeights=net.IW1,1 inputbias=net.b1 % 當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值 layerWeights=net.LW2,1 layerbias=net.b2 pause clc % 設(shè)置訓(xùn)練參數(shù) net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; n