智能控制技術(shù)

1、一、實(shí)驗(yàn)?zāi)康氖煜つ：刂破鞯脑O(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-/(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)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Q其輸入為4X4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)。

2、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)一_PTiTdyrPT/(K)PIT/(K)PIDT/(K)由公式可得P=18Ti=Td=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

3、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。們要確定描述輸入輸出變量語(yǔ)言值的模糊子集，如NB,NMNGZO,PS,PMPB,首先我并設(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。#crco cuqh.朋川依L = 1 4J4-C 后Input 卜口 口P5 口1日零4.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

4、法判決出一個(gè)確切的精確量，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卜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，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常規(guī)PID還是有超調(diào)量，模由仿真結(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),糊控制器的超調(diào)量

5、幾乎為零。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