智能控制实验Word文件下载.docx
《智能控制实验Word文件下载.docx》由会员分享，可在线阅读，更多相关《智能控制实验Word文件下载.docx（22页珍藏版）》请在冰豆网上搜索。
“若水位低于O点，则向内注水，差值越大，注水越快”。
根据上述经验，按下列步骤设计模糊控制器：
图1.1水箱的液位控制
四、实验步骤
1、确定观测量和控制量
定义理想液位O点的水位为h0，实际测得的水位高度为h，选择液位差
将当前水位对于O点的偏差e作为观测量。
2输入量和输出量的模糊化
将偏差e分为五级：
负大（NB），负小（NS），零（O），正小（PS），正大（PB）。
根据偏差e的变化范围分为七个等级：
-3，-2，-1，0，+1，+2，+3。
得到水位变化模糊表1。
表1-1水位变化划分表
控制量u为调节阀门开度的变化。
将其分为五级：
并根据u的变化范围分为九个等级：
-4，-3，-2，-1，0，+1，+2，+3，+4。
得到控制量模糊划分表2
表1-2控制量变化划分表
3模糊规则的描述
根据日常的经验，设计以下模糊规则：
（1）“若e负大，则u负大”
（2）“若e负小，则u负小”
（3）“若e为0，则u为0”
（4）“若e正小，则u正小”
（5）“若e正大，则u正大”
其中，排水时，u为负，注水时，u为正。
上述规则采用“IFATHENB”形式来描述：
（1）ife=NBthenu=NB
（2）ife=NSthenu=NS
（3）ife=0thenu=0
（4）ife=PSthenu=PS
（5）ife=PBthenu=PB
根据上述经验规则，可得模糊控制表3
表1-3模糊控制规则表
4求模糊关系
模糊控制规则是一个多条语句，它可以表示为U×
V上的模糊子集，即模糊关系R：
其中规则内的模糊集运算取交集，规则间的模糊集运算取并集。
由以上五个模糊矩阵求并集（即隶属函数最大值），得：
5、编程
按上述步骤，设计水箱模糊控制的Matlab仿真程序。
通过该程序，可实现模糊控制的动态仿真。
%FuzzyControlforwatertank
clearall;
closeall;
a=newfis（'
fuzz_tank'
）;
a=addvar（a,'
input'
'
e'
[-3,3]）;
%Parametere
a=addmf（a,'
1,'
NB'
zmf'
[-3,-1]）;
NS'
trimf'
[-3,-1,1]）;
Z'
[-2,0,2]）;
PS'
[-1,1,3]）;
PB'
smf'
[1,3]）;
output'
u'
[-4,4]）;
%Parameteru
[-4,-1]）;
[-4,-2,1]）;
[-1,2,4]）;
[1,4]）;
rulelist=[1111;
%Editrulebase
2211;
3311;
4411;
5511];
a=addrule（a,rulelist）;
a1=setfis（a,'
DefuzzMethod'
mom'
%Defuzzy
writefis（a1,'
tank'
%Savetofuzzyfile"
tank.fis"
a2=readfis（'
figure
（1）;
plotfis（a2）;
figure
（2）;
plotmf（a,'
1）;
figure（3）;
flag=1;
ifflag==1
showrule（a）%Showfuzzyrulebase
ruleview（'
%DynamicSimulation
end
disp（'
-------------------------------------------------------'
fuzzycontrollertable:
e=[-3,+3],u=[-4,+4]'
fori=1:
1:
7
e（i）=i-4;
Ulist（i）=evalfis（[e（i）],a2）;
Ulist=round（Ulist）
e=-3;
%Error
u=evalfis（[e],a2）%Usingfuzzyinference
五、实验结果
六、
本次试验通过模糊控制来控制水箱液位，取得了良好的效果。
实验二、单容水箱神经网络控制
4、熟悉神经网络的特征、结构及学习算法
5、通过实验进一步掌握神经网络的原理及实现
6、了解神经网络的结构对控制效果的影响
7、掌握用MATLAB事先神经网络控制系统仿真的方法
5、通过BP神经网络逼近的方法，使单容水箱中的H能够稳定在100
1.BP神经网络的结构
含一个隐含层的BP网络结构如左图所示，图中i为输入层神经元，j为隐层神经元,k为输出层神经元。
2.BP神经网络的逼近
BP网络逼近的结构如下图所示，图中k为网络的迭代步骤，u（k）和y（k）为逼近器的输入。
BP为网络逼近器，y（k）为被控对象实际输出，yn（k）为BP的输出。
将系统输出y（k）及输入u（k）的值作为逼近器BP的输入，将系统输出与网络输出的误差作为逼近器的调整信号。
图2.1
用于逼近的BP网络如上右图所示
3.BP算法的学习
BP算法的学习过程由信息的正向传播和误差的反向传播两个过程组成。
在正向传播过程中，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；
中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；
最后一个隐层传递到输出层各神经元的信息，经进一步处理后，由输出层向外界输出信息处理结果。
当实际输出与期望输出不符时，进入误差的反向传播阶段。
误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。
周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度。
四、实验设计过程及结果
1、写出三容水箱各流量液位的数学表达式：
q1=3.5*k;
q2=21*sqrt（h）;
h=h+（q1-q2）/s;
s=120;
五、程序
%BPidentification
xite=0.50;
alfa=0.05;
w2=rands（6,1）;
w2_1=w2;
w2_2=w2_1;
w1=rands（2,6）;
w1_1=w1;
w1_2=w1;
dw1=0*w1;
x=[0,0]'
;
u_1=0;
y_1=0;
I=[0,0,0,0,0,0]'
Iout=[0,0,0,0,0,0]'
FI=[0,0,0,0,0,0]'
ts=0.001;
fork=1:
1000
time（k）=k*ts;
u（k）=0.50*sin（3*2*pi*k*ts）;
y（k）=u_1^3+y_1/（1+y_1^2）;
forj=1:
6
I（j）=x'
*w1（:
j）;
Iout（j）=1/（1+exp（-I（j）））;
end
yn（k）=w2'
*Iout;
%OutputofNNInetworks
e（k）=y（k）-yn（k）;
%Errorcalculation
w2=w2_1+（xite*e（k））*Iout+alfa*（w2_1-w2_2）;
6
FI（j）=exp（-I（j））/（1+exp（-I（j）））^2;
2
forj=1:
dw1（i,j）=e（k）*xite*FI（j）*w2（j）*x（i）;
end
w1=w1_1+dw1+alfa*（w1_1-w1_2）;
%%%%%%%%%%%%%%Jacobian%%%%%%%%%%%%%%%%
yu=0;
yu=yu+w2（j）*w1（1,j）*FI（j）;
dyu（k）=yu;
x
（1）=u（k）;
x
（2）=y（k）;
w1_2=w1_1;
u_1=u（k）;
y_1=y（k）;
plot（time,y,'
r'
time,yn,'
b'
xlabel（'
times'
ylabel（'
yandyn'
plot（time,y-yn,'
error'
plot（time,dyu）;
dyu'
六、实验结果
七、实验总结。
本次实验我了解BP神经网络控制的基本算法，熟悉掌握论文matlab程序的编写；
了解智能控制中BP神经网络控制的基本原理及思路，并应用于实践；
在控制单容水箱中有比较良好的效果；
在调试过程中，熟悉了调试的方法，根据结果分析如何设置调整参数要有足够的耐心。
在编写程序方面由于是使用课本上的参考程序，因此没有遇到问题，主要的疑问是在选择参数上，最后在老师和同学的帮助下，确定了参数的变化范围，改变两个参数后，得到仿真结果，分析后得到结论，实验顺利结束，通过BP神经网络逼近的方法，使单容水箱中的H能够基本稳定。
实验三专家PID控制
设计专家PID控制
升级会员 