《智能控制大作业(课本P236》由会员分享，可在线阅读，更多相关《智能控制大作业(课本P236（14页珍藏版）》请在金锄头文库上搜索。
1、智能控制大作业设模糊神经网络控制系统原理结构如图 7-62 所示，图中为系统期望输出（单dy位阶跃信号） ，y 为系统输出，被控对象的传递函数为ssesesTKsG48011 1160022 1)( yK2K3对象K1学习算法FNNC_dy y解：解： 连续模型离散化 %工作的第一步：连续模型离散化clear allclose all H = tf(0 22,1600 1,inputdelay,480) %得到 G(s)Hd = c2d(H,1,foh)程序运行结果：Transfer function:22 exp(-480*s) * -1600 s + 1MATLABTransfer fun
2、ction:0.006874 z + 0.006872 %将 G(s)离散化 z(-480) * -z - 0.9994 Sampling time: 1 因为：T0=1,T1=1600,=480,K1=22,由计算可得：m=480,a1=0.9994,b1=0.006872所以被控对象仿真模型可表示为：y(k+1)=0.9994y(k)+0.006872u(k-480-1)+d1+d2令 d1=0.5sin(0.0314k),d2=0.5random(1)。一、模糊神经网络理论一、模糊神经网络理论径向基函数（Radial Basis Function,RBF）神经网络是由 J.Moody 和
3、C.Darken 于 20 世纪 80 年代末提出的一种神经网络，它是具有单隐层的 3 层前馈网络。RBF 中的作用函数是高斯基函数，其值在输入空间中有限范围内为非零值，因而 RBF 网络是局部逼近的网络。1）RBF 网络的逼近网络的逼近在 RBF 结构中，X=x1,x2,.,xnT为网络的输入向量。设 RBF 网络的径向基向量H=h1,h2,.,hmT, 其中 hj 为高斯基函数，即hj=exp(-|X-Cj|2/(2*bj2), j=1,2,.,m式中，网络第 j 个节点的中心向量为Cj=cj1,cj2,.,cjnT, i=1,2,.,n设网络的基宽向量为B=b1,b2,.,bmTbj 为
4、节点 j 的基宽参数，且为大于零的数。网络的权向量为W=w1,w2,.,wmTRBF 网络的输出为ym(k)=w1*h1+w2*h2+.+wm*hmRBF 网络逼近的性能指标函数为E(k)=(y(k)-ym(k)2/2根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下wj(k)=wj(k-1)+(y(k)-ym(k)hj+*(wj(k-1)-wj(k-2)bj=(y(k)-ym(k)wj*hj*(|X-Cj|2/(bj3)bj(k)=bj(k-1)+bj+*(bj(k-1)-bj(k-2)cji=(y(k)-ym(k)wj*(xi-cji)/(bj2)cji(k)=cji(k-1
5、)+cji+*(cji(k-1)-cji(k-2)式中， 为学习速率， 为动量因子，0,1，0,1。2）高级神经网络）高级神经网络模糊模糊 RBF 网络网络在模糊系统中，模糊集，隶属函数和模糊规则的设计是建立在经验知识基础上的。这种设计方法存在很大的主观性。将学习机制引入到模糊系统中，使模糊系统能够通过不断学习来修改和完善隶属函数和模糊规则，这是模糊系统发展的方向。模糊系统与模糊神经网络既有区别又有联系，其联系表现为模糊神经网络本质上是模糊系统的实现，其区别表现为模糊神经网络又具有神经网络的特性。在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来
6、表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。网络结构网络结构模糊 RBF 神经网络结构由输入层、模糊化层、模糊推理层和输出层构成。第一层：输入层该层的各个节点直接与输入量的各个分量连接，将输入量传到下一层。对该层的每个节点i 的输入输出表示为ixif)(1第二层：模糊化层采用高斯函数作为隶属函数，cij和 bj分别是第 i 个输入变量第 j 个模糊集合的隶属函数的均值和标准差。即)exp(),(2 2jnetjif22 12 )()(jij jbcifnet第三层：模糊推理层该层通过与模糊化层的连接来完成模糊规则的匹配，各个节点之间实现模糊运算，即通过各个
7、模糊节点的组合得到相应的点火强度。每个节点 j 的输出为该节点所有输入信号的乘积，即),()(123jifjfNj 式中，为输入层中第 i 个输入隶属函数的个数，即模糊化节点数。iniiNNN,1 第四层：输出层输出层为，即 f4(l)=Wf3=4f)(),(3 1jfjlNj 式中，为输出层节点的个数，W 为输出层节点与第三层各节点的连接权矩阵。l二、利用模糊算法利用模糊算法1）模糊控制器设计及仿真结果% 模糊控制器的设计仿真程序：fuzzy236.m%fuzzy controller design clear allclose all%2 个输入，1 个输出，49 个规则。a=newfis
8、(fuzzf);f1=1;a=addvar(a,input,e,-3*f1,3*f1); %parameter ea=addmf(a,input,1,NB,zmf,-3*f1,-1*f1); %Z 形隶属函数a=addmf(a,input,1,NM,trimf,-3*f1,-2*f1,0); %三角形隶属函数a=addmf(a,input,1,NS,trimf,-3*f1,-1*f1,1*f1); %三角形隶属函数a=addmf(a,input,1,Z,trimf,-2*f1,0,2*f1); %三角形隶属函数a=addmf(a,input,1,PS,trimf,-1*f1,1*f1,3*f1
9、); %三角形隶属函数a=addmf(a,input,1,PM,trimf,0,2*f1,3*f1); %三角形隶属函数a=addmf(a,input,1,PB,smf,1*f1,3*f1); %S 形隶属函数f2=0.5a=addvar(a,input,ec,-3*f2,3*f2); %parameter eca=addmf(a,input,2,NB,zmf,-3*f2,-1*f2); %Z 形隶属函数a=addmf(a,input,2,NM,trimf,-3*f2,-2*f2,0); %三角形隶属函数a=addmf(a,input,2,NS,trimf,-3*f2,-1*f2,1*f2);
10、 %三角形隶属函数a=addmf(a,input,2,Z,trimf,-2*f2,0,2*f2); %三角形隶属函数a=addmf(a,input,2,PS,trimf,-1*f2,1*f2,3*f2); %三角形隶属函数a=addmf(a,input,2,PM,trimf,0,2*f2,3*f2); %三角形隶属函数a=addmf(a,input,2,PB,smf,1*f2,3*f2); %S 形隶属函数f3=0.5;a=addvar(a,output,u,-1*f3,1*f3); %parameter ua=addmf(a,output,1,NB,zmf,-1*f3,-1/3*f3);a=
11、addmf(a,output,1,NM,trimf,-1*f3,-2/3*f3,0);a=addmf(a,output,1,NS,trimf,-1*f3,-1/3*f3,1/3*f3);a=addmf(a,output,1,Z,trimf,-2/3*f1,0,2/3*f1);a=addmf(a,output,1,PS,trimf,-1/3*f3,1/3*f1,1*f3);a=addmf(a,output,1,PM,trimf,0,2/3*f3,1*f3);a=addmf(a,output,1,PB,smf,1/3*f3,1*f3);rulelist=1 1 1 1 1;1 2 1 1 1;1
12、3 2 1 1;1 4 2 1 1;1 5 3 1 1;1 6 3 1 1;1 7 4 1 1;2 1 1 1 1;2 2 2 1 1;2 3 2 1 1;2 4 3 1 1;2 5 3 1 1;2 6 4 1 1;2 7 5 1 1;3 1 2 1 1;3 2 2 1 1;3 3 3 1 1;3 4 3 1 1;3 5 4 1 1;3 6 5 1 1;3 7 5 1 1;4 1 2 1 1;4 2 3 1 1;4 3 3 1 1;4 4 4 1 1;4 5 5 1 1;4 6 5 1 1;4 7 6 1 1;5 1 3 1 1;5 2 3 1 1;5 3 4 1 1;5 4 5 1 1;5
13、5 5 1 1;5 6 6 1 1;5 7 6 1 1;6 1 3 1 1;6 2 4 1 1;6 3 5 1 1;6 4 5 1 1;6 5 6 1 1;6 6 6 1 1;6 7 7 1 1;7 1 4 1 1;7 2 5 1 1;7 3 5 1 1;7 4 6 1 1;7 5 6 1 1;7 6 7 1 1;7 7 7 1 1;a=addrule(a,rulelist);%showrule(a) %show fuzzy rule basea1=setfis(a,DefuzzMethod,mom);%defuzzywritefis(a1,fuzzf);a2=readfis(fuzzf);d
14、isp(.);disp( fuzzy controller table:e=-3,+3,ec=-1.5,+1.5 );disp(.);Ulist=zeros(7,7);for i=1:7for j=1:7e(i)=-4+i;ec(j)=-4+jUlist(i,j)=evalfis(e(i),ec(j),a2);endendUlist=ceil(Ulist);figure(1);plotfis(a2); %得到模糊推理系统figure(2);plotmf(a,input,1);figure(3);plotmf(a,input,2);figure(4);plotmf(a,output,1);程序运行结果如下：System fuzzf: 2 inputs, 1 outputs, 49 rulese (7)ec (7)u (7)fuzzf(
