《智能控制实验报告(经典实用)》由会员分享，可在线阅读，更多相关《智能控制实验报告(经典实用)（39页珍藏版）》请在金锄头文库上搜索。
1、智能控制课内实验报告（3次）学 院： 自动化学院 班 级： 智能 姓 名： 学 号： 39 / 39实用精品文档 智能控制课内实验（1）模糊控制器的设计学 院： 自动化学院 姓 名： 班 级： 学 号： 日 期： 2017-9-30 实验1.1模糊控制器的设计一、实验目的在matlab环境下，完成一个对水位控制的模糊控制器的设计。二、实验内容（1）确定控制器的输入、输出的隶属度函数 偏差e(t) ：e(t)=r(t)c(t)负反馈 三个模糊子集“负大”(水位高）、“零”和“正大”（水位低）。偏差变化率： de， 三个模糊子集“负大”（高趋势）、“零”和“正大”（低趋势）。控制量u：“负大”、“
2、负中”、“零”、“正中”、“正大”。Matlab操作方法：打开matlab在命令行输入：fuzzy出现下图界面：在上图选择“edit”出现下图：选择“Add Variable- Input”再添加输入这样就建立了两个输入，一个输出的模糊控制器。再修改输入、输出的各参数：input1改为 e；input2改为de; output1改为u ;如下图：双击“e” ,修改模糊子集：如下图修改e的负大：注意各参数的设置修改好的e的模糊子集如下图：用同样的方法修改de如下图：修改u的方法如下图：需要5个模糊子集 添加模糊子集的方法：在“edit”菜单下选择“Add Custom MF”下图是对”O”这个模
3、糊子集的设置：设置好的u的模糊子集如下图：(2)添加规则的方法：添加规则的界面如下：这样一个模糊推理控制器就建立完毕了。（3）利用模糊控制器可以得到规则曲面以及根据输入得到输出 如上图操作可以得到规则曲面：如下图可以得到规则的推理结果：改变上图e和de的值，可以看到u的不同的输出。然后可以把该系统存为tank.fis.三、写出实验的心得体会 总结建立模糊控制器的方法。实验1.2神经网络工具箱的应用二神经网络工具箱函数 最新版的MATLAB 神经网络工具箱为Version4.0.3, 它几乎涵盖了所有的神经网络的基本常用类型，对各种网络模型又提供了各种学习算法，我们可以根据自己的需要调用工具箱中
4、的有关设计与训练函数，很方便地进行神经网络的设计和仿真。目前神经网络工具箱提供的神经网络模型主要用于： 1. 数逼近和模型拟合； 2. 信息处理和预测； 3. 神经网络控制； 4. 故障诊断。 神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通用的，下面列表中给出了一些比较重要的工具箱函数。三仿真实例 BP 网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。BP 网络模型结构见图1。网络同层节点没有任何连接，隐层节点可以由一个或多个。网络的学习过程由正向和反向传播两部分组成。在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。每一层神经元的状态只影响到下一层神
5、经元网络，如输出层不能得到期望的输出，那么转入误差反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播过程，这两个过程反复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束。利用神经网络工具箱进行设计和仿真的具体步骤： 1. 确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形 式； 2. 确定网络模型：选择网络的类型、结构等； 3. 选择网络参数：如神经元数，隐含层数等； 4. 确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等； 5. 网络测试：选择合适的训练样本进行网络测试。 下面给出一个利用BP
6、 神经网络进行函数逼近的例子。第一步问题的提出 设计一个简单的BP 网络，实现对非线性函数的逼近，通过改变BP 网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情况。假设将要将要逼近的函数为正弦函数，其频率参数N=1，绘制此函数见图2 所示。N=1; p= - 1:0.05:1 ;t=sin (N*pi*p) ;%假设N=1，绘制此函数曲线 plot (p,t,r*); title (要逼近的非线性函数) xlabel (时间)要逼近的非线性函数第二步网络建立 应用newff () 建立两层的BP 网络，隐层神经元数目可以改变,此时S=8 ，输出层一个神经元，隐层和输出
7、层的传递函数分别为tansig 和purelin ，学习算法采用Levenberg - Marquadt ( trainlm) 。用sim() 观察初始化网络输出如图3 所示。S=8; net=newff (minmax (p) , S,1 , tansig,purelin ,trainlm); y1=sim (net,p); figure; plot (p,t, r* ,p,y1,b- ) title (未训练网络的输出结果) xlabel (时间) ylabel (仿真输出- 原函数*) legend (要逼近的非线性函数,未训练网络的输出结果)未训练时网络的输出结果结果接第三步网络训练
8、将训练时间设为10，精度为0.001，用train ()进行训练，误差曲线见图4 所示。net.trainParam.epochs=10; net.trainParam.goal=0.001; net1 = train (net,p,t);训练过程第四步网络测试 用sim()观察训练后的网络输出如图5 所示。y2 = sim (net1,p); figure; plot (p,t,r* ,p,y1,b- ,p,y2,ko) title (训练后网络的输出结果) xlabel (时间) ylabel (仿真输出) legend (要逼近的非线性函数,未训练网络的输出结果,训练后网络的输出结果)图
9、5训练后网路的输出结果从图5 可以看出经过很短时间的训练后BP 网络很好的逼近了非线性函数。讨论： 1. 改变非线性函数的频率，即改变N 的值时发现，网络的训练时间会长些， 逼近效果要差些。 2. 改变隐层的神经元数目对网络的逼近效果也有影响，一般来说，隐层的 神经元数目越多，则BP 网络逼近非线性函数能力越强，但也并非隐层的神经元数目越多，网络性能就越好，而同时训练时间有所增长。四结论 智能控制课内实验（2）基于 MATLAB的神经网络设计学 院： 自动化学院 姓 名： 班 级： 学 号： 日 期： 2017-10-25 实验2 基于 MATLAB的神经网络设计一实验目的： 1掌握matla
10、b工具箱设计前馈型神经网络的方法 2掌握图形用户界面的神经网络工具的设计方法二实验内容： 1感知器线形分类器设计 已知：样本点 （0，0），（1，1），（1，3），（3，1），（3，3），（5，5）。 对应目标：t=0 0 0 1 1 1 编程设计感知器，实现样本点的分类。 用测试样本进行分类测试。新建m文件，参考程序： p=0 1 1 3 3 5;0 1 3 1 3 5; %六个输入样本 t=0 0 0 1 1 1; %样本的目标值 ptest=0 1 3 4; 3 2 2 1; %四个测试样本 net=newp(minmax(p),1); %创建感知器网络 net tr=train(net
11、,p,t); %训练网络 iw1=net.iw1; %得到感知器的权值 b1=net.b1; %得到阈值 epoch1=tr.epoch; %得到训练的次数 perf1=tr.perf; %训练每步误差 % pause; plotpv(p,t); %显示训练样本 plotpc(net.iw1,net.b1); figure; %显示分类面 % pause; t2=sim(net,ptest); %对测试样本进行仿真 plotpv(ptest,t2); %显示测试样本 plotpc(iw1,b1); %再显示分类面2设计前馈网络逼近平方函数 设计前馈网络在 区间上逼近平方函数 。 新建m文件，产
12、生100个样本，建立网络进行仿真。 参考程序： rand(state,sum(100*clock); %设置随机函数种子 p=10*rand(1,100); %样本随机输入 t=p.2; %训练样本的目标值 Testp=0:0.1:10; %测试样本 net=newff(0 10,5 1,tansig purelin,trainlm); %建立前馈网络 net.trainParam.epochs=50; %设置最大训练次数 net.trainParam.goal=0.0001; %设置误差目标 net.trainParam.show=1; %多少步显示误差 net=train.(net,p,t); %训练神经网络 y2=sim(net,p); %仿真输出 plot(p,t,r+,p,y2,.); %显示输出曲线 figure; y3=sim(net,Testp); %显示测试样本 plot(Testp,y3,k.); %再显示测试样本输出曲线3图形
