完整word版模糊控制设计及仿真实例智能控制作业word文档良心出品.docx
《完整word版模糊控制设计及仿真实例智能控制作业word文档良心出品.docx》由会员分享，可在线阅读，更多相关《完整word版模糊控制设计及仿真实例智能控制作业word文档良心出品.docx（14页珍藏版）》请在冰点文库上搜索。
完整word版模糊控制设计及仿真实例智能控制作业word文档良心出品
1.一个三阶系统
，其中a,b的值由自己设定，该系统具有非线性环节，如下图所示：
依据上述条件设计一个模糊控制器：
①用MATLAB仿真，得出仿真结果，
②并通过改变a、b值对仿真结果的影响；
③改变隶属度函数，从仿真结果图分析隶属度函数，模糊化对系统的影响；
解：
①
（1）取b0=0,b1=0,b2=1.5,a1=4,a2=2,a3=0,在SIMULINK里建模如下图所示
（2）用GUI建立FIS
E和EC分别为系统输出误差和误差的变化量，U为控制输出，编辑其隶属度函数如下
编辑模糊推理规则如下
（3）仿真结果如下
2自己选定一个对象，设计一个神经网络控制系统。
解：
被控对象为y（k）=0.3y（k-1）+0.2y（k-2）+0.1u（k-1）+0.6u（k-2）,采用单神经元PID控制，控制结构如下图所示：
采用有监督的Hebb学习规则，控制算法及学习算法如下：
式中，
输入信号为方波：
仿真程序如下：
clearall;
closeall;
x=[0,0,0]';
xiteP=0.40;
xiteI=0.35;
xiteD=0.40;
wkp_1=0.10;
wki_1=0.10;
wkd_1=0.10;
error_1=0;
error_2=0;
y_1=0;y_2=0;y_3=0;
u_1=0;u_2=0;u_3=0;
ts=0.001;
fork=1:
1:
1000
time（k）=k*ts
rin（k）=0.5*sign（sin（4*pi*k*ts））;
yout（k）=0.3*y_1+0.2*y_2+0.1*u_1+0.6*u_2;
error（k）=rin（k）-yout（k）;
wkp（k）=wkp_1+xiteP*error（k）*u_1*x
（1）;%P
wki（k）=wki_1+xiteI*error（k）*u_1*x
（2）;%I
wkd（k）=wkd_1+xiteD*error（k）*u_1*x（3）;%D
K=0.12;
x
（1）=error（k）-error_1;
x
（2）=error（k）;
x（3）=error（k）-2*error_1+error_2;
wadd（k）=abs（wkp（k））+abs（wki（k））+abs（wkd（k））;
w11（k）=wkp（k）/wadd（k）;
w22（k）=wki（k）/wadd（k）;
w33（k）=wkd（k）/wadd（k）;
w=[w11（k）,w22（k）,w33（k）];
u（k）=u_1+K*w*x;%Controllaw
ifu（k）>10
u（k）=10;
end
ifu（k）<-10
u（k）=-10;
end
u_3=u_2;u_2=u_1;u_1=u（k）;
y_3=y_2;y_2=y_1;y_1=yout（k）;
wkp_1=wkp（k）;
wkd_1=wkd（k）;
wki_1=wki（k）;
end
figure
（1）;
plot（time,rin,'b',time,yout,'r'）;
xlabel（'time（s）'）;ylabel（'rin,yout'）;
figure
（2）;
plot（time,error,'r'）;
xlabel（'time（s）'）;ylabel（'error'）;
figure（3）;
plot（time,u,'r'）;
xlabel（'time（s）'）;ylabel（'u'）;
仿真结果如下：
3.前向神经网络拟合一个函数y=sin（x）*cos（10x）,取n个样本，神经网络的层数和每层的点数可自定。
解：
1.画出待拟合函数的样本点
在Matlab的“CommandWindow”输入以下命令：
x=-pi:
0.05:
pi;
y=sin（x）.*cos（10*x）;
plot（x,y,'r+'）
得到待拟合函数的样本点如下所示
2.建立BP网络
建立2层BP神经网络，隐层神经元数目可改变，暂设n=50，输出层1个神经元。
选择隐层和输出层神经元传递函数分别为tansig（）和purelin（），网络训练采用默认的Levenberg-Marquardt算法trainlm。
继续在Matlab的“CommandWindow”输入以下命令：
n=50;
net=newff（minmax（x）,[n,1],{'tansig','purelin'},'trainlm'）;
y1=sim（net,x）;
figure;
plot（x,y,'r+',x,y1,'--'）
得到初始网络的输出曲线如下图
图中蓝色曲线即为未训练网络的输出，因为网络建立时权值和阈值初始化是随机的，所以网络输出结果很差，达不到拟合的目地，并且每次运行的结果也有所不同。
3.网络训练
继续在“CommandWindow”输入以下命令：
net.trainParam.epochs=50;
net.trainParam.goal=0.01;
net=train（net,x,y）;
训练后得到的误差变化过程如下图
4.网络测试
对训练好的网络进行仿真，继续输入以下命令：
y2=sim（net,x）;
figure;
plot（x,y,'r+',x,y1,'--',x,y2,'r--'）
得到网络输出曲线，并与原始曲线以及未训练网络的输出结果曲线相比较，如下图所示
课堂作业：
1、智能手机充电器系统设计与仿真（9月19日，自动化1班）
2、电机软启动智能控制系统设计与仿真（9月26日，自动化2班）
3、智能洗衣机控制系统设计与仿真（10月10日，自动化3班）
4、智能电饭煲控制系统设计与仿真（10月17日，建筑设施1班）
5、智能水温恒温控制系统设计与仿真（10月24日，建筑设施2班）
6、温度闭环控制系统设计与仿真（10月31日，兴湘自动化）
以上题目采用模糊控制、PID、神经网络中的一种或者几种的综合。
每个题目分系统原理、硬件构成、算法分析和系统仿真四个部份，每个题目5个人；其中一人做PPT；
升级会员 