智能控制大作业(课本P236.docVIP

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（单位阶跃信号），y为系统输出，被控对象的传递函数为 解： 连续模型离散化 %工作的第一步：连续模型离散化 clear all close 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 + 1 Transfer function: 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 径向基函数（Radial Basis Function,RBF）神经网络是由J.Moody 和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 在RBF结构中，X=[x1,x2,...,xn]T为网络的输入向量。 设RBF网络的径向基向量 H=[h1,h2,...,hm]T, 其中hj为高斯基函数，即 hj=exp(-||X-Cj||^2/(2*bj^2)), j=1,2,.....,m 式中，网络第j个节点的中心向量为 Cj=[cj1,cj2,....,cjn]T, i=1,2,...,n 设网络的基宽向量为 B=[b1,b2,....,bm]T bj为节点j的基宽参数，且为大于零的数。 网络的权向量为 W=[w1,w2,...,wm]T RBF网络的输出为 ym(k)=w1*h1+w2*h2+....+wm*hm RBF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)+η(y(k)-ym(k))hj+α*(wj(k-1)-wj(k-2)) △bj=(y(k)-ym(k))wj*hj*(||X-Cj||^2/(bj^3)) bj(k)=bj(k-1)+η△bj+α*(bj(k-1)-bj(k-2)) △cji=(y(k)-ym(k))wj*(xi-cji)/(bj^2) cji(k)=cji(k-1)+η△cji+α*(cji(k-1)-cji(k-2)) 式中，η为学习速率，α为动量因子，η?[0,1]，α?[0,1]。 2）高级神经网络 模糊RBF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 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 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 第三层：模糊推理层 该层通过与模糊