智能控制实验报告摘要.docVIP

智能控制仿真实验 实验一 模糊控制系统的仿真实验 实验二 BP神经网络的仿真实验 实验三 遗传算法仿真实验 实验四 智能控制实际工程处理（选做） 实验一 模糊控制系统的仿真实验 实验目的： 现有被控对象一：G(s)=1/(s2+2s+1) 被控对象二：G(s)=K /【(T1s+1)(T2s+1) 】 试设计一个模糊控制系统来实现对它的控制，并完成以下任务 实验任务一：请根据以上的数据重新仿真一下，看Ke的变化对系统性能的影响是否如此？然后仍以G(s)=1/(s2+2s+1) 为被控对象，按照同样的方法仿真并分析Kc、Ku的变化对系统性能的影响。 1.相同参数不同控制器解模方法下的图形 BISECTOR MOM SOM LOM 2.不同参数相同解模方法下的图形（解模方法均为BISECTOR） （1）Ke的影响（Kc=5，Ku=8） Ke=1 Ke=0.5 （2）Kc的影响（Ke=9，Ku=8） Kc=1 Kc=0.5 （3）Ku的影响（Ke=9，Kc=5） Ku=1 Ku=0.5 小结： 由以上图形分析可得，不同的解模方法输出的结果不同，经比较BISECTOR的解模方法更加合适。 参数Kc、Ku不变时，随着Ke的减小，上升时间将增大；Ke、Ku不变时，随着Kc的减小超调变大；Ke、Kc不变时随着Ku的减小，输出越来越低于1。可知Ke=9、Kc=5、Ku=8更为合适。 实验任务二：仍使用以上设计的模糊控制器，被控对象为： G(s)=K /【(T1s+1)(T2s+1)】 ，被控对象的参数有以下四组： 第一组参数： G(s)=20/【(1.2s+1)(4s+1)】 第二组参数： (s)=20/【(0.4s+1)(4s+1)】 第三组参数： G(s)=20/【(2s+1)(4s+1)】 第四组参数： G(s)=20/【(2s+1)(8s+1)】 请根据由任务一得到的Ke、Kc、Ku的变化对系统性能影响的规律，选择第一组参数作为被控对象参数，调试出适合该系统的最佳的Ke、Kc、Ku和反模糊化方法；并在你调出的最佳的Ke、Kc、Ku状态下，将对象参数分别变成第二、三、四组的参数，仿真出结果，并分析fuzzy controller的适应能力。 G(s)=20/【(1.2s+1)(4s+1)】 (s)=20/【(0.4s+1)(4s+1)】 G(s)=20/【(2s+1)(4s+1)】 G(s)=20/【(2s+1)(8s+1)】 小结：对于二阶系统来说，不同的参数，适应能力均不错。 实验任务三：仍保持你在前面得到的量化因子Ke、Kc、Ku不变，取被控对象为： G(s)=20/【(1.2s+1)(4s+1)】，把对象的结构分别变成一阶系统、三阶系统时，仿真系统的响应，分析fuzzy controller的适应能力。 9 5 8G(s)=20/(4s+1) G(s)=20/(1.2s+1)(4s+1) G(s)=20/(1.2s+1)(4s+1)(s+1) 小结：由以上一阶、二阶、三阶图像可知，fuzzy controller对于二阶的适应性能更好，对于一阶、三阶效果太差。 实验二 BP神经网络的仿真实验 BP神经网络是众多神经网络结构中的一种，它通常由：输入层、隐含层、输出层组成，而采用的学习算法为误差反向传播，因此称为feedback back propagation Network，简称为BP神经网络。 一、实验目的 学会用matlab的神经网络工具箱（Nntool）来完成神经网络可逼近函数的功能。 二、实验任务 仿造例2－1设计一个两层的BP神经网络。输入范围为[－1 1]，样本输入x和目标输出y为： x=-1:0.01:1； y=（1－x2）1/2 训练该网络使输出在区间[-1 1] 内逼近该函数。 要求：通过仿真画出y=（1－x2）1/2 和在样本输入x的情况下神经网络输出的图形，分析你所设计的神经网络的逼近性能如何？ y=（1－x2）1/2 拟合效果： 局部放大效果： 由图形可知，拟合效果很好。 实验三 遗传算法仿真实验 遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索，一般由初始化、选择、交叉、突然变异四部分组成；它的一个重要应用就是数值优化。 一、实验目的： 1、了解用于数值优化的遗传算法的原理 2、用matlab语言编程实现遗传算法 二、实验任务： 根据前面的函数one，计算以下一元函数的最大值并按上例所示画出适应度函数图： 1、f(x)=x2+4x+6 x∈[1,5] 要求解精确到6位小数 2、f(x)=xsin(10πx)+2 x∈[-1,2] 要求解精确到6位小数 One 函数： function [Max_Value,x]=one