北科大自动化专选——智能控制理论实验剖析.doc

《智能控制理论基础》 实 验 报 告 学 院 专业班级 姓名 学号  实验一 采用SIMULINK的系统仿真 一、实验目的及要求： 1.熟悉SIMULINK 工作环境及特点 2.掌握线性系统仿真常用基本模块的用法 3.掌握SIMULINK 的建模与仿真方法 二、实验内容： 了解SIMULINK模块库中各子模块基本功能 ………连续系统模块 ………离散系统模块 ………函数与表模块 …………数学模块 ………非线性模块 ………信号与系统模块 ………输出模块 ………输入源模块 ………子系统模块 通过实验熟悉以上模块的使用。 2. SIMULINK 的建模与仿真方法 （1）打开模块库，找出相应的模块。鼠标左键点击相应模块，拖拽到模型窗口中即可。 （2）创建子系统： 当模型大而复杂时，可创建子系统。 （3）模块的封装： （4）设置仿真控制参数。 3．SIMULINK仿真实际应用 PID控制器的仿真实现。 控制对象的开环传递函数如下图： 加入PID控制器，求系统单位负反馈闭环单位阶跃响应，要求通过调节器的作用使系统满足超调量20%，上升时间3s，调节时间10s的要求。使输出曲线如下图。要求加入的PID控制器封装成一个模块使用。 相应PID参数如下： 三、实验报告要求： 1.针对具体实例写出上机的结果，体会其使用方法，并作出总结。 Simulink仿真图如下 相应的曲线符合要求 总结： SIMULINK建模与仿真，加上负反馈构成闭环传递系统，然后加上块行曲线调节。实验二 BP神经网络设计 一、实验目的 1. 熟悉神经网络的特征、结构以及学习算法 了解神经网络的结构对控制效果的影响 ???? 掌握用MATLAB实现神经网络控制系统仿真的方法。 人工神经网络ANN(Artificial Neural Network)系统由于具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播(Back Propagation)算法的多层前馈网络(Muhiple-LayerFeedforward Network)，即BP网络，可以以任意精度逼近任意连续函数，所以广泛地应用于非线性建模、函数逼近和模式分类等方面。 1.BP网络算法实现 BP算法属于算法，是一种监督式的学习算法。其主要思想是：对于M个输人学习样本，已知与其对应的输出样本。学习的目的是用网络的实际输出与目标矢量之间的误差来修改其权值，使实际与期望尽可能地接近，即使网络输出层的误差平方和达到最小，他是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。 2.BP网络的设计 在MATLAB神经网络工具箱中．有很方便的构建神经网络的函数。对于BP网络的实现．其提供了四个基本函数：newff，init．train和sim．它们分别对应四个基本步骤．即新建、初始化、训练和仿真。 (1)初始化前向网络 初始化是对连接权值和阈值进行初始化。initff函数在建立网络对象的同时，自动调用初始化函数，根据缺省的参数对网络的连接权值和阈值进行初始化。 格式： [wl，bl，w2，b2]=initff(p，sl，fl，s2，f2) 其中P表示输入矢量，s表示神经元个数，f表示传递函数，W表示权值，b表示阈值。 (2)训练网络 BP网络初始化以后，就可对之进行训练了。函数采用批处理方式进行网络连接权值和阈值的更新，要对其参数进行设置，如学习步长、误差目标等，同时在网络训练过程中，还用图形显示网络误差随学习次数的变化。 ①基本梯度下降法训练网络函数trainbp 格式： [wl，bl，w2，b2，te，tr]；trainbp(wl，bl，fl，w2，b2，f2，p，t，tp) ② 带有动量项的自适应学习算法训练网络函数tra