智能控制实验指导书(定稿)

模糊控制器的实验程序

《智能控制》实验指导书

董海鹰 编写

自动化系

模糊控制器的实验程序

实验一 模糊集合运算、模糊规则合成运算

一、实验目的

1、掌握Matlab模糊工具箱的应用。 2、掌握模糊集合的基本运算。 3、掌握模糊集合运算的基本定律。 4、掌握模糊条件推理方法。 二、实验设备

1、PC机

2、Matlab软件 3、打印机 三、实验内容

1、求模糊集合的并、交、补

设论域U {u1,u2,u3,u4,u5}中的两个模糊子集为

A

0.60.510.40.3

u1u2u3u4u50.50.60.30.40.7

u1u2u3u4u50.20.60.50.60.1

u1u2u3u4u5

B

C

求出A B,A B,,

2、求模糊集合的结合律和分配律

模糊子集同上，验证A (B C) (A B) C，A B B A 3、模糊条件推理

语言规则为：如果x是A，则y是B，否则y是C，其模糊关系为

R (A B) ( C)

有了这个模糊关系矩阵，就可以根据模糊推理合成规则，将输入A' 与该关系

模糊控制器的实验程序

矩阵R进行合成得到模糊推理结论B'，即

B' A' R A' [(A B) ( C)]

对于一个系统，当输入A时，输出为B，否则为C，且有

A

0.60.510.40.3

u1u2u3u4u50.50.60.30.40.7

v1v2v3v4v50.20.60.50.60.1

v1v2v3v4v5

B

C

已知当前输入A'

0.50.30.80.20.1

，求输出D

u1u2u3u4u5

四、实验报告

1、分析模糊条件推理 2、整理、分析结果 五、思考题

1、分析多输入模糊条件推理方法

模糊控制器的实验程序

实验二 模糊控制器设计

一、实验目的

1、掌握Matlab模糊工具箱的应用。

2、掌握基本模糊推理系统编辑器的应用。 3、掌握Simulink模糊控制系统仿真方法。 4、掌握控制系统的模糊控制器设计方法。 二、实验设备

1、 PC机

2、 Matlab软件 3、 打印机 三、实验内容

1、 控制系统的传递函数模型为

G(s)

2.8100

，或G(s) 2

10s 1s 0.8s 100

分析其特点。

2、 针对上述系统，通过模糊系统编辑器建立一个模糊推理系统。步骤如下：

（1） 在Matlab命令窗口执行fuzzy命令即可激活基本模糊推理系

统编辑器（FIS Editor），见图1所示。

图1 FIS 编辑器

模糊控制器的实验程序

（2） 在基本模糊编辑器中选择定义变量。 （3） 进行变量的隶属函数编辑，编辑窗口见图2。

图2 隶属函数编辑窗口

（4） 在基本模糊编辑器中选择规则编辑，按控制规则进行编辑，

编辑窗口见图3。

图3 规则编辑窗口

3、 在Simulink中建立仿真系统，仿真在阶跃信号作用下的输出响应。系统

仿真结构图如图4所示：

模糊控制器的实验程序

图4 仿真结构图

4、 当输入为阶跃信号时，再加入干扰信号，观测控制效果。 四、实验报告

1、 说明建立仿真系统步骤及k1,k2,k3对系统的影响。 2、 分析、整理仿真结果。 五、思考题

1、比较PID控制与模糊控制的特点。

模糊控制器的实验程序

实验三 多层前馈网络与BP学习算法仿真

一、实验目的

1、掌握Matlab神经网络工具箱的应用。 2、了解基本BP算法。 3、了解改进的BP算法。

4、认识多层前馈神经网络的函数逼近能力。 二、实验设备

1、 PC机 2、 Matlab软件 3、 打印机 三、实验内容

1、设计一个3层神经网络，输入层有1个神经元，隐层有5个神经元，输

出层有1个神经元。 2、运用设计的BP网络来完成函数逼近的任务。设输入样本和目标矢量为： p=-1:0.1:1;

t=[-0.9602,-0.5770,-0.0729,0.3771,0.6405,0.6600,0.4609,0.1336,-0.2013,-0.4344,-0.5000,-0.3930,-0.1647,0.0988,0.3072,0.3960,0.3449,0.1816,-0.312,-0.2189,-0.3201];

3、设计Matlab程序，画出函数逼近的结果曲线。 四、实验报告

1、说明基本BP算法。 2、分析、整理实验结果。 五、思考题

1、说明人工神经网络的函数逼近能力及其在控制领域中的作用。

附录1：参考程序

%initff------对前向网络进行初始化 %trainbp-----用BP算法进行训练 %simuff------计算网络输出

模糊控制器的实验程序

p=-1:0.1:1;

t=[-0.9602,-0.5770,-0.0729,0.3771,0.6405,0.6600,0.4609,0.1336,-0.2013,-0.4344,-0.5000,-0.3930,-0.1647,0.0988,0.3072,0.3960,0.3449,0.1816,-0.312,-0.2189,-0.3201]; plot(p,t,'+');

title('Ttraining Vectors'); xlabel('Input Vector P'); ylabel('Target Vector T'); S1=5;

[w1,b1,w2,b2]=initff(p,S1,'tansig',t,'purelin'); k=pickic; if k==2

w1=[3.500;3.500;3.500;3.500];

b1=[-2.8562;1.0774;-0.5880;1.4083;2.8722]; w2=[0.2622 -0.2375 -0.4525 0.2361 -0.1718]; b2=[0.1326]; end df=10; me=8000; eg=0.02; lr=0.01; tp=[df me eg lr];

[w1,b1,w2,b2,ep,tr]=trainbp(w1,b1,'tansig',w2,b2,'purelin',p,t,tp); ploterr(tr,eg); p=0.5;

a=simuff(p,w1,b1,'tansig',w2,b2,'purelin')