智能控制实验报告.doc

发布时间：2022-06-09 发布人：admin 分类：说明书资料大小：0.99M 资料格式：doc 举报版权申诉

olddrivre-10340519-4744302543286531988.doc.pdf-第1页.png

第1页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第2页.png

第2页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第3页.png

第3页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第4页.png

第4页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第5页.png

第5页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第6页.png

第6页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第7页.png

第7页 / 共15页

olddrivre-10340519-4744302543286531988.doc.pdf-第8页.png

第8页 / 共15页

文本预览

1.1 模糊控制器的设计一、实验目的在 matlab 环境下，完成一个对水位控制的模糊控制器的设计。二、实验内容（1）确定控制器的输入、输出的隶属度函数偏差 e(t) ：e(t)=r(t)－c(t)负反馈三个模糊子集“负大”(水位高）、“零”和“正大”（水位低）。偏差变化率： de，三个模糊子集“负大”（高趋势）、“零”和“正大”（低趋势）。控制量 u：“负大”、“负中”、“零”、“正中”、“正大”。 Matlab 操作方法：打开 matlab 在命令行输入：fuzzy 出现下图界面：在上图选择“edit”出现下图：选择“Add Variable-- Input”再添加输入

这样就建立了两个输入，一个输出的模糊控制器。再修改输入、输出的各参数： input1 改为 e；input2 改为 de; output1 改为 u ;如下图：双击“e” ,修改模糊子集：如下图修改 e 的负大：注意各参数的设置修改好的 e 的模糊子集如下图：

用同样的方法修改 de 如下图：修改 u 的方法如下图：需要 5 个模糊子集添加模糊子集的方法：在“edit”菜单下选择“Add Custom MF” 下图是对”O”这个模糊子集的设置：

设置好的 u 的模糊子集如下图： (2)添加规则的方法：添加规则的界面如下：这样一个模糊推理控制器就建立完毕了。

（3）利用模糊控制器可以得到规则曲面以及根据输入得到输出如上图操作可以得到规则曲面：如下图可以得到规则的推理结果：

改变上图 e 和 de 的值，可以看到 u 的不同的输出。然后可以把该系统存为 tank.fis. 三．写出实验的心得体会

实验 2 基于 MATLAB 的神经网络设计一实验目的： 1 掌握 matlab 工具箱设计前馈型神经网络的方法 2 掌握图形用户界面的神经网络工具的设计方法二实验内容： 1 感知器线形分类器设计已知：样本点（0，0），（1，1），（1，3），（3，1），（3，3），（5，5）。对应目标：t=[0 0 0 1 1 1] 编程设计感知器，实现样本点的分类。用测试样本进行分类测试。新建 m 文件，参考程序： p=[0 1 1 3 3 5;0 1 3 1 3 5]; t=[0 0 0 1 1 1]; ptest=[0 1 3 4; 3 2 2 1]; net=newp(minmax(p),1); [net tr]=train(net,p,t); iw1=net.iw{1}; b1=net.b{1}; epoch1=tr.epoch; perf1=tr.perf; %六个输入样本 %样本的目标值 %四个测试样本 %创建感知器网络 %训练网络 %得到感知器的权值 %得到阈值 %得到训练的次数 %训练每步误差 plotpv(p,t); plotpc(net.iw{1},net.b{1}); figure; %显示训练样本 %显示分类面 % pause; % pause; t2=sim(net,ptest); plotpv(ptest,t2); plotpc(iw1,b1); 2 设计前馈网络逼近平方函数 %对测试样本进行仿真 %显示测试样本 %再显示分类面 y x 2 。 x  区间上逼近平方函数设计前馈网络在 [0,10] 新建 m 文件，产生 100 个样本，建立网络进行仿真。参考程序： rand(‘state’,sum(100*clock)) ; p=10*rand(1,100) ; t=p.^2 ; Testp=0 :0.1 :10 ; net=newff([0 10],[5 1],{‘tansig’ net.trainParam.epochs=50 ; net.trainParam.goal=0.0001 ; %设置随机函数种子 %样本随机输入 %训练样本的目标值 %测试样本 ‘purelin’},’trainlm’) ; %建立前馈网络 %设置最大训练次数 %设置误差目标

net.trainParam.show=1 ; net=train.(net,p,t) ; y2=sim(net,p) ; plot(p,t,’r+’,p,y2,’.’) ; figure; y3=sim(net,Testp) ; plot(Testp,y3,’k.’) ; 3 图形工具设计神经网络 %多少步显示误差 %训练神经网络 %仿真输出 %显示输出曲线 %显示测试样本 %再显示测试样本输出曲线 y  2 2  x   x / 2) 2 )exp( x 在图形界面下设计前馈型网络，在区间 [-4,4] 上逼近函数 1.1(1 在命令行键入输入变量：>> indata=-4:0.1:4; 得到函数目标输出：targetdata=1.1*(1-indata+2*indata.*indata).*exp(-indata.*indata/2) ; 在命令窗口输入： nntool 出现如下图形界面。图 1 图形界面点击 import 按钮，添加输入变量和目标输出变量；

分享到：

赞收藏

资料库

智能控制实验报告.doc

相关推荐

课程资源

热门标签

最新资料