北科大自動(dòng)化專選——智能控制理論實(shí)驗(yàn)報(bào)告

1、智能控制理論基礎(chǔ)實(shí) 驗(yàn) 報(bào) 告學(xué) 院： 自動(dòng)化學(xué)院 專業(yè)班級(jí)： 姓 名： 學(xué) 號(hào)： 實(shí)驗(yàn)一 采用SIMULINK的系統(tǒng)仿真一、實(shí)驗(yàn)?zāi)康募耙螅?.熟悉SIMULINK 工作環(huán)境及特點(diǎn)2.掌握線性系統(tǒng)仿真常用基本模塊的用法3.掌握SIMULINK 的建模與仿真方法二、實(shí)驗(yàn)內(nèi)容：1 了解SIMULINK模塊庫中各子模塊基本功能 連續(xù)系統(tǒng)模塊 離散系統(tǒng)模塊 函數(shù)與表模塊 數(shù)學(xué)模塊 非線性模塊 信號(hào)與系統(tǒng)模塊 輸出模塊 輸入源模塊 子系統(tǒng)模塊微分積分積分步長(zhǎng)延時(shí)狀態(tài)空間模型傳遞函數(shù)模型傳輸延遲可變傳輸延遲零極點(diǎn)模型 直接查詢表函數(shù)功能塊 MATLAB函數(shù)S函數(shù)（系統(tǒng)函數(shù)） 絕對(duì)值點(diǎn)乘增益邏輯

2、運(yùn)算符號(hào)函數(shù)相加點(diǎn) 死區(qū)特性手動(dòng)開關(guān)繼電器特性飽和特性開關(guān)模塊 信號(hào)分離模塊信號(hào)復(fù)合模塊 輸出端口示波器模塊 輸出仿真數(shù)據(jù)到文件輸出仿真數(shù)據(jù)到工作空間 通過實(shí)驗(yàn)熟悉以上模塊的使用。2. SIMULINK 的建模與仿真方法（1）打開模塊庫，找出相應(yīng)的模塊。鼠標(biāo)左鍵點(diǎn)擊相應(yīng)模塊，拖拽到模型窗口中即可。（2）創(chuàng)建子系統(tǒng)：當(dāng)模型大而復(fù)雜時(shí)，可創(chuàng)建子系統(tǒng)。（3）模塊的封裝：（4）設(shè)置仿真控制參數(shù)。3SIMULINK仿真實(shí)際應(yīng)用PID控制器的仿真實(shí)現(xiàn)。控制對(duì)象的開環(huán)傳遞函數(shù)如下圖：加入PID控制器，求系統(tǒng)單位負(fù)反饋閉環(huán)單位階躍響應(yīng)，要求通過調(diào)節(jié)器的作用使系統(tǒng)滿足超調(diào)量20%，上升時(shí)間3s，調(diào)節(jié)時(shí)間10s的

3、要求。使輸出曲線如下圖。要求加入的PID控制器封裝成一個(gè)模塊使用。相應(yīng)PID參數(shù)如下：三、實(shí)驗(yàn)報(bào)告要求：1.針對(duì)具體實(shí)例寫出上機(jī)的結(jié)果，體會(huì)其使用方法，并作出總結(jié)。Simulink仿真圖如下相應(yīng)的曲線符合要求：總結(jié)：使用SIMULINK建模與仿真，加上負(fù)反饋構(gòu)成閉環(huán)傳遞系統(tǒng)，然后加上PID模塊進(jìn)行曲線調(diào)節(jié)。在調(diào)整PID參數(shù)時(shí)，首先調(diào)節(jié)增益即Kp，Kp越大，超調(diào)量越小，再調(diào)節(jié)Ki和Kd，直到調(diào)出合適的曲線為止。實(shí)驗(yàn)二 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)一、實(shí)驗(yàn)?zāi)康?. 熟悉神經(jīng)網(wǎng)絡(luò)的特征、結(jié)構(gòu)以及學(xué)習(xí)算法 2. 了解神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)控制效果的影響     3. 掌握用MAT

4、LAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)仿真的方法。二、實(shí)驗(yàn)原理人工神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neural Network)系統(tǒng)由于具有信息的分布存儲(chǔ)、并行處理以及自學(xué)習(xí)能力等優(yōu)點(diǎn)，已經(jīng)在信息處理、模式識(shí)別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應(yīng)用。尤其是基于誤差反向傳播(Back Propagation)算法的多層前饋網(wǎng)絡(luò)(Muhiple-LayerFeedforward Network)，即BP網(wǎng)絡(luò)，可以以任意精度逼近任意連續(xù)函數(shù)，所以廣泛地應(yīng)用于非線性建模、函數(shù)逼近和模式分類等方面。1.BP網(wǎng)絡(luò)算法實(shí)現(xiàn)BP算法屬于算法，是一種監(jiān)督式的學(xué)習(xí)算法。其主要思想是：對(duì)于M個(gè)輸人學(xué)習(xí)樣本，已知與

5、其對(duì)應(yīng)的輸出樣本。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)矢量之間的誤差來修改其權(quán)值，使實(shí)際與期望盡可能地接近，即使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小，他是通過連續(xù)不斷地在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層。2.BP網(wǎng)絡(luò)的設(shè)計(jì)在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中有很方便的構(gòu)建神經(jīng)網(wǎng)絡(luò)的函數(shù)。對(duì)于BP網(wǎng)絡(luò)的實(shí)現(xiàn)其提供了四個(gè)基本函數(shù)：newff，inittrain和sim它們分別對(duì)應(yīng)四個(gè)基本步驟即新建、初始化、訓(xùn)練和仿真。(1)初始化前向網(wǎng)絡(luò)初始化是對(duì)連接權(quán)值和閾值進(jìn)行初始化。initff函數(shù)在建立

6、網(wǎng)絡(luò)對(duì)象的同時(shí)，自動(dòng)調(diào)用初始化函數(shù)，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。格式：wl，bl，w2，b2=initff(p，sl，fl，s2，f2)其中P表示輸入矢量，s表示神經(jīng)元個(gè)數(shù)，f表示傳遞函數(shù)，W表示權(quán)值，b表示閾值。(2)訓(xùn)練網(wǎng)絡(luò)BP網(wǎng)絡(luò)初始化以后，就可對(duì)之進(jìn)行訓(xùn)練了。函數(shù)采用批處理方式進(jìn)行網(wǎng)絡(luò)連接權(quán)值和閾值的更新，要對(duì)其參數(shù)進(jìn)行設(shè)置，如學(xué)習(xí)步長(zhǎng)、誤差目標(biāo)等，同時(shí)在網(wǎng)絡(luò)訓(xùn)練過程中，還用圖形顯示網(wǎng)絡(luò)誤差隨學(xué)習(xí)次數(shù)的變化。基本梯度下降法訓(xùn)練網(wǎng)絡(luò)函數(shù)trainbp格式：wl，bl，w2，b2，te，tr；trainbp(wl，bl，fl，w2，b2，f2，p，t，tp) 帶有動(dòng)量項(xiàng)

7、的自適應(yīng)學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)函數(shù)trainbpx格式：wl，bl，w2，b2，te，tr=trainbpx(wl，bl，fl，w2，b2，f2，p，t，tp)其中P表示輸入矢量，t表示目標(biāo)矢量，te為網(wǎng)絡(luò)的實(shí)際訓(xùn)練次數(shù)， tr為網(wǎng)絡(luò)訓(xùn)練誤差平方和的行矢量，tp表示網(wǎng)絡(luò)訓(xùn)練參數(shù)(如學(xué)習(xí)率、期望誤差、最大學(xué)習(xí)次數(shù)等)。(3)網(wǎng)絡(luò)仿真仿真函數(shù)simff用來對(duì)網(wǎng)絡(luò)進(jìn)行仿真。利用此函數(shù)，可以在網(wǎng)絡(luò)訓(xùn)練前后分別進(jìn)行輸入輸出的仿真，以做比較，從而對(duì)網(wǎng)絡(luò)進(jìn)行修改評(píng)價(jià)。格式：a=simff(p，wl，b1，fl，w2，b2，f2)其中a表示訓(xùn)練好的BP網(wǎng)絡(luò)的實(shí)際輸出。三、實(shí)驗(yàn)內(nèi)容建立一個(gè)只有一個(gè)隱層的BP網(wǎng)絡(luò)，來逼

8、近一個(gè)函數(shù)，其隱層的神經(jīng)元個(gè)數(shù)為6隱層和輸出層的轉(zhuǎn)移函數(shù)分別為雙曲正切S函數(shù)和線性函數(shù)，訓(xùn)練函數(shù)為trainlm。輸入向量為P=一1：01：1目標(biāo)向量為t=p 2。由于本實(shí)例數(shù)據(jù)量少。所以采用元素列表方式輸入數(shù)據(jù)BP網(wǎng)絡(luò)的具體實(shí)現(xiàn)如下：1建立網(wǎng)絡(luò)Net=newff(一1 1,6 1,tansig,purelin,trainlm)；2初始化采用默認(rèn)的初始化參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行初始化，即net= init(net)3網(wǎng)絡(luò)的訓(xùn)練訓(xùn)練函數(shù)的參數(shù)設(shè)置如下：nettrainParamshow =10：nettrainParamepochs =100；nettrainParamgoal=00001：nettrai

9、nParam1r=001：網(wǎng)絡(luò)的訓(xùn)練函數(shù)如下：net，tr=train(netPt)；4仿真在這個(gè)網(wǎng)絡(luò)的設(shè)計(jì)中共用到了三次sim 函數(shù)旨在對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行比較。第一次是在對(duì)網(wǎng)絡(luò)進(jìn)行初始化之后，訓(xùn)練之前，用y=sim(net，p)來進(jìn)行仿真；第二次是在網(wǎng)絡(luò)訓(xùn)練之后再次用該函數(shù)進(jìn)行仿真。四、實(shí)驗(yàn)報(bào)告1.給出BP神經(jīng)網(wǎng)絡(luò)程序清單。 clear;P=-1:0.01:1;T=P.*2;n=6;net=newff(-1 1,6 1,'tansig','purelin','trainlm');net=init(net);y1=sim(net,P);net.trainParam.show=10;net.trainParam.epochs=100;net.trainParam.goal=0.0001;net.trainParam.lr=0.01;net,lr=train(net,P,T);y2=sim(net,P);plot(P,y1,P,T,P,y2);title('BP神經(jīng)網(wǎng)絡(luò)');xlabel('自變量');ylabel('仿真輸出');legend('未訓(xùn)練的網(wǎng)絡(luò)輸出曲線','目標(biāo)曲線','訓(xùn)練后的網(wǎng)絡(luò)輸出曲線'