智能控制实验报告
智能控制实验报告
姓名徐斯
学号6100310139
学院信息工程学院
班级自动化102班
2013年12月24日
南昌大学实验报告
学生姓名：徐斯学号: 6100310139专业班级：自动化102班
实验类型：□验证□综合□设计□创新实验日期：实验成绩：
单容水箱神经网络控制
一、实验目的
1、熟悉神经网络的特征、结构及学习算法
2、通过实验进一步掌握神经网络的原理及实现
3、了解神经网络的结构对控制效果的影响
4、掌握用MATLAB事先神经网络控制系统仿真的方法
5、通过BP神经网络逼近的方法，使单容水箱中的H能够稳定在100
二、实验设备及条件
计算机（装有MATLAB仿真软件）
三、实验原理
1.BP神经网络的结构
含一个隐含层的BP网
络结构如左图所示，图中i
为输入层神经元， j为隐层
神经元,k为输出层神经元。
2.BP神经网络的逼近
BP网络逼近的结构如下图所示，图中k为网络的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网络逼近器，y(k)为被控对象实际输出，yn(k)为BP的输出。将系统输出y(k)及输入u(k)的值作为逼近器BP的输入，将系统输出与网络输出的误差作为逼近器的调整信号。
用于逼近的BP网络如上右图所示
3.BP算法的学习
BP算法的学习过程由信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度。
四、实验设计过程及结果
1、写出三容水箱各流量液位的数学表达式：
q1=3.5*k;
q2=21*sqrt(h);
h=h+(q1-q2)/s;
s=120;
) (k y
n
) (k u
) (k y
ij
w2j w
'
j
x
j
x
i
x
五、程序
clear all;
close all;
M=60;%阀门开度初始值为60 H=100;
h=80;
b=3.5;
s=120;
xite=0.50;
alfa=0.05;
w2=rands(6,1);
w2_1=w2;w2_2=w2_1;
w1=rands(1,6);
w1_1=w1;w1_2=w1_1;
dw1=0*w1;
x=[0]';
I=[0,0,0,0,0,0]';
Iout=[0,0,0,0,0,0]';
FI=[0,0,0,0,0,0]';
ts=0.001;
for k=1:1:8500 Q1
Q2
k h
单容水箱
time(k)=k*ts;
L(k)=h;
e1(k)=H-h;
q1=b*M;
q2=21*sqrt(h);
h=h+(q1-q2)/s;
e3(k)=L(k)-h;
for j=1:1:6
I(j)=x'*w1(:,j);
Iout(j)=1/(1+exp(-I(j)));
end
Mn(k)=w2'*Iout;
e2(k)=M-Mn(k);
w2=w2_1+(xite*e2(k))*Iout+alfa*(w2_1-w2_2);
for j=1:1:6
FI(j)=exp(-I(j))/(1+exp(-I(j)))^2;
end
for i= 1:1:1
for j=1:1:6
dw1(i,j)=e2(k)*xite*FI(j)*w2(j)*x(i);
end
end
w1=w1_1+dw1+alfa*(w1_1-w1_2);
yu=0;
for j=1:1:6
yu=yu+w2(j)*w1(1,j)*FI(j);
end
dyu(k)=yu;
x=e1(k);
w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
end
figure(1);
plot(time,L,'r',time,e1,'b');
figure(2);
plot(time,e3);
六、实验结果
1
2
3
4
5
6
7
8
9
0102030405060708090
100
1
2
3
4
5
6
7
8
9
-0.2
-0.18-0.16-0.14-0.12-0.1-0.08-0.06-0.04-0.02
如图：水位由原先的80增长到100，最终稳定在设定的100上，而水位差从20降到了0，使水位满足实验要求，从第二个图也可以看出，L 与h 有一个跟随的过程，但其最终稳定在0，说明水位最终是没有偏差的稳定于100。 七、 实验总结。
本次实验我熟悉掌握论文matlab 程序的编写；了解智能控制中BP 神经网络控制的基本原理及思路，并应用于实践；在控制单容水箱中有比较良好的效果；
在编写程序过程中，了解BP神经网络控制的基本算法；在调试过程中，熟悉了调试的方法，根据结果分析如何设置调整参数要有足够的耐心。在编写程序方面由于是使用课本上的参考程序，因此没有遇到问题，主要的疑问是在选择参数上，最后在老师和同学的帮助下，确定了参数的变化范围，改变两个参数后，得到仿真结果，分析后得到结论，实验顺利结束。
智能控制课程论文
一、引言 (3) 二、轧机液压AGC数学模型 (3) 三、基于BP神经网络的轧机AGC过程控制 (5) （一）人工神经网络基本思想及其发展 (6) （二）人工神经网络的工作原理 (7) （三）人工神经网络的主要功能特点 (8) 四、神经网络辨识 (9) （一）扩展BP神经算法 (9) （二）基于时间序列的动态模型辨识 (11) 五、辨识结果 (12) （一）轧制力辨识 (12) （二）液压AGC参数辨识 (13) 六、结果检验 (14) （一）模型检验 (14) （二）辨识结果对比 (14) 七、结论 (15) 八、参考文献: (15)
先进过程控制技术在轧机液压领域的应用 摘要:轧机液压AGC控制过程的力控精度直接影响带钢的组织性能和力学性能，是保证板带质量和板形良好的关键因素。所以对轧机液压AGC的力控制，成为热轧生产中的重要环节，对其过程进行分析和研究具有深远的现实意义。本文以国内某热轧厂轧机液压AGC控制为背景，对如何提高轧机液压AGC控制的力控精度从控制方法上入手进行了较深入系统的研究。在分析液压AGC的组成元件及其动态特性的基础上, 利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力, 建立基于时间序列的前馈动态模型辨识结构, 应用扩展BP算法对轧机液压AGC力控制系统进行非线性预测, 将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识, 仿真及实测结果表明此方法行之有效, 为轧机液压AGC的控制提供了新途径。 关键词:自适应辨识;板带轧机;液压AGC;神经网络
Advanced process control technology in the field of rolling mill hydraulic applications Abstr act: In the process of rolling mill hydraulic AGC control force control precision directly affects the organization performance and mechanics performance of the steel strip, is guarantee the quality of strip and plate shape of the key factors. So the force control of rolling mill hydraulic AGC, become the important link between the hot rolling production, analyzes its process and research has far-reaching practical significance. This paper, taking a warmwalzwerk domestic mill hydraulic AGC control as the background, on how to improve the force control precision of the rolling mill hydraulic AGC control from the control methods of conducted in-depth study of the system. Based on the analysis of dynamic characteristics of hydraulic AGC components and, on the basis of using the neural network has any nonlinear function approximation, and has the ability of self learning and adaptive feedforward dynamic model identification based on time series structure, extend the BP algorithm was applied to rolling mill hydraulic AGC force control system for nonlinear prediction, and the predicted results using least squares identification method for characteristic parameters of a linear system identification, simulation and experimental results show that this method is effective, for rolling mill hydraulic AGC control provides a new way. Key wor ds: adaptive identification; stripe mill; hydraulic AGC; neural network
智能控制理论基础实验报告
北京科技大学 智能控制理论基础实验报告 学院 专业班级 姓名 学号 指导教师 成绩 2014 年4月17日
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： 1．了解SIMULINK模块库中各子模块基本功能 微分 积分 积分步长延时 状态空间模型 传递函数模型 传输延迟 可变传输延迟 零极点模型
直接查询表 函数功能块MATLAB函数 S函数（系统函数） 绝对值 点乘 增益 逻辑运算 符号函数 相加点 死区特性 手动开关 继电器特性 饱和特性 开关模块 信号分离模块 信号复合模块 输出端口 示波器模块 输出仿真数据到文件
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。 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。
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。PID如下： 图1-PID控制器仿真 设计的PID控制器参数为，P-0.3，I-0.5,D-0.4,尽可能的达到超调量20%，上升时间3s，调节时间10s的要求，仿真曲线图如下： 图2-PID控制器仿真曲线图 才实验开始的初期，我觉得这个实验过于简单，但是上手之后，我发现它是
机器人控制技术基础实验报告
华北电力大学 实验报告 | | 实验名称:机器人控制技术基础 课程名称：机器人控制技术基础 实验人：张钰信安1601 201609040126 李童能化1601 201605040111 韩翔宇能化1601 201605040104 成绩： 指导教师：林永君、房静 实验日期： 2016年3月4日-3月26日 华北电力大学工程训练中心
第一部分：单片机开发板 实验一：流水灯实验 实验目的：通过此实验，初步掌握单片机的 IO 口的基本操作。 实验内容：控制接在 P0.0上的 8个LED L0—L8 依次点亮，如此循环。 硬件说明： 根据流水灯的硬件连接，我们发现只有单片机的IO口输出为低电平时LED灯才会被点亮，我们先给P0口设定好初值，只让其点亮一盏灯，然后用左右移函数即可依次点亮其他的灯。 源程序如下： #include
led_1=1; led_2=0; display_ms(10); led_2=1; led_3=0; display_ms(10); led_3=1; led_4=0; display_ms(10); led_4=1; led_5=0; display_ms(10); led_5=1; led_6=0; display_ms(10); led_6=1; led_7=0; display_ms(10); led_7=1; led_8=0; display_ms(10); led_8=1; } } 第二部分：机器人小车 内容简介：机器人小车完成如图规定的赛道，从规定的起点开始,记录完成赛道一圈的时间。必须在30秒之内完成，超时无效。其中当小车整体都在赛道外时停止比赛，视为犯规，小车不规定运动方向,顺时针和逆时针都可以采用，但都从规定的起点开始记录时间。 作品优点及应用前景： 单片机可靠性高，编程简单单片机执行一条指令的时间是μs级，执行一个扫描周期的时间为几ms乃至几十ms。相对于电器的动作时间而言，扫描周期是
智能控制课程研究报告
学习智能控制课程研究报告 标题：高速公路隧道节能智能模糊控制系统研究姓名： 学号： 专业：测试计量技术及仪器
高速公路隧道通风照明节能智能模糊控制系统研究1.国内外公路隧道节能研究现状 1.1 国内高速公路隧道通风照明节能的研究现状 据统计，2002年我国公路隧道通车里程已达704km/1782座。公路隧道通车里程比1979年增长了13倍。同时隧道建设技术不断的提高，1995年建成的成渝高速公路上的中梁山隧道长3.165km，缙云山隧道长2.529km，解决了我国长大公路隧道的通风问题，1999年通车的四川省川藏公路上的二郎山隧道长 4.176km，同年通车的四川广安地区公路隧道长4.534km，1999年底实现双洞通车的全长2×4.116km的浙江省甬台高速公路大西邻至糊雾岭隧道，设置了照明、通风、防火监控等完善的运营机电设施。截至2009年底，我国已经建成公路隧道6139座，总长394.20万米。如此大规模的隧道建设，不但运营管理的任务十分艰巨，其安全与节能问题也日益突出。其中隧道耗电占高速公路运营中的很大一部分，以3公里长隧道为例，年电费约为400万元。 如福建高速公路监控厦门分中心在对高速公路厦门大帽山隧道供配电系统、照明系统和通风系统进行了节能技术改造，通过适当提高线路电压、提高功率因素来改造供配电系统，经过一年的试运行，2009年5月底同比无功电量下降了85.48％，为福建高速公路减少电费支出87492.8元，取得了可喜的经济效益；对照明技术进行改造，将射流风机出风口处的风导向下方后，以此损坏率计算，一年可减少高压钠灯损坏38盏、镇流器损坏l8只、触发器损坏2只、灯具损坏l1套，合计节省购买灯具费用约2万多元。如全国高速公路隧道风机都采用“两台风机共用一套自耦降压起动装置”可节省50％的起动装置。 1.2 国外高速公路隧道通风照明节能研究现状 在公路隧道照明技术方面国外研究较早，通过长期的研究和实践，技术成熟。早在20世纪60年代，依据交通量、速度和洞外亮度进行自动调光技术就已经应用于意、法两国之间的Mont Blanc隧道照明。80年代后期，为了规范隧道照明设计和施工，减少交通事故，世界各国相继颁布了公路隧道照明设计规范。随后各国制定了适合本国国情的标准，如欧洲指定的《欧洲隧道照明标准》、日本的《隧道照明指南》等。为了节约电能，提高隧道照明效果和行车舒适性，保证公路隧道安全运行，针对隧道灯具国外进行了大量的研究。依据驾驶员视觉特性和隧道内的视觉环境制定了一系列数值计算准则。如德国的侧壁面计算方法和日本
智能控制理论结课论文
用模糊控制实现恒压供水 参考文献： 文献一：基于模糊控制的恒压供水研究 中图分类号: TU991 文献标识码: A 文章编号: 1672- 9900(2007)04- 0028- 03 总结： 由于供水系统的管网和水泵存在着非线性、多变量等特性, 而且相间有交叉耦合, 很难建立精确的数学模型。如果采用常规的PID 算控制,往往难以得到较理想的静动态特性。采用模糊逻辑控制的方法对水压进行控制, 可以达到良好的控制性能。模糊控制器结构如图1示。采用双输入单输出的形式, 以水压给定值SP 和实际水压测量值PV 的误差e( e=SP- PV) 及误差变化率ec( ec=de/dt) 作为糊控制器的输入量, 经模糊化后分别得到模糊量 E 和EC, 并分别用模糊语言加以描述, 建立输入和输出之间的模糊控制规则。如果用PLC 进行在线模糊推理,将花费大量运算时间,从而影响系统工作。根据控制规则采用离线方式计算出模糊控制表, 存于可编程控制器PLC 内存中, 在实时控制时将复杂的推理运算过程简化为查表运算, 极大地提高了恒压供水系统的响应速度。
系统将自调整模糊控制技术应用到基于PLC 控制的变频调速恒压供水系统中,能够很好地克服供水系统数学模型难以确定、使用传统PID控制方式调节器参数调整困难的缺点, 较好地消除了系统非线性、时变等因素的干扰影响。系统经过调试和实际运行, 其压力始终稳定在设定的范围内, 具有节约能源、操作方便、自动化控制程度高等优点, 系统可广泛应用于住宅小区、高楼供水系统。 文献二：恒压供水系统的模糊控制 (1·温州大学工业工程学院,浙江温州325000;2·浙江大学工业控制技术国家重点实验室,浙江杭州310000) 总结： 恒压供水是指用户段不管用水量大小,总保持管网水压基本恒定,这样,既可满足各部位的用户对水的需求,又不使电动机空转,造成电能的浪费。为实现上述目标,利用PLC根据给定压力信号和反馈 压力信号,通过模糊推理运算,控制变频器调节水泵转速,从而达到控制管网水压的目的。变频恒压供水系统如图3—1所示。根据供水压力要求,采用一用一备变频恒压供水系统。
智能控制技术实验报告
《智能控制技术》实验报告书 学院： 专业： 学号： 姓名：
实验一：模糊控制与传统PID控制的性能比较 一、实验目的 通过本实验的学习，使学生了解传统PID控制、模糊控制等基本知识，掌握传统PID控制器设计、模糊控制器设计等知识，训练学生设计控制器的能力，培养他们利用MATLAB进行仿真的技能，为今后继续模糊控制理论研究以及控制仿真等学习奠定基础。 二、实验内容 本实验主要是设计一个典型环节的传统PID控制器以及模糊控制器，并对他们的控制性能进行比较。主要涉及自控原理、计算机仿真、智能控制、模糊控制等知识。 通常的工业过程可以等效成二阶系统加上一些典型的非线性环节，如死区、饱和、纯延迟等。这里，我们假设系统为：H(s)=20e0.02s/(1.6s2+4.4s+1) 控制执行机构具有0.07的死区和0.7的饱和区，取样时间间隔T=0.01。 设计系统的模糊控制，并与传统的PID控制的性能进行比较。 三、实验原理、方法和手段 1.实验原理： 1)对典型二阶环节，根据传统PID控制，设计PID控制器，选择合适的PID 控制器参数k p、k i、k d； 2)根据模糊控制规则，编写模糊控制器。 2.实验方法和手段： 1)在PID控制仿真中，经过仔细选择，我们取k p=5，k i=0.1，k d=0.001； 2)在模糊控制仿真中，我们取k e=60，k i=0.01，k d=2.5，k u=0.8； 3)模糊控制器的输出为：u= k u×fuzzy(k e×e, k d×e’)－k i×∫edt 其中积分项用于消除控制系统的稳态误差。 4)模糊控制规则如表1-1所示： 在MATLAB程序中，Nd用于表示系统的纯延迟（Nd=t d/T）,umin用于表示控制的死区电平，umax用于表示饱和电平。当Nd=0时，表示系统不存在纯延迟。 5)根据上述给定内容，编写PID控制器、模糊控制器的MATLAB仿真程序，
学习智能控制课程的研究报告样本
学习智能控制课程的研究报告 经过本学期所学的智能控制知识、上网搜集资料和参考论文的情况下, 对智能控制这门学科的学习做出了简要总结。 1智能控制的发展 自动控制经过百余年的发展, 无论是在控制理论还是控制工程上都取得了巨大成功, 可是, 随着人类社会的发展, 控制对象日益复杂、控制目标越来越高, 控制理论与控制工程面临的挑战也越来越大。以控制理论和智能理论为基础, 以模拟人的智能化操作和经验为手段的智能控制方法应运而生。 智能控制是基于人类对自然界的智能的认识所发展起来的智能理论与方法, 包括基于符号逻辑的传统AI理论与基于复杂计算的计算智能理论。它是人工智能和自动控制的重要研究领域, 并被认为是通向自主机器递阶道路上自动控制的顶层。人工智能的发展促进自动控制向智能控制发展, 智能控制思潮第一次出现于20世纪60年代。1965年, 美籍华人傅京孙教授在她的论文中首先提出把人工智能的直觉推理方法用于学习控制系统, 最早把人工智能引入到控制技术中。1966年, Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术, 而且提出了”人工智能控制”的概念。 1967年, Leondes和Mendel 首先正式使用”智能控制”一词。 20世纪70年代是智能控制的发展初期, 傅京孙、 Gloriso和
Saridis等人正式提出了智能控制就是人工智能技术与控制理论的交叉。70年代中期前后, 以模糊集合论为基础, 从模仿人的控制决策思想出发, 智能控制在另一个方向规则控制上也取得了重要的进展。 80年代为智能控制的迅速发展期, 智能控制的研究及应用领域逐步扩大并取得了一批应用成果。1987年1月, 第一次国际智能控制大会在美国举行, 标志着智能控制领域的形成。 1992年至今为智能控制进人崭新的阶段。随着对象规模的扩大和过程复杂性的加大, 形成了智能控制的多元论, 而且在应用实践方面取得了突破性的进展, 应用对象也更加广泛。 智能控制采用各种智能技术来实现复杂系统和其它系统的控制目标, 是一种具有强大生命力的新型自动控制技术。智能控制的产生和发展正反映了当代自动控制以至整个科学技术的发展趋势, 是历史的必然。智能控制已成为自动控制发展道路上的一个新的里程碑, 正发展为一种日趋成熟和日臻完删的控制手段, 并获得日益广泛的应用。2智能控制的研究内容 当前关于智能控制的研究和应用沿着几个主要的分支发展, 主要有专家控制、模糊控制、神经网络控制、学习控制、基于知识的控制、复合智能控制、基于进化机制的控制、自适应控制等等。有的已在现代工业生产过程与智能自动化方面投入应用。主要介绍如下: 1、专家控制是智能控制的一个重要分支, 其研究始于60年代中期, 是由美国斯坦福大学Feigen-baum于1965年开创的人工智能研究的新领域。所谓专家控制是指将专家系统的理论和技术同控制理论方
智能控制系统课程设计
目录 有害气体的检测、报警、抽排.................. . (2) 1 意义与要求 (2) 1.1 意义 (2) 1.2 设计要求 (2) 2 设计总体方案 (2) 2.1 设计思路 (2) 2.2 总体设计方框图 2.3 完整原理图 (4) 2.4 PCB制图 (5) 3设计原理分析 (6) 3.1 气敏传感器工作原理 (7) 3.2 声光报警控制电路 (7) 3.3 排气电路工作原理 (8) 3.4 整体工作原理说明 (9) 4 所用芯片及其他器件说明 (10) 4.1 IC555定时器构成多谐振荡电路图 (11) 5 附表一：有害气体的检测、报警、抽排电路所用元件 (12) 6.设计体会和小结 (13)
有害气体的检测、报警、抽排 1 意义与要求 1.1.1 意义 日常生活中经常发生煤气或者其他有毒气体泄漏的事故，给人们的生命财产安全带来了极大的危害。因此，及时检测出人们生活环境中存在的有害气体并将其排除是保障人们正常生活的关键。本人运用所学的电子技术知识，联系实际，设计出一套有毒气体的检测电路，可以在有毒气体超标时及时抽排出有害气体，使人们的生命健康有一个保障。 1.2 设计要求 当检测到有毒气体意外排时，发出警笛报警声和灯光间歇闪烁的光报警提示。当有毒气体浓度超标时能自行启动抽排系统，排出有毒气体，更换空气以保障人们的生命财产安全。抽排完毕后，系统自动回到实时检测状态。 2 设计总体方案 2.1 设计思路 利用QM—N5气敏传感器检测有毒气体，根据其工作原理构成一种气敏控制自动排气电路。电路由气体检测电路、电子开关电路、报警电路、和气体排放电路构成。当有害气体达到一定浓度时，QM—N5检测到有毒气体，元件两极电阻变的很小，继电器开关闭合，使得555芯片组成的多谐电路产生方波信号，驱动发光二极管间歇发光；同时LC179工作，驱使蜂鸣器间断发出声音；此时排气系统会开始抽排有毒气体。当气体被排出，浓度低于气敏传感器所能感应的范围时，电路回复到自动检测状态。
智能控制课程结课作业
智能控制 1对于模糊控制（fuzzy）的认识和体会 模糊控制作为给合传统的基于规则的专家系统、模糊集理论和控制理论的成果而诞生,使其与基于被控过程数学模型的传统控制理论有很大的区别。在模糊控制中，并不是像传统控制那样需要对被控过程进行定量的数学建模，而是试图通过从能成功控制被控过程的领域专家那里获取知识，即专家行为和经验，当被控过程午分复杂甚全“病态”时，建立被控过程的数学校型或者不可能，或者需要高昂的代价。此时模糊控制就显得具有吸引力和实用性。由于人类专家的行为是实现模糊控制的基础，因此，必须用一种容易且有效的方式来表达人类专家的知识。IF-THEN规则格式是这种专家控制知识最和适的表式方式之一，即1F“条件”THEN“结果”，这种表示方式有两个显著的特征:它们是定性的而不是定量的;它们是一种局部知识，这种知识将局部的“条件”与局部的“结果”联系起来，前者可用模糊子集表示，而后者需要模糊蕴涵或模糊关系来表达。然而，当用计算机实现时，这种规则最终需具有数位形式，隶属函数和近似推理为数值表示集合模糊蕴涵提供了一种有利工具。 一个实际的模糊控制系统实现时需要解决三个问题:知识表示、推理策略和知识获取。知识表示是指如何将语言规则用数值方式表示出来;推理策略是指如何根据当前输入“条件”生一个合理的“结果”；知识的获取解决如何获得一组恰当的规则。由于领域专家提供的知识常常是定性的，包含某种不确定性。因此，知识的表示和推理必须是模糊的或近似的，近似推理理论正是为满足这种需要而提出的。近似推理科看做是根据一些不精确的条件推导出个精确结论的过程，许多学者对模糊表示、近似推理进行了大量的研究，在近似推理算法中，最厂泛使用的是关系矩阵模型，它基于L.A.Zadeh的合成推理规则首次由Mamdani采用，由于规则可被解释成逻辑意义上的蕴涵关系，因此人最的蕴涵算子已被提出并应用于实际中由此可见。模糊控制是以模糊集合沦、模糊语言变量及校糊逻辑推理为基础的一种计算机控制，从线性控制与非线性控制的角度分类，模糊井制是一种非线性控制。从控制器智能性看，模糊控制属智能能控制的范畴，而且它已成为日前实现智能控制的一种重要而又有效的形式。尤其是模糊制和神经网络、预测控制、遗传算法和混沌理论等新学科的相结合，正在显示出其巨大的应用潜力。 模糊控制器的基本结构包括以下四部分 1.模糊化 模糊化的作用是将输入的精确量转换成模糊化量，其中输入成份包括外界的参考输入、系统的输出或状态等。模糊化的具体过程如下：首先对这此输入进行处理，以变成模糊控制器要求的输入从。然后将上述己经处理过的输入量进行尺度变换，使其变换到各自的论域范围。在将已经变换到论域范的输入最进行模糊处理，使原先精确的输入带变成模糊量，并用相应的模糊集合来表。 2.知识库 知识库包含了具体应用领域中的知识和要求的控制目标。它通常由数据库和模糊控制规则库两部分组成：1.数据库主要包括各种语言变量的隶属函数，尺度变换因子以及模糊空间的分级数等。2.规则库包括了用模糊语言变量表示的一系列控制规则。它们反映了控制专家的经验和知识。 3.模糊推理 模糊推理是模糊控制器的核心，它具有模拟人的基于模糊概念的推理能力。该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。 4.清晰化 洁晰化的作用是将模糊推理得到的控制量(模糊量)变换为实际用于控制的清晰量，它包
同济智能控制实验报告 基于BP神经网络的自整定PID控制仿真
同济大学电子与信息工程学院实验报告 姓名：学号： 学院：专业： 实验课程名称： 任课教师： 实验项目名称：基于BP神经网络的自整定PID控制仿真实验日期：
一、实验内容： 1.熟悉神经网络的特征、结构及学习算法。 2.通过实验掌握神经网络自整定PID的工作原理。 3.了解神经网络的结构对控制结果的影响。 4.掌握用MATLAB实现实现神经网络控制系统仿真的方法。 二、实验步骤及结果演示 1.实验步骤： （1）被控对象为一时变非线性对象，数学模型可表示为 式中系数a(k)是慢时变的， （2）如图5所示确定BP网络的结构，选4-5-3型的BP网络，各层加权系数的初值取区间[-0.5,0.5]上的随机数，选定学习率η=0.25和惯性系数α=0.05. （3）在MATLAB下依据整定原理编写仿真程序并调试。 （4）给定输入为阶跃信号，运行程序，记录实验数据和控制曲线。 （5）修改神经网络参数，如学习速率、隐含层神经元个数等，重复步骤（4）。 （6）分析数据和控制曲线。 图5 BP神经网络结构
2.结果展示： （1）实验代码： xite=0.25; alfa=0.02; IN=4; H=10; Out=3; wi=[ 0.4634 -0.4173 0.3190 0.4563; 0.1839 0.3021 0.1112 0.3395; -0.3182 0.0470 0.0850 -0.0722; -0.6266 0.0846 0.3751 -0.6900; -0.3224 0.1440 -0.2873 -0.0193; -0.0232 -0.0992 0.2636 0.2011; -0.4502 -0.2928 0.0062 -0.5640; -0.1975 -0.1332 0.1981 0.0422; 0.0521 0.0673 -0.5546 -0.4830; -0.6016 -0.4097 0.0338 -0.1503]; wi_1=wi;wi_2=wi;wi_3=wi; wo=[ -0.1620 0.3674 0.1959; -0.0337 -0.1563 -0.1454; 0.0898 0.7239 0.7605; 0.3349 0.7683 0.4714; 0.0215 0.5896 0.7143; -0.0914 0.4666 0.0771; 0.4270 0.2436 0.7026; 0.0215 0.4400 0.1121; 0.2566 0.2486 0.4857; 0.0198 0.4970 0.6450 ]'; wo_1=wo;wo_2=wo;wo_3=wo; x=[0,0,0]; u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0; oh=zeros(H,1); I=oh; error_2=0; error_1=0; ts=0.001; for k=1:1:6000 time(k)=k*ts; rin(k)=1; a(k)=1.2*(1-0.8*exp(-0.1*k));
智能控制课程设计报告书
《智能控制》课程设计报告题目：采用BP网络进行模式识别院系： 专业： 姓名： 学号： 指导老师： 日期：年月日
目录 1、课程设计的目的和要求 (3) 2、问题描述 (3) 3、源程序 (3) 4、运行结果 (6) 5、总结 (7)
课程设计的目的和要求 目的：1、通过本次课程设计进一步了解BP网络模式识别的基本原理，掌握BP网络的学习算法 2、熟悉matlab语言在智能控制中的运用，并提高学生有关智能控制系统的程序设计能力 要求：充分理解设计容，并独立完成实验和课程设计报告 问题描述 采用BP网络进行模式识别。训练样本为3对两输入单输出样本，见表7-3。是采用BP网络对训练样本进行训练，并针对一组实际样本进行测试。用于测试的3组样本输入分别为1,0.1；0.5,0.5和 0.1,0.1。 表7-3 训练样本 说明：该BP网络可看做2-6-1结构，设权值wij，wjl的初始值取【-1，+1】之间的随机值，学习参数η=0.5，α=0.05.取网络训练的最终指标E=10^（-20），在仿真程序中用w1,w2代表wij，wjl，用Iout代表 x＇ｊ。 源程序 %网络训练程序
clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1); w2_1=w2;w2_2=w2; w1=rands(2,6); w1_1=w1;w1_2=w1; dw1=0*w1; I=[0,0,0,0,0,0]'; Iout=[0,0,0,0,0,0]'; FI=[0,0,0,0,0,0]'; k=0; E=1.0; NS=3; while E>=1e-020 k=k+1; times(k)=k; for s=1:1:NS xs=[1,0; 0,0; 0,1]; ys=[1,0,-1]'; x=xs(s,:); for j=1:1:6 I(j)=x*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end y1=w2'*Iout;
浙工大过程控制实验报告
浙工大过程控制实验报告 202103120423徐天宇过程控制系统实验报告 实验一：系统认识及对象特性测试 一实验目的 1了解实验装置结构和组成及组态软件的组成使用。 2 熟悉智能仪表的使用及实验装置和软件的操作。 3熟悉单容液位过程的数学模型及阶跃响应曲线的实验方法。 4学会有实际测的得单容液位过程的阶跃响应曲线，用相关的方法分别确定它们的参数，辨识过程的数学模型。二实验内容 1 熟悉用MCGS组态的智能仪表过程控制系统。 2 用阶跃响应曲线测定单容液位过程的数学模型。三实验设备 1 AE2000B型过程控制实验装置。 2 计算机，万用表各一台。 3 RS232-485转换器1只，串口线1根，实验连接线若干。四实验原理 如图1-1所示，设水箱的进水量为Q1，出水量为Q2，水箱的液面高度为h，出水阀V2固定于某一开度值。根据物料动态平衡的关系，求得： 在零初始条件下，对上式求拉氏变换，得：
式中，T为水箱的时间常数（注意：阀V2的开度大小会影响到水箱的时间常数），T=R2*C，K=R2为单容对象的放大倍数， R1、R2分别为V1、V2阀的液阻，C 为水箱的容量系数。 阶跃响应曲线法是指通过调节过程的调节阀，使过程的控制输入产生一个阶跃变化，将被控量随时间变化的阶跃响应曲线记录下来，再根据测试记录的响应曲线求取输入输出之间的数学模型。本实验中输入为电动调节阀的开度给定值OP，通过改变电动调节阀的开度给定单容过程以阶跃变化的信号，输出为上水箱的液位高度h。电动调节阀的开度op通过组态软件界面有计算机传给智能仪表，有智能仪表输出范围为：0~100%。水箱液位高度有由传感变送器检测转换为4~20mA的标准信号，在经过智能仪表将该信号上传到计算机的组态中，由组态直接换算成高度值，在计算机窗口中显示。因此，单容液位被控对象的传递函数，是包含了由执行结构到检测装置的所有液位单回路物理关系模型有上述机理建模可知，单容液位过程是带有时滞性的一阶惯性环节，电动调节阀的开度op，近似看成与流量Q1成正比，当电动调节阀的开度op为一常量作为阶跃信号时，该单容液位过程的阶跃响应为 需要说明的是表达式（2-3）是初始量为零的情况，如果是在一个稳定的过程下进行的阶跃响应，即输入量是在原来的基础上叠加上op的变化，则输出表达式是对应原来输出值得基础上的增
智能控制导论实验报告(2015) (zm)
《智能控制导论》上机实验报告 专业班级：自动化121 姓名：蒋德鹏 学号：201210401117 指导教师：詹跃东 昆明理工大学信息工程与自动化学院自动化系 2015年5月
洗衣机的模糊控制系统仿真 一、实验软件 Matlabb/Simulink 编程语言. 二、实验目的 1. 熟悉智能控制系统中的建模与控制过程； 2. 熟悉专家控制、模糊控制和神经网络的建模和控制算法的应用； 3. 熟悉专家控制、模糊控制和神经网络的编程语言的应用。 三、需要的预备知识 1. 熟悉Matlabb/Simulink 编程语言； 2. 熟悉专家控制、模糊控制和神经网络建模与控制方法； 3. 熟悉Matlabb/Simulink 的应用； 4. 熟悉Matlabb/Simulink 常用人机接口设计。 四、实验数据及步骤 1. 实验内容 洗衣机的模糊控制系统仿真； 2. 实验原理 模糊控制的基本原理和基本流程； 基本原理：模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它从行为上模仿人的模糊推理和决策过程。该方法首先将操作人员或专家经验编程模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。图为模糊控制原理框图。 图一 模糊控制原理框图 给定值 模糊化 模糊推理 规则库 逆模糊 传感器 执行机构 被控对象 精确量 模糊控制器
基本流程： 2. 实验步骤 （1）确定洗衣机模糊控制的结构 如图二所示为洗衣机模糊控制推理框图。 图二 洗衣机模糊控制推理框图 开始 确定模糊控制器的结构 定义输入、输出模糊集 定义隶属函数 污泥X 油脂 Y 洗涤时间Z 洗衣机模糊控 制器 建立模糊控制规则 模糊推理 Matlab 仿真 结束
智能控制课程设计(报告)(DOC)
HUNAN UNIVERSITY 智能控制课程设计(报告) 课程设计题目：基于模糊控制光伏并网发电系 统的研究 学生姓名： 学生学号： 专业班级： 学院名称： 指导老师： 2017年5月30 日
目录 第1章绪论 (1) 第2章光伏并网发电系统MPPT的研究进展 (2) 2.1 光伏发电系统最大功率跟踪控制 (2) 2.2 几种最大功率点跟踪方法的比较 (3) 第3章光伏并网发电系统MPPT模糊控制器 (7) 3.1 模糊化 (7) 3.2 模糊控制规则库的建立 (7) 3.3 解模糊 (7) 第4章 MPPT模糊控制器设计 (8) 4.1选择观测量和控制量 (8) 4.2 输入量和输出量的模糊化 (8) 4.3 制定模糊规则 (9) 4.4 求解模糊关系 (9) 4.5进行模糊决策 (10) 4.6 控制量的反模糊化 (10) 第5章模糊控制光伏并网发电系统仿真 (11) 附录 (15)
第1章绪论 在应对全球能源危机和保护环境的双重要求下，开发利用清洁可再生的太阳能越来越受到人们的关注。伴随着太阳能光电转换技术的不断发展，大规模的利用太阳能成为可能。光伏并网发电系统将成为太阳能利用的主要形式。目前，转换效率低是光伏并网发电系统面临的主要问题，这成为阻碍光伏并网发电系统广泛应用的一个重点问题。智能控制是这门新兴的理论和技术，它是传统控制发展的高级阶段，主要用来解决那些用传统方法难以解决的复杂系统的控制。智能控制包括专家系统、神经网络和模糊控制，而模糊控制是目前在控制领域中所采用的三种智能控制方法中最具实际意义的一种方法。在光伏系统MPPT控制中，由于外界光照强度和温度变化的不确定性以及并网逆变器的非线性特性，则使用模糊逻辑的MPPT控制方法进行控制，有望获得理想的控制效果。 随着近年智能控制的不断发展和完善，模糊控制技术也日趋成熟，被人们广泛接受。模糊控制的优点很多，例如：模糊控制器设计简单，不需要依赖被控对象的精确数学模型；模糊规则用自然语言表述，易于被操作人员接受；模糊控制规则可以转换成数学函数，易与其他物理规律结合，便于用计算机软件实现；模糊控制抗干扰能力强，且响应快，对复杂的被控对象能有效控制，鲁棒性和适应性都易达到要求。模糊控制以其适应面广泛和易于普及等特点，成为智能控制领域最重要，最活跃和最实用的分支之一。目前，模糊控制已经在工业控制领域、经济系统、人文系统以及医学系统中解决了传统控制方法难以解决甚至无法解决的实际控制问题。本文正是基于光伏发电系统存在的处理复杂，外界不确定因素多等特点，将模糊控制理论应用于光伏发电最大功率跟踪系统中，跟踪系统最大功率工作点，提高光电转换效率，充分利用太阳能资源。 本文以光伏并网发电系统最大功率点跟踪为研究对象，将模糊控制理论应用于光伏并网系统最大功率跟踪控制中，从光伏阵列的原理和特性、光伏并网系统的结构设计、最大功率点跟踪的原理和模糊控制理论等方面进行详细的分析和探讨。本设计报告比较多种最大功率点跟踪控制技术，实现光伏并网发电系统的研究，根据其不同的优缺点，然后选用模糊控制方法来实现最大功率跟踪。通过对模糊论域、隶属度函数计算，制定处模糊规则，设计出模糊控制器。最后建立光伏并网发电系统仿真模型，并对仿真结果进行了分析。
《智能控制》课程教学大纲
《智能控制》课程教学大纲 课程代码：0806715003 课程名称：智能控制 英文名称：Intelligent Control 总学时：24 讲课学时：24 学分：1.5 适用专业：车辆工程专业 先修课程：自动控制原理 一、课程性质、目的和任务 智能控制是近20年来发展起来的一门新兴交叉前沿学科，具有非常广泛的应用领域。该课程是自动化及相关专业方向的一门专业选修课，其目的是使学生了解模糊理论与控制、神经网络及控制、学习控制、仿人智能控制等各种智能控制技术的基本原理与思想，拓宽学生的知识面，为今后进一步深入学习和应用智能控制技术打下必要的基础。 二、教学基本要求 本课程主要介绍模糊理论与控制、神经网络理论及控制、学习控制、仿人智能控制等各种智能控制技术的基本原理，以模糊控制、神经网络控制为重点。学完本课程应达到以下基本要求： (1) 了解以隶属度函数、模糊集合、模糊关系、模糊推理为基础的模糊数学理论。 (2) 掌握典型模糊控制系统的结构、特点与工作原理，掌握模糊控制系统中模糊化、清晰化的方法、模糊规则的建立及模糊控制器的常规设计方法。 (3) 掌握神经网络的基本概念与特点，理解人工神经元模型的意义，了解神经网络的主要学习方法。 (4) 了解掌握前向网络的概念及BP学习算法，了解神经网络在系统模型辩识与控制中的基本应用。 (5) 了解学习控制的概念；以迭代学习控制或遗传学习控制为例，了解其基本思想与原理、特点。 (6) 了解基于规则的仿人智能控制的基本思想、仿人智能特征变量，了解其典型控制系统的结构。 三、教学内容及要求 1．智能控制概述 从经典控制理论与现代控制理论的发展及所遇到的问题，引出智能控制的提出与解决的问题，了解智能控制的基本概念，研究的对象，智能控制的几个主要分支及其特点。 2．模糊理论与控制 了解模糊集的概念，普通集合与模糊集合的关系，掌握隶属度函数的意义与建立；熟悉模糊关系的基本概念与模糊关系的合成；了解模糊逻辑及基本逻辑运算，模糊语言，模糊推理的大前提、小前提与结论，掌握各种模糊逻辑推理的原理与过程；掌握模糊控制系统的
2020年智能控制实验报告
智能控制实验报告 姓名 学院 专业自动化班级 学号 指导教师 成绩 2019 年 12 月 25 日 实验一 模糊控制在角度随动系统中的应用一、实验目的与意义学习 Matlab 中建立模糊控制器的方法；了解模糊控制在角度随动系统中的 应用。 二、实验内容在 Matlab 中建立模糊控制器，将生成的模糊规则表插入程序代码中，交叉 编译代码，下载到目标版中进行测试。 1 、Matlab 文本模式建立模糊控制器（必做） 2 、利用 Matlab 模糊逻辑工具箱建立模糊控制器（选做） 3 、模糊控制器 Simulink 仿真（必做） 4 、嵌入式程序交叉编译（选做） 三、实验结果 1 、matlab 文本模式建立模糊控制器 %Fuzzy Controller Design clear all; close all; %新建 FIS a=newfis("myfuzzy"); %输入e，范围[-48,48],7 个模糊语言，NB,NM,NS,Z,PS,PM,PB
a=addvar(a,"input","e",[-48 48]); %Parameter e a=addmf(a,"input",1,"NB","trimf",[-48 -36 -24]); a=addmf(a,"input",1,"NM","trimf",[-36 -24 -12]); a=addmf(a,"input",1,"NS","trimf",[-24 -12 0]); a=addmf(a,"input",1,"Z","trimf",[-12 0 12]); a=addmf(a,"input",1,"PS","trimf",[0 12 24]); a=addmf(a,"input",1,"PM","trimf",[12 24 36]); a=addmf(a,"input",1,"PB","trimf",[24 36 48]); %输入ec，范围[-64,64],7 个模糊语言，NB,NM,NS,Z,PS,PM,PB a=addvar(a,"input","ec",[-64 64]); %Parameter ec a=addmf(a,"input",2,"NB","trimf",[-64 -48 -32]); a=addmf(a,"input",2,"NM","trimf",[-48 -32 -16]); a=addmf(a,"input",2,"NS","trimf",[-32 -16 0]); a=addmf(a,"input",2,"Z","trimf",[-16 0 16]); a=addmf(a,"input",2,"PS","trimf",[0 16 32]); a=addmf(a,"input",2,"PM","trimf",[16 32 48]); a=addmf(a,"input",2,"PB","trimf",[32 48 64]); %输出u，范围[-90,90]，7 个模糊语言，NB,NM,NS,Z,PS,PM,PB a=addvar(a,"output","u",[-90 90]); %Parameter u a=addmf(a,"output",1,"NB","trimf",[-90 -65 -45]); a=addmf(a,"output",1,"NM","trimf",[-65 -45 -25]); a=addmf(a,"output",1,"NS","trimf",[-45 -25 0]); a=addmf(a,"output",1,"Z","trimf",[-25 0 25]); a=addmf(a,"output",1,"PS","trimf",[0 25 45]); a=addmf(a,"output",1,"PM","trimf",[25 45 65]); a=addmf(a,"output",1,"PB","trimf",[45 65 90]); %模糊规则表，7*7=49 行，5 列 rulelist=[1 1 1 1 1; 1 2 1 1 1; 1 3 1 1 1; 1 4 2 1 1; 1 5 2 1 1; 1 6 3 1 1; 1 7 4 1 1;