Sugeno模型模糊推理matlab实验

Sugeno模型模糊推理matlab实验
Sugeno模型模糊推理matlab实验

实验报告1

实验目的:

实现2输入单输出的sugeno模糊模型。模糊规则如下:

If X是小(small)和Y是小,then z= -x+y+1;

If X是小(small)和Y是大,then z= -y+3;

If X是大(large)和Y是小,then z= -x +3;

If X是大(large)和Y是大,then z= x+y+2;

实验方法:

利用matlab提供的模糊控制工具箱(fuzzy)

实验步骤:

1.打开matlab软件在工作空间中输入fuzzy,调出模糊工具箱,如图1所示:

图1

2. 由于实验要求是2输入单输出,所以在edit下拉菜单中选择add variable—input

图2

3. 设置2个输入X和Y和1个输出Z的隶属度函数,输入X的隶属度函数设置为高斯型,输入Y的隶属度函数设置为钟型,如下图3和图4所示:

图3 X的隶属度函数Y的隶属度函数

由于是要目的中的推理规则符合是一般的一阶线性Sugeno模型规则的形式为:

if x is A and y is B then z = px + qy + r;

式中, x和y为输入语言变量, A和B为推理前件的模糊集合, z为输出语言变量, p, q, r为常数

根据要求依次将4个输出中的线性参数设置为:[-1 1 1];[0 -1 3];[-1 0 3] 和[1 1 2]

图4

4. 设置模糊规则:双击工具箱中间的规则块。根据实验要求中的模糊规则,依次将规则添加到规则库中,如下所示:

图5

实验结论

经上面4个步骤就完成了该实验要求,可以观察该模糊模型的规则库和输入输出曲面图,结果如下图6和图7所示:

图6 Sugeno模糊推理的规则库

图7 Sugeno模糊推理输入输出曲面图

实验3模糊工具箱模糊推理

. . . . . 实验三模糊工具箱的模糊洗衣机推理系统设计 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、能够使用Simulink工具箱设计模糊控制系统。 二、实验设备 1、PC机 2、Matlab软件 三、实验内容 使用MATLAB模糊工具箱设计一个洗衣机模糊控制: 1)模糊控制器的结构 选用单变量二维模糊控制器。控制器的输入为衣物的污泥和油脂,输出为洗涤时间。 2)定义输入输出模糊集 将污泥(WN)分为三个模糊集:SD(污泥少),MD(污泥中),LD(污泥多),取值范围为[0,100]。 选用如下隶属函数:

?? ?? ? ??≤<-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50 050/)(50050/)50()(污泥 x x x x x x x x x x x LD MD SD μμμμ 将油脂(YZ)分为三个模糊集:NG (无油脂),MG (油脂中),LG (油脂多),取值范围为[0,100]。选用如下隶属函数: ?? ?? ? ??≤≤-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50 050/)(50050 /)50()(油脂 y y y y y y y y y y y LG MG NG μμμμ 将洗涤时间(XDSJ)分为三个模糊集:VS (很短),S (短),M (中等),L (长),VL (很长),取值范围为[0,60]。选用如下隶属函数: ? ???? ??? ??? ??≤≤-=???≤<-≤≤-=?? ?≤<-≤≤-=???≤<-≤≤=≤≤-==60 4020 /)40()(604020/)60(402515/)25()(402515/)40(251015/)10()(251015/)25(10010 /)(10010 /)10()(洗涤时间 z z z z z z z z z z z z z x z z z z z z z VL L M S VS μμμμμμ 4)建立模糊控制规则 根据人的操作经验设计模糊规则,模糊规则设计的标准为:“污泥越多,油脂越多,洗涤时间越长”;“污泥适中,油脂适中,洗涤时间适中”;“污泥越少,油脂越少,洗涤时间越短”。 5)建立模糊控制表

matlab传染病模型

传染病模型实验 实验目的: 理解传染病的四类模型,学会利用Matlab软件求解微分方程(组)。 实验题目: 利用Matlab求解传染病的SIS微分方程模型,并绘制教材P139页图3-图6。 SIS模型 假设: (1)、t时刻人群分为易感者(占总人数比例的s(t))和已感染者(占总人数比例的i(t))。 (2)、每个病人每天有效接触的平均人数是常数λ,λ称为日接触率,当健康者与病人接触时,健康者受感染成为病人。 (3)、病人每天被治愈的占病人总数的比例为μ,称为日治愈率,显然1 为这种传染病的平均传染期。 μ 则建立微分方程模型为: 令,则模型可写作 分别作图: 页脚内容1

当sigma>1时 Step1:先定义函数 function y=pr1(i,lambda,sigma) y=-lambda.*i.*(i-(1-1./sigma)) step2:作图 lambda=0.3;sigma=2; i=0:0.01:1; y=pr1(i,lambda,sigma) plot(i,y) 页脚内容2

页脚内容3 00.10.20.30.40.50.60.70.80.91 -0.16 -0.14-0.12-0.1-0.08-0.06-0.04-0.020 0.02 当sigma<1时 Step1:先定义函数 function y=pr1(i,lambda,sigma) y=-lambda.*i.*(i-(1-1./sigma)) step2:作图 lambda=0.3;sigma=0.5; i=0:0.01:1; y=pr1(i,lambda,sigma) plot(i,y)

12 模糊综合评价模型

二 模糊综合评价模型 模糊综合评判方法,是一种运用模糊数学原理分析和评价具有“模糊性”的事物的系统分析方法。它是一种以模糊推理为主的定性与定量相结合、精确与非精确相统一的分析评价方法。由于这种方法在处理各种难以用精确数学方法描述的复杂系统问题方面所表现出的独特的优越性,近年来已在许多学科领域中得到了十分广泛的应用。 2.1 模糊综合评判模型 2.1.1单层次模糊综合评判模型 给定两个有限论域 U={u 1,u 2,…,um } (1) V={v 1,v 2,…,v n } (2) (1)式中,U 代表所有的评判因素所组成的集合;(2)式中,V 代表所有的评语等级所组成的集合。 如果着眼于第i(i=1,2,…,m)个评判因素u i ,其单因素评判结果为R i =[r i1,r i2,…,r in ],则m 个评判因素的评判决策矩阵为 111121221 2221 2 n n m m m mn R r r r R r r r R R r r r ???? ????????==???? ???? ???????? (3) 就是U 到V 上的一个模糊关系。 如果对各评判因数的权数分配为:1,2,,m A a a a ??=?? (显然,A 是论域U 上的一,个模糊子集,且101,1m i i i a a =≤≤=∑)则应用模糊变换的合成运算,可以得 到论域V 上的一个模糊子集,即综合评判结果: 1,2,,n B A R b b b ??=?=?? (4) 2.1.2多层次模糊综合评判模型 在复杂大系统中,需要考虑的因素往往是很多的,而且因素之间还存在着不同的层次。这时,应用单层次模糊综合评判模型就很难得出正确的评判结果。所以,在这种情况下,就需要将评判因素集合按照某种属性分成几类,先对每一类进行综合评判,然后再对各类评判结果进行类之间的高层次综合评判。这样,就产生了多层次模糊综合评判问题。 多层次模糊综合评判模型的建立,可按以下步骤进行: (1)对评判因素集合U ,按某个属性,将其划分成m 个子集,使它们满足: 1 () m i i i j U U U U i j =?=????=Φ≠?∑ (5)

神经网络与模糊控制考试题及答案

一、填空题 1、模糊控制器由模糊化接口、解模糊接口、知识库和模糊推理机组成 2、一个单神经元的输入是 1.0 ,其权值是 1.5,阀值是-2,则其激活函数的净输入是-0.5 ,当激活函数是阶跃函数,则神经元的输出是 1 3、神经网络的学习方式有导师监督学习、无导师监督学习 和灌输式学习 4、清晰化化的方法有三种:平均最大隶属度法、最大隶属度取最小/最大值法和中位数法,加权平均法 5、模糊控制规则的建立有多种方法,是:基于专家经验和控制知识、基于操作人员的实际控制过程和基于过程的模糊模型,基于学习 6、神经网络控制的结构归结为神经网络监督控制、神经网络直接逆动态控制、神网自适应控制、神网自适应评判控制、神网内模控制、神网预测控制六类 7.傅京逊首次提出智能控制的概念,并归纳出的3种类型智能控制系统是、和。 7、人作为控制器的控制系统、人机结合作为控制器的控制系统、无人参与的自主控 制系统 8、智能控制主要解决传统控制难以解决的复杂系统的控制问题,其研究的对象具备的3个特点为、和。 8、不确定性、高度的非线性、复杂的任务要求 9.智能控制系统的主要类型有、、、 、和。 9、分级递阶控制系统,专家控制系统,神经控制系统,模糊控制系统,学习控制系统,集成或者(复合)混合控制系统 10.智能控制的不确定性的模型包括两类:(1); (2)。 10、(1)模型未知或知之甚少;(2)模型的结构和参数可能在很大范围内变化。11.控制论的三要素是:信息、反馈和控制。 12.建立一个实用的专家系统的步骤包括三个方面的设计,它们分别是、 和。知识库的设计推理机的设计人机接口的设计 13.专家系统的核心组成部分为和。知识库、推理机 14.专家系统中的知识库包括了3类知识,它们分别为、、 和。判断性规则控制性规则数据

在线推理法模糊控制器实验报告

在线推理式模糊逻辑控制器设计实验报告 学院:电力学院 专业:自动化 学号: 姓名: 时间:2013年11月16日

一、实验目的 利用Matlab软件实现模糊控制系统仿真实验,了解模糊控制的在线推理方法的基本原理及实现过程。 二、实验要求 以matlab模糊工具箱中提供的一个水位模糊控制系统仿真的实例,定义语言变量的语言值,设置隶属度函数,根据提供的规则建立模糊逻辑控制器。最后启动仿真,观察水位变化曲线。 三、实验步骤 叙述在线推理模糊控制的仿真的主要步骤。 1)在matlab命令窗口输入:sltank,打开水位控制系统的simulink仿真模型图,如图; 2)在matlab的命令窗口中,输入指令:fuzzy,便打开了模糊推理系统编辑器(FIS Editor),如图;

3)利用FIS Editor编辑器的Edit/Add variable/input菜单,添加一条输入语言变量,并将两个输入语言和一个输出语言变量的名称分别定义为:level;rate;valve。其中,level代表水位(三个语言值:低,高,正好),rate代表变化率(三个语言值:正,不变,负),valve代表阀门(五个语言变量:不变,迅速打开,迅速关闭,缓慢打开,缓慢关闭); 4)①利用FIS Editor编辑器的Edit/membership function菜单,打开隶属度函数编辑器,如下图,将输入语言变量level的取值范围(range)和显示范围(display range)设置为[-1,1],隶属度函数类型(type)设置为高斯型函数(gaussmf),而所包含的三条曲线的名称(name)和参数(parameters)([宽度中心点])分别设置为:high,[0.3 -1];okay [0.3 0];low [0.3 1]。其中high 、okay、low分别代表水位高、正好、低; ②将输入语言变量rate的取值范围(range)和显示范围(display range) 设置为[-0.1,0.1],隶属度函数类型(type)设置为高斯型函数(gaussmf),而 所包含的三条曲线的名称(name)和参数(parameters)([宽度中心点])分

数学建模 matlab求解线性规划实验报告

实验三 线性规划 程序: linprog c=[-0.4 -0.28 -0.32 -0.72 -0.64 -0.6]; A=[0.01 0.01 0.01 0.03 0.03 0.03;0.02 0 0 0.05 0 0;0 0.02 0 0 0.05 0;0 0 0.03 0 0 0.08]; b=[850;700;100;900]; Aeq=[]; beq=[]; vlb=[0;0;0;0;0;0]; vub=[]; [x,fval]=linprog(c,A,b,Aeq,beq,vlb,vub) Exam5: function f=fun3(x); f=-x(1)-2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^2 实验目的 2、掌握用数学软件包求解线性规划问题。 1、了解线性规划的基本内容。 例1 max 6543216.064.072.032.028.04.0x x x x x x z +++++= 85003.003.003.001.001.001.0..654321≤+++++x x x x x x t s 70005.002.041≤+x x 10005.002.052≤+x x 90008.003.063≤+x x 6,2,10 =≥j x j

x0=[1;1]; A=[2 3 ;1 4]; b=[6;5]; Aeq=[];beq=[]; VLB=[0;0]; VUB=[]; [x,fval]=fmincon('fun3',x0,A,b,Aeq,beq,VLB,VUB) 书 求下列非线性规划 2221232212322 1232 12223123min 8020 ..2023,,0x x x x x x x x x s t x x x x x x x +++?-+≥?++≤??--+=??+=? ?≥? 在Matlab 2013软件中输入如下程序: (i )编写M 文件fun1.m 定义目标函数 function f=fun1(x); f=sum(x.^2)+8; (ii )编写M 文件fun2.m 定义非线性约束条件 function [g,h]=fun2(x); g=[-x(1)^2+x(2)-x(3)^2 x(1)+x(2)^2+x(3)^3-20]; %非线性不等式约束 h=[-x(1)-x(2)^2+2 x(2)+2*x(3)^2-3]; %非线性等式约束 (iii )编写主程序文件example2.m 如下: options=optimset('largescale','off'); [x,y]=fmincon('fun1',rand(3,1),[],[],[],[],zeros(3,1),[], ... 'fun2', options) 就可以求得当1230.5522 1.2033,,0.9478x x x ===时,最小值y =10.6511。 4. 选修课的策略 决策目标为选修的课程总数最少,即 921min x x x +++ 约束条件: (1) 满足课程要求:(至少2门数学课程,3门运筹学课程和2门计算机课程)

模糊控制系统建模与仿真分析

题目:模糊控制系统建模与仿真分析 一、实验目的 1、熟悉Matlab软件的基本操作方法 2、掌握用matlab/Fuzzy logic toolbox进行模糊控制系统建模仿真的基本方法。 3、熟悉模糊控制系统设计的基本方法 二、实验学时:4学时 三、实验原理 MATLAB R2008提供了建立模糊逻辑推理系统的仿真工具箱——Fuzzy Logic Toolbox,版本为Fuzzy Logic Toolbox2.2.7。建立模糊逻辑推理系统有两种基本方法,第一种方法是借助模糊推理系统编辑器(Fuzzy Logic Editor)的图形界面工具建立模糊逻辑推理系统,第二种方法是利用命令建立模糊逻辑推理系统。第一种方法使用简单、建模方便,适合于初学模糊逻辑控制系统建模与仿真的读者。第二种方法稍难一些,但对深入了解模糊逻辑推理系统的MATLAB仿真知识大有帮助。下面分别讲述两种方法,读者可自行选择阅读。 1模糊逻辑工具箱图形界面工具 模糊逻辑工具箱图形工具是为了方便用户建立模糊推理系统而推出的图形化设计工具,在这里可快速方便的建立模糊推理系统并观测模糊规则、推理输出等。模糊逻辑推理图形工具主要包括:基本模糊推理系统编辑器(fuzzy)、隶属函数编辑器(mfedit)、模糊规则编辑器(ruleedit)、模糊规则观测器(ruleview)、模糊推理输入输出曲面观测器(surfview)。下面分别介绍它们的基本使用方法。 1.1基本模糊推理系统编辑器 在Command Windows输入“fuzzy”命令,弹出如下图 1所示的“FIS Editor”(模糊推理系统编辑器)窗口。在这里可以对包括输入、输出模糊语言变量的名称、模糊推理系统的类型和名称、模糊逻辑推理的各种运算(与、或、蕴含、规则合成、解模糊化)等高层属性进行编辑。同时,还可以打开模糊推理系统的隶属函数编辑器(mfedit)、模糊规则编辑器(ruleedit)、模糊规则观测器(ruleview)、模糊推理输入输出曲面观测器(surfview)。

MATLAB及在数学建模中的应用

第1讲MATLAB及 在数学建模中的应用 ? MatLab简介及基本运算?常用计算方法 ?应用实例

一、 MatLab简介及基本运算 1.1 MatLab简介 1.2 MatLab界面 1.3 MatLab基本数学运算 1.4 MatLab绘图

1.1 MatLab简介?MATLAB名字由MATrix和 LABoratory 两词组成。20世纪七十年代后期, 美国新墨西哥大学计算机科学系主任Cleve Moler教授为减轻学生编程负担,为学生设计了一组调用LINPACK和EISPACK库程序的“通俗易用”的接口,此即用FORTRAN编写的萌芽状态的MATLAB。

?经几年的校际流传,在Little的推动下,由Little、Moler、Steve Bangert合作,于1984年成立了MathWorks公司,并把MATLAB正式推向市场。从这时起,MATLAB的内核采用C语言编写,而且除原有的数值计算能力外,还新增了数据图视功能。

?1997年春,MATLAB5.0版问世,紧接着是5.1、5.2、5.3、6.0、6.1、6.5、7.0版。现今的MATLAB拥有更丰富的数据类型和结构、更友善的面向对象、更加快速精良的图形可视、更广博的数学和数据分析资源、更多的应用开发工具。 ?20世纪九十年代的时候,MATLAB已经成为国际控制界公认的标准计算软件。

?MATLAB具有用法简易、可灵活运用、程式结构强又兼具延展性。以下为其几个特色: ①可靠的数值运算和符号计算。在MATLAB环境中,有超过500种数学、统计、科学及工程方面的函 数可使用。 ②强大的绘图功能。 MATLAB可以绘制各种图形,包括二维和三维图形。 ③简单易学的语言体系。 ④为数众多的应用工具箱。

模糊神经网络讲义

模糊神经网络(备课笔记) 参考书: 杨纶标,高英仪。《模糊数学原理及应用》(第三版),广 州:华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉:武汉科技大学 胡宝清。模糊理论基础。武汉:武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理,并以此为基础,介绍了大量的应用实例及编程实现实例。 顾名思义,模糊神经网络就是模糊系统和神经网络的结合,本质上就是将常规的神经网络(如前向反馈神经网络,Hopfield神经网络)赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的,这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授(美国加利福尼亚大学)所说:“当系统的复杂性增加时,我们使它精确化的能力将减小。直到达到一个阈值,一旦超越它,复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们,复杂性越高,有意义的精确化能力就越低;而复杂性意味着因素众多,以致人们往往不可能同时考察所有因素,只能把研究对象适当简化或抽象成模型,即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时,即使本来是明确的概念,也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰,如“光滑铰链”这个力学模型,什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义,客观上两者之间没有绝对分明的界限;主观上,决策者对此类非程序化决策做出判断时,主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏,本来有很多因素,比如人品、性格、相貌

模糊神经网络技术研究的现状及展望

模糊神经网络技术研究的现状及展望 摘要:本文对模糊神经网络技术研究的现状进行了综述,首先介绍了模糊控制技术和神经网络技术的发展,然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性,接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述,指出了目前模糊神经网络的研究发展中还存在的一些问题,并对模糊神经网络的发展进行了展望。 关键字:模糊控制;神经网络;模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此,通过模拟人类学习和自适应能力,人们提出了智能控制的思想。控制理论专家Austrom(1991)在IFAC大会上指出:模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上,并非建立在工业过程所产生的操作数据上,且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握,这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法,各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点,避免了两者的缺点,已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年,英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制,提出了模糊控制论。至今,模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮,其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆,分类和优化计算等功能,在解决高度非线性和严重不确定系统的控制问题方面,显示了巨大的优势和潜力 模糊控制系统与神经网络系统具有整体功能的等效性[2],两者都是无模型的估计器,都不需要建立任何的数学模型,只需要根据输入的采样数据去估计其需要的决策:神经网络根据学习算法,而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上,两者具有相同的正规数学特性,且共享同一状态空间[3]。 另一方面,模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射,但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合,后者正好弥补前者的这点不足,而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性,从而提高模糊控制的置信度。 因此,模糊逻辑和神经网络虽然有着本质上的不同,但由于两者都是用于处理不确定性问题,不精确性问题,两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4];Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT,Fuzzy Approximation Theorem)[5];Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots 和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系,正是由于这类理论上的共性,才使模糊逻辑

模糊控制系统设计及实现

物理与电子工程学院 《人工智能》 课程设计报告 课题名称模糊控制系统的设计与实现专业自动化 班级 2班 学生姓名梁检满 学号 指导教师崔明月 成绩 2014年6月18日

模糊控制系统的设计与实现 摘要 自然界与人类社会有关系的系统绝大部分是模糊系统,这类系统的数学模型不能由经典的物理定律和数学描述来建立。本文在模糊控制理论基础上设计模糊温控系统,利用专家经验建立模糊系统控制规则库,由规则库得到相应的控制决策,并分析系统隶属度函数,利用matlab与simulink结合进行仿真。仿真结果表明,该系统的各项性能指标良好,具有一定的自适应性。模糊控制算法不但简单实用,而且响应速度快,超调量小,控制效果良好。 关键词:模糊逻辑;隶属度函数;模糊控制; 控制算法

1引言 在传统的控制领域里,控制系统动态模式的精确与否是影响控制优劣的最主要关键,系统动态的信息越详细,则越能达到精确控制的目的。随着社会及科技的发展,现代工程实践对系统的控制要求也在不断地提高,但对于复杂的系统,由于变量太多,往往难以正确的描述系统的动态,随着人类生产、生活对控制的精细需求,传统的控制理论已渐渐不能满足工艺要求。虽然于是工程师利用各种方法来简化系统动态,以达成控制的目的,但却不尽理想。换言之,传统的控制理论对于明确系统有强而有力的控制能力,但对于过于复杂或难以精确描述的系统,则显得无能为力了,因此便尝试着以模糊数学来处理这些控制问题。 “模糊”是人类感知万物、获取知识、思维推理、决策实施的重要特征。模糊并非是将这个世界变得模糊,而是让世界进入一个更现实的层次。“模糊”比“清晰”所拥有的信息量更大,内涵更丰富,更符合客观世界。“模糊控制理论”是由美国学者加利福尼亚大学著名教授L. A. Zadeh于1965年首先提出,至今已有50多年的历史。模糊控制是用模糊数学的知识模仿人脑的思维方式,对模糊现象进行识别和判决,给出精确的控制量,对被控对象进行控制,它是用语言规则描述知识和经验的方法,结合先进的计算机技术,通过模糊推理进行判决的一种高级控制策略。它含有人工智能所包括的推理、学习和联想三大要素;它不是采用纯数学建模的方法,而是将相关专家的知识和思维、学习与推理、联想和决策过程,有计算机来实现辨识和建模并进行控制。因此,它无疑是属于智能控制范畴,而且发展至今已发展成为人工智能领域中的一个重要分支。其理论发展之迅速,应用领域之广泛,控制效果之显著,实为世人关注。 在工业生产过程中,温度控制是重要环节,控制精度直接影响系统的运行和产品质量。在传统的温度控制方法中,一般采取双向可控硅装置,并结合简单控制算法(如PID算法),使温度控制

数学建模matlab例题参考及练习

数学实验与数学建模 实验报告 学院: 专业班级: 姓名: 学号: 完成时间:年月日

承 诺 书 本人承诺所呈交的数学实验与数学建模作业都是本人通过学习自行进行编程独立完成,所有结果都通过上机验证,无转载或抄袭他人,也未经他人转载或抄袭。若承诺不实,本人愿意承担一切责任。 承诺人: 年 月 日 数学实验学习体会 (每个人必须要写字数1200字以上,占总成绩的20%) 练习1 一元函数的图形 1. 画出x y arcsin =的图象. 2. 画出x y sec =在],0[π之间的图象. 3. 在同一坐标系中画出x y =,2x y =,3 x y = ,3x y =,x y =的图象. 4. 画出3 2 3 2)1()1()(x x x f + +-=的图象,并根据图象特点指出函数)(x f 的奇偶性. 5. 画出)2ln(1++=x y 及其反函数的图象. 6. 画出3 21+=x y 及其反函数的图象.

练习2 函数极限 1.计算下列函数的极限. (1) x x x 4 cos 1 2 sin 1 lim 4 - + π → . 程序: sym x; f=(1+sin(2*x))/(1-cos(4*x)); limit(f,x,pi/4) 运行结果: lx21 ans = 1 (2). 程序: sym x; f=(1+cos(x))^(3*sec(x)); limit(f,x,pi/2) 运行结果: lx22 ans = exp(3) (3) 2 2 ) 2 ( sin ln lim x x x - π π → . 程序: sym x; f=log(sin(x))/(pi-2*x)^2; limit(f,x,pi/2) 运行结果: lx23 ans = -1/8 (4) 2 1 2 lim x x e x →. 程序: x x x sec 3 2 ) cos 1( lim+ π →

实验3模糊工具箱模糊推理

实用文档 实验三 模糊工具箱的模糊洗衣机推理系统设计 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、能够使用Simulink 工具箱设计模糊控制系统。 二、 实验设备 1、PC 机 2、Matlab 软件 三、 实验容 使用MATLAB 模糊工具箱设计一个洗衣机模糊控制: 1)模糊控制器的结构 选用单变量二维模糊控制器。控制器的输入为衣物的污泥和油脂,输出为洗涤时间。 2)定义输入输出模糊集 将污泥(WN)分为三个模糊集:SD (污泥少),MD (污泥中),LD (污泥多),取值围为[0,100]。 选用如下隶属函数: ?? ?? ? ??≤<-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50050/)(50050 /)50()(污泥 x x x x x x x x x x x LD MD SD μμμμ 将油脂(YZ)分为三个模糊集:NG (无油脂),MG (油脂中),LG (油脂多),取值围为[0,100]。选用如下隶属函数:

?? ?? ? ??≤≤-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50050/)(50050/)50()(油脂 y y y y y y y y y y y LG MG NG μμμμ 将洗涤时间(XDSJ)分为三个模糊集:VS (很短),S (短),M (中等),L (长),VL (很长),取值围为[0,60]。选用如下隶属函数: ? ???? ??? ??? ??≤≤-=???≤<-≤≤-=?? ?≤<-≤≤-=???≤<-≤≤=≤≤-==60 4020 /)40()(604020/)60(402515/)25()(402515/)40(251015/)10()(251015/)25(10010 /)(10010 /)10()(洗涤时间 z z z z z z z z z z z z z x z z z z z z z VL L M S VS μμμμμμ 4)建立模糊控制规则 根据人的操作经验设计模糊规则,模糊规则设计的标准为:“污泥越多,油脂越多,洗涤时间越长”;“污泥适中,油脂适中,洗涤时间适中”;“污泥越少,油脂越少,洗涤时间越短”。 5)建立模糊控制表 根据模糊规则的设计标准,建立模糊规则表 四、 实验步骤 第一步:打开模糊推理系统编辑器

实验一 用MATLAB处理系统数学模型

实验一用MATLAB处理系统数学模型 一、实验原理 表述线性定常系统的数学模型主要有微分方程、传递函数、动态结构图等.求拉氏变换可用函数laplace(ft,t,s),求拉式反变换可用函数illaplace(Fs,s,t);有关多项式计算的函数主要有roots(p),ploy(r),conv(p,q),ployval(n,s);求解微分方程可采用指令 s=dslove(‘a_1’,’a_2’,’···,’a_n’);建立传递函数时,将传递函数的分子、分母多项式的系数写成两个向量,然后用tf()函数来给出,还可以建立零、极点形式的传递函数,采用的函数为zpk(z,p,k);可用函数sys=series(sys1,sys2)来实现串联,用 sys=parallel(sys1,sys2)来实现并联,可用函数sys=feedback(sys1,sys2,sign)来实现系统的反馈连接,其中sign用来定义反馈形式,如果为正反馈,则sign=+1,如果为负反馈,则sign=-1。 二、实验目的 通过MATLAB软件对微分方程、传递函数和动态结构图等进行处理,观察并分析实验结果。 三、实验环境 MATLAB2012b 四、实验步骤 1、拉氏变换 syms s t; ft=t^2+2*t+2; st=laplace(ft,t,s) 2、拉式反变换 syms s t; Fs=(s+6)/(s^2+4*s+3)/(s+2); ft=ilaplace(Fs,s,t) 3、多项式求根 p=[1 3 0 4]; r=roots(p) p=poly(r) 4、多项式相乘 p=[ 3 2 1 ];q=[ 1 4];

模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例 [摘要]本文基于通用神经网络的自适应性和诊断的建模方法,建立了一种新的故障诊断模型一模糊神经网络诊断模型,并对它的智能诊断机理和突出特点进行了深入分析。最后,将该诊断模型应用于某大型汽轮发电机组故障诊断中,分析得出它具有明显的提高诊断精确度的优越性。 [关键词]神经网络故障诊断智能诊断 1模糊推理神经网络诊断模型建立 1.1通用网络模型自适应动态特性 比较两类典型的神经网络一前向BP网络与反馈Hopfied网络,可以发现其核心是单层神经网络,则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念,对这个通用神经网络模型的特征进行分析得出以下两个结论,证明从略。 定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。 推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。Rm)。 由推论1表明,通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn,Rm),因而具有良好的自学习、自适应动态特性。 1.2诊断建模方法 设xjn(j=1,2,...,k)对应反映设备运行状态第n个观测样本的k个特征参数,yin,(i=1,2,...l)对应第n个样本的1种故障模式,共有N个样本xjn∈RN,yin∈RN,[n=1,2,...,N),则故障模式向量Y={yin,i=1,2,...,l}与特征参数向量x={xin,i=1,2,...,k}间的内在关系用函数P表示,有:X=P(Y)。当N→∞时,函数P的逆函数存在,以函数S表示,有:Y=S(X) 诊断问题建模的实质就是根据有限的样本集,确定函数S(X)的一等价映射关系SS(X),使得对于任意的ε>0,满足:

matlab在数学建模中的应用

Matlab在数学建模中的应用 数学建模是通过对实际问题的抽象和简化,引入一些数学符号、变量和参数,用数学语言和方法建立变量参数间的内在关系,得出一个可以近似刻画实际问题的数学模型,进而对其进行求解、模拟、分析检验的过程。它大致分为模型准备、模型假设、模型构成、模型求解、模型分析、模型检验及应用等步骤。这一过程往往需要对大量的数据进行分析、处理、加工,建立和求解复杂的数学模型,这些都是手工计算难以完成的,往往在计算机上实现。在目前用于数学建模的软件中,matlab 强大的数值计算、绘图以及多样化的工具箱功能,能够快捷、高效地解决数学建模所涉及的众多领域的问题,倍受数学建模者的青睐。 1 Matlab在数学建模中的应用 下面将联系数学建模的几个环节,结合部分实例,介绍matlab 在数学建模中的应用。 1.1 模型准备阶段 模型准备阶段往往需要对问题中的给出的大量数据或图表等进行分析,此时matlab的数据处理功能以及绘图功能都能得到很好的应用。 1.1.1 确定变量间关系 例1 已知某地连续20年的实际投资额、国民生产总值、物价指数的统计数据(见表),由这些数据建立一个投资额模型,根据对未来国民生产总值及物价指数的估计,预测未来的投资额。

表1 实际投资额、国民生产总值、物价指数的统计表 记该地区第t年的投资为z(t),国民生产总值为x(t),物价指数为y(t)。 赋值: z=[90.9 97.4 113.5 125.7 122.8 133.3 149.3 144.2 166.4 195 229.8 228.7 206.1 257.9 324.1 386.6 423 401.9 474.9 424.5]' x=[596.7 637.7 691.1 756 799 873.4 944 992.7 1077.6 1185.9 1326.4 1434.2 1549.2 1718 1918.3 2163.9 2417.8 2631.6 2954.7 3073]' y=[0.7167 0.7277 0.7436 0.7676 0.7906 0.8254 0.8679 0.9145 0.9601 1 1.0575 1.1508 1.2579 1.3234 1.4005 1.5042 1.6342 1.7842 1.9514 2.0688]' 先观察x与z之间,y与z之间的散点图 plot(x,z,'*') plot(y,z,'*') 由散点图可以看出,投资额和国民生产总值与物价指数都近似呈

实验三统计回归模型Matlab求解

实验三:统计回归模型Matlab求解 一、实验目的 [1] 通过范例学习建立统计回归的数学模型以及求解全过程; [2] 熟悉MATLAB求解统计回归模型的过程。 二、实验原理 问题: 一家技术公司人事部门为研究软件开发人员的薪金与他们的资历、管理责任、教育程度等因素之间的关系,要建立一个数学模型,以便分析公司人事策略的合理性,并作为新聘用人员薪金的参考。他们认为目前公司人员的薪金总体上是合理的,可以作为建模的依据,于是调查来46名软件开发人员的档案资料,如表4,其中资历一列指从事专业工作的年数,管理一列中1表示管理人员,0表示非管理人员,教育一列中1表示中学程度,2表示大学程度,3表示更高程度(研究生) 分析与假设按照常识,薪金自然随着资历的增长而增加,管理人员的薪金应高于非管理人员,教育程度越高薪金也越高。薪金记作y,资历记作x1,为了表示是否管理人员,定义: 21 0, x ? =? ? ,管理人员 非管理人员 .

为了表示3种教育程度,定义: 31,0,x ?=? ?中学其它 41,0,x ?=??大学 其它 这样,中学用x 3=1,x 4=0表示,大学用x 3=0,x 4=1表示,研究生则用x 3=0,x 4=0表示。 假定资历对薪金的作用是线性的,即资历每加一年,薪金的增长是常数;管理责任、教育程度、资历诸因素之间没有交互作用,建立线性回归模型。 基本模型 薪金y 与资历x1, 管理责任x2,教育程度x3,x4之间的多元线性回归模型为 011223344y a a x a x a x a x ε=+++++ (1) 其中014,,a a a …,是待估计的回归系数,ε是随机误差。 MATLAB 的统计工具箱基本函数regress: [b,bint,r,rint,stats]=regress(y,x,alpha) 输入: y: n 维数据向量 x: n ?5数据矩阵, 第1列为全1向量 alpha: 置信水平,0.05 输出: b: 参数估计值 bint: b 的置信区间 r : 残差向量y -xb rint:r 的置信区间 stats: 第一个数为残差平方即回归方程之决定系数 R^2(R 为相关系数)越接近1,回 归方程显著;第二个数为统计量F 检验的值,越大回归方程越显著;第三个数为F 对应概率P ,越接近零越好;第四个数是误差项的方差估计值 在MA TLAB 命令窗口输入代码: y=[13876;11608;18701;11283;11767;20872;11772;10535;12195;12313;14975;21371;19800;11417;20263;13231;12884;13245;13677;15965;12366;21352;13839;22884;16978;14803;17404;22184;13548;14467;15942;23174;23780;25410;14861;16882;24170;15990;26330;17949;25685;27837;18838;17483;19207;19346]; x1=[1;1;1;1;1;2;2;2;2;3;3;3;3;4;4;4;4;5;5;5;6;6;6;6;7;8;8;8;8;10;10;10;10;11;11;12;12;13;13;14;15;16;16;16;17;20]; x2=[1;0;1;0;0;1;0;0;0;0;1;1;1;0;1;0;0;0;0;1;0;1;0;1;1;0;1;1;0;0;0;1;1;1;0;0;1;0;1;0;1;1;0;0;0;0]; x3=[1;0;0;0;0;0;0;1;0;0;1;0;0;1;0;0;0;0;0;1;1;0;0;0;1;0;1;0;1;1;0;0;0;0;1;0;0;1;0;0;0;0;0;1;0;1]; x4=[0;0;0;1;0;1;1;0;0;1;0;1;0;0;0;0;1;1;0;0;0;0;1;1;0;1;0;0;0;0;1;0;1;1;0;1;0;0;1;1;0;1;1;0;1;0]; xb5=[ones(46,1),x1,x2,x3,x4]; [b,bint,r,rint,stats]=regress(y,xb5) 可以得到回归系数及其置信区间(置信水平a=0.05)、检验统计量R 2,F ,p 结果,

matlab数学建模实例

第四周 3. 中的三个根。 ,在求8] [0,041.76938.7911.1-)(2 3=-+=x x x x f function y=mj() for x0=0:0.01:8 x1=x0^3-11.1*x0^2+38.79*x0-41.769; if (abs(x1)<1.0e-8) x0 end end 4.分别用简单迭代法、埃特金法、牛顿法求解方程,并比较收敛性与收敛速度(ε分别取10-3、10-5、10-8)。 简单迭代法: function y=jddd(x0) x1=(20+10*x0-2*x0^2-x0^3)/20; k=1; while (abs(x1-x0)>=1.0e-3) x0=x1; x1=(20+10*x0-2*x0^2-x0^3)/20;k=k+1; end x1 k 埃特金法: function y=etj(x0) x1=(20-2*x0^2-x0^3)/10; x2=(20-2*x1^2-x1^3)/10; x3=x2-(x2-x1)^2/(x2-2*x1+x0); k=1; while (abs(x3-x0)>=1.0e-3) x0=x3; x1=(20-2*x0^2-x0^3)/10; x2=(20-2*x1^2-x1^3)/10; x3=x2-(x2-x1)^2/(x2-2*x1+x0);k=k+1; end 2 ,020102)(023==-++=x x x x x f

x3 k 牛顿法: function y=newton(x0) x1=x0-fc(x0)/df(x0); k=1; while (abs(x1-x0)>=1.0e-3) x0=x1; x1=x0-fc(x0)/df(x0);k=k+1; end x1 k function y=fc(x) y=x^3+2*x^2+10*x-20; function y=df(x) y=3*x^2+4*x+10; 第六周 1.解例6-4(p77)的方程组,分别采用消去法(矩阵分解)、Jacobi迭代法、Seidel迭代法、松弛法求解,并比较收敛速度。 消去法: x=a\d 或 [L,U]=lu(a); x=inv(U)inv(L)d Jacobi迭代法: function s=jacobi(a,d,x0) D=diag(diag(a)); U=-triu(a,1); L=-tril(a,-1); C=inv(D); B=C*(L+U); G=C*d; s=B*x0+G; n=1; while norm(s-x0)>=1.0e-8 x0=s; s=B*x0+G;

(整理)人工智能-模糊推理.

目录 引言 1不確定性與模糊逻辑 1.1古典逻辑 1.2 模糊逻辑 1.2.1 一维隶属函数参数值 1.2.2 二维隶属函数参数值 2 模糊关系 2.1 模糊关系的定义 2.2 模糊关系的表示 3 模糊集合 3.1 模糊集合的概念 3.2 模糊集合的表示 3.3 模糊集合的运算性质 4 模糊逻辑 5 简单遗传算法 6 模糊遗传算法 7 关于模糊遗传算法的新方法

引言 模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式,对于模型未知或不能确定的描述系统,以及强非线性、大滞后的控制对象,应用模糊集合和模糊规则进行推理,表达过渡性界限或定性知识经验,模拟人脑方式,实行模糊综合判断,推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验,它借助于隶属度函数概念,区分模糊集合,处理模糊关系,模拟人脑实施规则型推理,解决因“排中律”的逻辑破缺产生的种种不确定问题 。 一、 不確定性與模糊逻辑 ? 妻子: Do you love me ? ? 丈夫: Yes .(布林逻辑) ? 妻子: How much ? (模糊逻辑) 布林逻辑(Boolean Logic):二值,布林逻辑:{真,假} {0,1}; 模糊逻辑(Fuzzy Logic):多值,模糊逻辑:部分为真(部分为假),而不是非真即假。模糊逻辑取消了二值之间非此即彼的对立,用隶属度表示二值间的过度状态(1---完全属于这个集合;0---完全不属于这个集合)。 1.1 古典逻辑 对于任意一个集合A ,论域中的任何一个元素x ,或者属于A ,或者不属于A ,集合A 也可以由其特征函数定义: 1.2 模糊逻辑 论域上的元素可以“部分地属于”集合A 。一个元素属于集合A 的程度称为 隶属度,模糊集合可用隶属度函数定义。 1.2.1 一维隶属函数参数化 1) 三角形隶属函数: (如图1.1) 1,()0,A x A f x x A ∈?=???

相关文档
最新文档