智能控制实验
智能控制实验报告模板
智能控制实验报告模板1. 引言在本次智能控制实验中，我们研究了智能控制的基本概念和应用。
通过实际操作，我们深入了解了智能控制系统的原理和设计方法。
本报告将详细介绍我们在实验中所进行的步骤、实验结果分析以及我们的总结和思考。
2. 实验目的本次实验的主要目的是探索智能控制系统的工作原理、学习其基本概念以及了解在实际应用中的方法。
具体目标如下：1. 熟悉智能控制的基本原理和概念；2. 了解智能控制系统的硬件和软件设计；3. 实践并掌握智能控制系统的参数调整和优化方法。
3. 实验步骤3.1 硬件搭建我们首先根据实验要求搭建了智能控制系统的硬件平台。
这个平台包括传感器、执行器和控制器等组件。
我们按照指导书的要求连接各个模块，并确保它们能够正常工作。
3.2 软件配置在硬件搭建完成后，我们开始进行软件配置。
我们根据实验要求，通过软件工具对智能控制系统进行编程，设置不同的控制策略和参数调整方法。
3.3 实验数据采集一切就绪后，我们开始采集实验数据。
通过传感器测量和执行器反馈，我们得到了系统运行过程中的各种参数和状态。
这些数据将用于后续的分析和优化。
3.4 参数调整与优化根据实验数据，我们对智能控制系统进行参数调整与优化。
我们通过反复试验，观察系统响应并调整参数，以达到最优控制效果。
4. 实验结果与分析我们根据实验数据和分析对比，得出以下实验结果与分析：1. 实验结果A- 数据分析A1- 结果评价A22. 实验结果B- 数据分析B1- 结果评价B2通过实验数据和分析，我们发现实验结果A 表现较好，系统响应稳定，控制效果较好。
而实验结果B 则存在一些问题，需要进一步优化。
5. 总结与思考通过本次智能控制实验，我们深入了解了智能控制系统的原理和设计方法。
在实验过程中，我们掌握了智能控制系统的搭建、参数调整与优化等关键技术。
通过对实验结果的分析，我们对智能控制系统的优势和应用范围有了更深入的理解。
然而，本次实验也存在一些问题和不足之处。
智能小车控制实验报告
一、实验目的本次实验旨在通过设计和搭建一个智能小车系统，学习并掌握智能小车的基本控制原理、硬件选型、编程方法以及调试技巧。
通过实验，加深对单片机、传感器、电机驱动等模块的理解，并提升实践操作能力。
二、实验原理智能小车控制系统主要由以下几个部分组成：1. 单片机控制单元：作为系统的核心，负责接收传感器信息、处理数据、控制电机运动等。
2. 传感器模块：用于感知周围环境，如红外传感器、超声波传感器、光电传感器等。
3. 电机驱动模块：将单片机的控制信号转换为电机驱动信号，控制电机运动。
4. 电源模块：为系统提供稳定的电源。
实验中，我们选用STM32微控制器作为控制单元，使用红外传感器作为障碍物检测传感器，电机驱动模块采用L298N芯片，电机选用直流电机。
三、实验器材1. STM32F103C8T6最小系统板2. 红外传感器3. L298N电机驱动模块4. 直流电机5. 电源模块6. 连接线、电阻、电容等7. 编程器、调试器四、实验步骤1. 硬件搭建：- 将红外传感器连接到STM32的GPIO引脚上。
- 将L298N电机驱动模块连接到STM32的PWM引脚上。
- 将直流电机连接到L298N的电机输出端。
- 连接电源模块，为系统供电。
2. 编程：- 使用Keil MDK软件编写STM32控制程序。
- 编写红外传感器读取程序，检测障碍物。
- 编写电机驱动程序，控制电机运动。
- 编写主程序，实现小车避障、巡线等功能。
3. 调试：- 使用调试器下载程序到STM32。
- 观察程序运行情况，检查传感器数据、电机运动等。
- 调整参数，优化程序性能。
五、实验结果与分析1. 避障功能：实验中，红外传感器能够准确检测到障碍物，系统根据检测到的障碍物距离和方向，控制小车进行避障。
2. 巡线功能：实验中，小车能够沿着设定的轨迹进行巡线，红外传感器检测到黑线时，小车保持匀速前进；检测到白线时，小车进行减速或停止。
3. 控制性能：实验中，小车在避障和巡线过程中，表现出良好的控制性能，能够稳定地行驶。
智能控制技术专业实习实训报告
智能控制技术专业实习实训报告一、实习实训目的通过本次智能控制技术专业实习实训，使学生了解智能控制系统的基本原理和应用，提高学生的实践能力和创新能力，培养学生的团队合作精神和职业素养。
二、实习实训内容1. 学习智能控制系统的基本原理，包括模糊控制、神经网络控制、自适应控制等。
2. 学习智能控制系统的应用，包括工业机器人、自动化生产线、智能家居等。
3. 参与实验室的智能控制系统设计与调试，完成指定的实验任务。
4. 参观企业智能控制系统的实际应用，了解企业对智能控制技术的需求和发展趋势。
5. 完成实习实训报告，总结实习实训过程中的收获和不足。
三、实习实训过程1. 实习实训前期，学生通过课堂学习和自学，掌握了智能控制系统的基本原理和应用。
2. 实习实训中期，学生分组进行实验室的智能控制系统设计与调试，遇到了一些问题，通过查阅资料、请教老师和同学，逐步解决问题，完成了实验任务。
3. 实习实训后期，学生参观了企业智能控制系统的实际应用，了解了企业对智能控制技术的需求和发展趋势。
4. 实习实训结束后，学生完成了实习实训报告，总结了实习实训过程中的收获和不足。
四、实习实训成果1. 学生掌握了智能控制系统的基本原理和应用，提高了实践能力和创新能力。
2. 学生了解了企业对智能控制技术的需求和发展趋势，为今后的就业和发展奠定了基础。
3. 学生培养了团队合作精神和职业素养，具备了较好的职业竞争力。
4. 学生完成了实习实训报告，总结了实习实训过程中的收获和不足，为今后的学习和成长提供了借鉴。
五、实习实训不足及改进措施1. 实习实训时间相对较短，学生对智能控制系统的理解和应用还有待提高。
建议延长实习实训时间，让学生有更多的时间去深入学习和实践。
2. 实验室设备和工具有限，学生进行实验时可能遇到一些困难。
建议增加实验室设备和工具的投入，提高实验室的实验条件。
3. 部分学生对智能控制系统的理解不够深入，需要在今后的学习中加强理论知识的学习。
智能控制技术的实习报告
实习报告智能控制技术实习报告一、实习背景随着科技的不断发展，智能控制技术在各个领域的应用越来越广泛。
为了更好地了解智能控制技术的发展和应用，提高自己的实践能力，我参加了为期一个月的智能控制技术实习。
实习期间，我在导师的指导下，进行了智能控制系统的设计、仿真和实验，对智能控制技术有了更深入的了解。
二、实习内容1. 理论学习在实习的开始，导师为我讲解了智能控制技术的基本概念、原理和常用算法。
我学习了模糊控制、神经网络控制、自适应控制等几种常见的智能控制方法，并了解了它们在实际工程中的应用。
2. 系统设计根据实习任务，我需要设计一个智能控制系统。
在导师的指导下，我首先确定了系统的目标和需求，然后选择了合适的控制算法，最后设计了系统的整体结构。
在设计过程中，我学习了如何根据系统需求选择合适的硬件和软件，并掌握了部分编程技巧。
3. 仿真与实验为了验证所设计的智能控制系统的有效性，我使用了MATLAB软件对系统进行了仿真。
通过调整参数和算法，我成功地实现了对系统的控制。
接着，我在实验室进行了实际实验，通过与传统控制系统的对比，验证了智能控制系统的优越性。
4. 实习总结与反思通过实习，我深刻地体会到了智能控制技术在实际工程中的重要性。
与传统控制技术相比，智能控制系统具有更好的自适应性和鲁棒性，能够更好地应对复杂的工业现场环境。
同时，我也认识到智能控制技术仍存在一些问题和挑战，如算法复杂度高、实时性要求高等。
在实习过程中，我学到了很多关于智能控制技术的知识和技能，也提高了自己的实践能力。
然而，我也意识到自己在某些方面仍有不足，如对某些算法的理解和应用不够深入，编程能力有待提高等。
在今后的学习和工作中，我将继续努力，不断提高自己的综合素质，为将来的工作做好准备。
三、实习收获通过这次实习，我对智能控制技术有了更深入的了解，掌握了相关算法和仿真技巧。
同时，实习过程中的团队合作和问题解决能力也得到了锻炼。
总之，这次实习让我受益匪浅，对我的专业学习和未来职业发展具有重要意义。
大学智能控制实训报告
一、前言随着科技的飞速发展，智能控制技术已经成为现代工业、农业、服务业等领域的重要技术支撑。
为了培养具备智能控制技术能力的人才，我国众多高校都开设了智能控制相关课程。
本报告以我在大学期间参加的智能控制实训为例，对实训过程、收获与体会进行总结。
二、实训内容本次智能控制实训主要包括以下内容：1. 智能控制基本概念与原理：学习了智能控制的基本概念，如自适应控制、模糊控制、神经网络控制等，并了解了这些控制方法的基本原理。
2. 智能控制系统设计：通过MATLAB软件，设计了基于模糊控制和神经网络的智能控制系统，并对控制系统进行了仿真实验。
3. 智能控制算法优化：学习了遗传算法、粒子群算法、免疫算法等智能优化算法，并应用于控制系统参数优化。
4. 智能控制应用实例分析：分析了智能控制在工业、农业、服务业等领域的应用实例，如智能机器人、智能交通系统、智能农业等。
三、实训过程1. 理论学习：首先，通过课堂学习，掌握了智能控制的基本概念、原理和方法。
在理论学习的阶段，我们对智能控制的基本概念有了初步的认识，并了解了不同智能控制方法的特点和应用场景。
2. 软件操作：在实训过程中，我们学习了MATLAB软件的使用，通过编写程序，实现了智能控制系统的设计与仿真。
在软件操作的过程中，我们不仅掌握了MATLAB的基本操作，还学会了如何运用MATLAB进行智能控制系统的设计与仿真。
3. 算法优化：在智能控制系统设计中，我们运用遗传算法、粒子群算法、免疫算法等智能优化算法对控制系统参数进行优化。
通过算法优化，提高了控制系统的性能和鲁棒性。
4. 实例分析：在实训过程中，我们分析了智能控制在不同领域的应用实例，如智能机器人、智能交通系统、智能农业等。
通过实例分析，我们对智能控制技术的应用有了更深入的了解。
四、实训收获与体会1. 理论知识与实践能力相结合：通过本次实训，我将智能控制理论知识与实际操作相结合，提高了自己的实践能力。
2. 创新思维与问题解决能力：在实训过程中，我们遇到了各种问题，通过查阅资料、讨论和尝试，最终解决了问题。
智能控制实验报告
一、实验目的1. 了解智能控制的基本原理和方法。
2. 掌握智能控制系统的设计和实现方法。
3. 熟悉智能控制实验平台的操作和应用。
二、实验原理智能控制是利用计算机技术、控制理论、人工智能等知识，实现对复杂系统的自动控制。
实验主要涉及以下原理：1. 模糊控制：利用模糊逻辑对系统进行控制，实现对系统不确定性和非线性的处理。
2. 专家控制：通过专家系统对系统进行控制，实现对系统复杂性和不确定性的处理。
3. 神经网络控制：利用神经网络强大的学习能力和泛化能力，实现对系统的自适应控制。
三、实验器材1. 实验平台：智能控制实验箱2. 传感器：温度传感器、湿度传感器、压力传感器等3. 执行器：电机、继电器、阀门等4. 控制器：单片机、PLC等5. 信号线、连接线等四、实验内容1. 模糊控制器设计（1）建立模糊控制模型：根据实验要求，确定输入、输出变量和模糊控制规则。
（2）设计模糊控制器：根据模糊控制规则，设计模糊控制器，包括模糊化、去模糊化等环节。
（3）仿真实验：利用仿真软件对模糊控制器进行仿真实验，验证控制效果。
2. 专家控制器设计（1）建立专家系统：收集专家知识，构建专家系统。
（2）设计专家控制器：根据专家系统，设计专家控制器，实现对系统的控制。
（3）仿真实验：利用仿真软件对专家控制器进行仿真实验，验证控制效果。
3. 神经网络控制器设计（1）建立神经网络模型：根据实验要求，确定神经网络的结构和参数。
（2）训练神经网络：利用实验数据对神经网络进行训练，提高网络的控制能力。
（3）设计神经网络控制器：根据训练好的神经网络，设计神经网络控制器，实现对系统的控制。
（4）仿真实验：利用仿真软件对神经网络控制器进行仿真实验，验证控制效果。
五、实验步骤1. 熟悉实验平台，了解各模块的功能和操作方法。
2. 根据实验要求，设计模糊控制器、专家控制器和神经网络控制器。
3. 利用仿真软件对控制器进行仿真实验，验证控制效果。
4. 分析实验结果，对控制器进行优化和改进。
智能控制系实训总结报告
一、实训背景随着科技的飞速发展，智能化技术在我国各领域得到了广泛应用。
为了培养具备智能控制技术能力的高素质人才，我校智能控制系开展了为期两周的实训活动。
本次实训旨在让学生了解智能控制技术的基本原理，掌握相关实验设备的使用方法，提高动手能力和团队协作能力。
二、实训目的1. 熟悉智能控制技术的基本原理和应用领域；2. 掌握智能控制实验设备的使用方法；3. 培养学生的动手能力和团队协作能力；4. 提高学生的创新意识和实践能力。
三、实训内容1. 智能控制技术基本原理实训期间，我们学习了智能控制技术的基本原理，包括控制理论、传感器技术、执行器技术、计算机技术等。
通过学习，我们对智能控制技术有了更深入的了解。
2. 实验设备使用实训过程中，我们学习了智能控制实验设备的使用方法，包括传感器、执行器、控制器等。
通过实际操作，我们掌握了设备的调试、运行和维护方法。
3. 实验项目本次实训共安排了5个实验项目，分别为：（1）双容水箱液位智能控制实验通过搭建双容水箱液位控制实训装置，学习液位控制算法，实现对水箱液位的精确控制。
（2）智能电机拖动及控制实验学习电机拖动及控制原理，掌握电机拖动及控制实验装置的使用方法。
（3）工程机械物联网实训通过远程控制真实挖掘机，了解工程机械的智能化操控技术。
（4）智能控制产业系实验室消防演练提高消防安全意识，掌握灭火器的使用方法。
（5）智能控制课程设计结合所学知识，完成一个智能控制课程设计项目。
四、实训成果1. 理论知识方面通过实训，我们对智能控制技术的基本原理和应用领域有了更深入的了解，为今后的学习和工作打下了坚实基础。
2. 实践能力方面实训过程中，我们掌握了智能控制实验设备的使用方法，提高了动手能力。
同时，通过团队协作完成实验项目，培养了团队精神。
3. 创新意识方面在课程设计项目中，我们积极思考、勇于创新，提出了一系列具有实际应用价值的方案。
五、实训体会1. 理论联系实际的重要性通过本次实训，我们深刻体会到理论联系实际的重要性。
基于人工智能的工业机器人控制实验报告
基于人工智能的工业机器人控制实验报告一、实验目的随着科技的不断发展，人工智能在工业领域的应用越来越广泛。
本次实验的主要目的是探究基于人工智能的工业机器人控制技术，通过实验分析其性能和优势，为工业生产中的机器人应用提供参考和改进方向。
二、实验设备与环境（一）实验设备1、工业机器人本体：选用了_____品牌的六轴工业机器人，具有较高的精度和灵活性。
2、控制系统：采用了基于人工智能算法的控制系统，具备强大的计算和处理能力。
3、传感器：包括视觉传感器、力传感器等，用于获取机器人工作环境和操作对象的信息。
（二）实验环境1、实验室空间：面积约为_____平方米，具备良好的通风和照明条件。
2、工作平台：定制的机器人操作平台，能够满足不同实验任务的需求。
三、实验原理人工智能在工业机器人控制中的应用主要基于机器学习和深度学习算法。
通过对大量数据的学习和训练，机器人能够自主地识别和理解工作任务，规划最优的运动路径，并根据实时反馈进行调整和优化。
在本次实验中，采用了监督学习的方法，利用标记好的训练数据对机器人的控制模型进行训练。
训练数据包括机器人的运动轨迹、操作对象的特征以及环境信息等。
通过不断调整模型的参数，使其能够准确地预测和控制机器人的动作。
四、实验步骤（一）数据采集首先，在不同的工作场景下，收集机器人的运动数据、操作对象的特征以及环境信息等。
通过传感器和测量设备，确保数据的准确性和完整性。
（二）数据预处理对采集到的数据进行清洗、筛选和预处理，去除噪声和异常值，将数据转换为适合机器学习模型的格式。
（三）模型训练使用预处理后的数据，对基于人工智能的控制模型进行训练。
选择合适的算法和参数，如神经网络的层数、节点数等，通过多次迭代训练，不断优化模型的性能。
（四）模型评估使用测试数据集对训练好的模型进行评估，计算模型的准确率、召回率等指标，评估模型的性能和泛化能力。
（五）实验操作将训练好的模型部署到工业机器人控制系统中，进行实际的操作实验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能控制实验姓名：学号：专业:控制理论与控制工程代课老师：日期：实验目的：1、通过实验进一步了解MATLAB软件的编程环境，学习编程技巧。
2、学习搜索相关论文，提高分析论文，找寻切入点的能力。
3、学习并掌握与计算机控制系统相关的控制算法。
实验内容：1、专家PID控制系统Matlab仿真2、模糊PID控制系统Matlab仿真3、神经网络PID控制系统MATLAB仿真前言PID控制是最早发展起来的控制策略之一，在经典控制论证扮演重要角色，尽管当下各种智能控制层出不穷，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。
而实际工业生产过程中往往具有非线性，时变不确定性，因而难以建立精确的数学模型，应用常规PID控制器不能达到到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差。
因此常规PID控制的应用受到很大的限制和挑战。
人们对PID应用的同时，也对其进行各种改进，主要体现在两个方面：一是对常规PID本身结构的改进，即变结构PID控制。
另一方面，与模糊控制、神经网络控制和专家控制相结合，扬长避短，发挥各自的优势，形成所谓智能PID控制。
使其具有不依赖系统精确数学模型的特点，对系统参数变化具有较好的鲁棒性。
主要算法有:基于规则的智能PID 自学习控制算法、加辨识信号的智能自整定PID 控制算法、专家式智能自整定PID 控制算法、模糊PID 控制算法、基于神经网络的PID 控制算法、自适应PID 预测智能控制算法和单神经元自适应PID 智能控制等多种控制算法。
结合具体实例，借助MATLAB 软件将专家PID 、模糊PID 以及神经网络PID 的设计程序M 文件自定义为一个函数，然后设计一个GUI 图形用户界面分别调用各自函数便于对比比较，易于操作。
观察各自控制效果，并作分析。
假设一个速度控制器的传递函数为：32523500()87.3510470G s s s s =++输入信号为阶跃信号，取采样时间为1ms ，分别采用专家PID 、模糊PID 、神经网络PID 算法绘制阶跃响应曲线以及误差响应曲线。
一、实验原理：（一）、专家控制(Expert Control)的实质是基于受控对象和控制规律的各种知识，并以智能的方式利用这些知识来设计控制器。
利用专家经验来设计PID 参数便构成专家PID 控制。
基于模式识别的专家式PID 参数自整定控制器，不必要精确的辨识被控对象的数学模型，也不必要对被控过程加任何的激励信号就可以对PID 参数进行自整定。
由它构成的控制系统运行稳定、有效、可靠。
一般地，专家系统由专家知识库、数据库和逻辑推理机三个部分构成。
专家知识库中己经把熟练操作工和专家的经验和知识，构成PID 参数选择手册，它记录了各种工况下被控对象特性所对应的P 、I 、D 参数，数据库根据被控对象的输入与输出信号及给定信号提供知识库和推理机。
图1.专家PID 控制器结构框图误差及其变化，可设计专家PID 控制器，该控制器可分为以下五种情况进行设计：（1）当1M |e(k)|>时，说明误差的绝对值已经很大，不论误差变化趋势如何，都应考虑控制器的输出应按最大〔或最小)输出，以达到迅速调整误差，使误差绝对值以最大速度减小。
此时，它相当于实施开环控制。
（2）当0)(e(k )>∆k e 时，说明误差在朝误差绝对值增大方向变化，或误差为某一常值，未发生变化。
此时，如果2M |e(k)|>，说明误差也较大，可考虑由控制器实施较强的控制作用，以达到扭转误差绝对值朝减小方向变化，并迅速减小误差的绝对值。
此时，如果2M |e(k)|<，说明尽管误差朝绝对值增大方向变化，但误差绝对值本身并不很大，可考虑控制器实施一般的控制作用，只要扭转误差的变化趋势，使其初误差绝对值减小方向变化。
（3）当0)(e(k)<∆k e ，01)-(e(k)>∆k e 或0e(k)=时，说明误差的绝对值朝减小的方向变化，或者已经达到平衡状态。
此时，可考虑采取保持控制器输出不变。
（4）当0)(e (k )<∆k e ，01)-(e(k)<∆k e 时，说明误差处于极值状态。
如果此时误差的绝对值较大，可考虑实施较强的控制作用。
（5）当ε<|e(k)|时，说明误差的绝对值很小，此时加入积分，减少稳态误差假设一个速度控制器的传递函数为：32523500()87.3510470G s s s s =++输入信号为阶跃信号，取采样时间为1ms ，分别采用专家PID 控制算法，绘制阶跃响应曲线以及误差响应曲线。
（二）、模糊控制是由美国加利福尼亚大学著名教授查德(LA ．Zade)首先提出的，经过这么多年的发展，在模糊控制理论和应用研究方面均取得重大成功。
它是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制，模糊PID 控制就是将PID 控制策略引入Fuzzy 控制器，构成Fuzzy —PID 复合控制，从而构成模糊PID 控制的过程。
模糊自适应PID 控制器结构，它以误差信号e(t)和误差变化de(t)／dt 作为输入，利用模糊控制规则在线对PID 参数进行修改而构成的。
如图2.模糊自适应PID 控制器结构框图可知模糊PID 控制算法以误差E 和Ec 为输入，利用模糊控制规则在线对PID 参数进行修改，以满足不同时刻的E 和Ec 对PID 参数的要求，输出为Kp ，Ki ，Kd 三个参数，以满足不同e(t)和de(t)／dt 时对控制参数的不同要求，而使被控对象有良好的动、静态性能。
图2 模糊控制原理图该模糊推理控制系统是一个两输入三输出的形式，输入变量为E 和Ec，输出变量为Kp，Ki和Kd，其调整原则为：(1)当误差|E|较大时，为使系统具有较好的快速跟踪性能，不论误差的变化趋势如何，都应该取较大的Kp和较小的Kd，同时为避免系统响应出现较大的超调，应对积分作用加以限制，取较小的Ki值。
(2)当误差|E|处于中等大小时，为使系统响应具有较小的超调，Kp应取得小些，同时为保证系统的响应速度，Ki和Kd的大小要适中，其中Kd的取值对系统响应的影响较大。
(3)当误差|E|较小时，为保证系统具有较好的稳态性能，Kp和Ki应取得大些，同时为避免系统在设定值附近出现振荡，并考虑系统的抗干扰性能，当|E|较小时，Kd可取大些；当|E|较大时，Kd应取小些。
变量E，Ec和Kd语言值的模糊子集取为{负大，负中，负小，零，正小，正中，正大}，并简记为{NB，NM，NS，ZO，PS，PM，PB}，论域为{-3，-2，-l，0，1，2，3}。
Ki论域为{-0.06，-0.04，-0.02，0，0.02，0.04，0.06}，Kp论域为{-0.3，-0.2，-0.l，0，0.1，0.2，0.3}。
隶属函数采用三角形函数与高斯函数结合，根据对已有控制系统设计经验，得到PID三个控制参数的模糊控制规则表，见表1～3表：假设一个速度控制器的传递函数为：32523500()87.3510470G s s s s =++输入信号为阶跃信号，取采样时间为1ms ，采用模糊自征订PID 控制进行阶跃信号跟踪，在第300个采样时加入1.0的干扰；绘制阶跃响应曲线以及误差响应曲线以及个参数自整定变化曲线。
（三）、BP （Back Propagation ）神经网络是人工神经网络的一种，它不仅具有人工神经网络的特点，BP 神经网络的结构和BP 算法。
BP 算法是一种基于梯度下降而且有自己的BP 算法。
BP 网络的学习过程由正向和反向传播两部分构成：在正向传播过程中，每一层神经元的状态只影响下一层神经元结构，如果输出层不能得到期望输出，即期望输出与实际输出之间存在误差时，就转向反向传播过程，将误差信号沿着原来的路径返回，通过不断修正各层神经元的权值，逐次地向输入层传播进行计算，修改之后的权值再经过正向传播过程，将期望输出与实际输出比较。
BP 网络的学习算法的步骤归纳如下：①从训练样本集中取某一样本，把它的输入信息输入到网络中； ②由网络正向计算出各节点的输出； ③计算网络的实际输出与期望输出的误差；④从输出层起始反向计算到第一个隐层，按一定原则向减小误差方向调整网络的各个连接权值；⑤对训练样本集合中的每一个样本重复以上步骤，直到对整个训练样本集合的误差达到要求为止。
基于BP （Back Propagation ）神经网络的PID 控制系统结构如图3所示。
控制器由两部分组成：①经典的PID 控制器：直接对被控对象进行闭环控制，并且三个参数p k 、i k 、d k 为在线调整方式。
②BP 神经网络：根据系统的运行状态，调节PID 控制器的参数，以其达到某种性能指标的最优化，即使输出层神经元的输出状态对应于PID 控制器的三个可调参数p k 、i k 、d k ，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规律下的PID 的控制器参数。
图3. BP 神经网络的PID 控制系统结构 经典增量式数字PID 的控制算式为()(1)(()(1))()(()2(1)(2))p i d u k u k k e k e k k e k k e k e k e k =-+--++--+- (3-1) 式中p k 、i k 、d k 分别为比例、积分、微分系数。
将p k 、i k 、d k 视为依赖于系统运行状态的可调系数时，可将（3-1）描述为()[(1),,,,(),(1),(2)]p i d u k f u k k k k e k e k e k =--- （3-2） 式中，(.)f 是与p k 、i k 、d k 、u(k-1)、y(k)等有关的非线性函数，可以用BP 神经网络通过训练和学习找到这样一个最佳控制规律。
设被控对象的近似数学模型为：2()(1)()(1)1(1)a k yout k yout k u k yout k -=+-+-()a k 式中，系数是慢时变的，0.1k k e -a()=1.2(1-0.8) 神经网络的结构选择，学习速度η=0.28和惯性系数α=0.04，加权系数初始取区间[-0.5,0.5]上的随机数。
神经网络的结构选择4-5-3，学习速率28.0=η和惯性系数04.0=α，加权系数初始值取区间[-0.5,0.5]上的随机数。
输入指令信号为单位阶跃信号，验证其跟踪特性。
二、仿真结果与分析：(一) 专家PID 控制系统的仿真结果：选择专家控制下拉菜单分别显示结果如下,右键单击可以选择是否显示网格或者封闭box.图1-1阶跃响应曲线图1-2误差曲线根据上述仿真结果可知，专家控制使得系统的动态性能以及稳态性能达到很好效果，基本实现输出跟随输入。