智能控制理论
智能控制理论简述
智能控制理论简述智能控制（intelligent controls）在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
智能控制是指驱动智能机器自主地实现其目标的过程,即无需人的直接干预就能独立地驱动智能机器实现其目标。
其基础是人工智能、控制论、运筹学和信息论等学科的交叉,也就是说它是一门边缘交叉学科。
控制理论发展至今已有100多年的历史，经历了“经典控制理论”和“现代控制理论”的发展阶段，已进入“大系统理论”和“智能控制理论”阶段。
智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。
20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。
近20年来,智能控制理论(IntelligentControl Theory)与智能化系统发展十分迅速[1].智能控制理论被誉为最新一代的控制理论,代表性的理论有模糊控制(Fuzzy Control)、神经网络控制(Neural Networks Control)、基因控制即遗传算法(Genetic Aigorithms)、混沌控制[2](Chaotic Control)、小波理论[3](Wavelets Theo-ry)、分层递阶控制、拟人化智能控制、博奕论等.应用智能控制理论解决工程控制系统问题,这样一类系统称为智能化系统。
它广泛应用于复杂的工业过程控制[4]、机器人与机械手控制[5]、航天航空控制、交通运输控制等.它尤其对于被控对象模型包含有不确定性、时变、非线性、时滞、耦合等难以控制的因素.采用其它控制理论难以设计出合适与符合要求的系统时,都有可能期望应用智能化理论获得满意的解决。
自从“智能控制”概念的提出到现在,自动控制和人士_智能专家、学者们提出了各种智能控制理论,下面对一些有影响的智能控制理论进行介绍。
（1）递阶智能(Hierarchical IntelligentControl)阶智能控制是由G.N.Saridis提出的,它是最早的智能控制理论之一。
智能控制原理与应用
智能控制原理与应用智能控制是指利用计算机、人工智能、模糊逻辑、神经网络等技术，对被控对象进行智能化控制的一种方法。
它是现代控制理论的重要组成部分，也是自动控制领域的前沿技术之一。
智能控制的发展，为工业生产、科研实验、生活服务等领域带来了巨大的便利和效益。
智能控制的原理主要包括感知、推理、决策和执行四个基本环节。
感知是指系统对外部环境进行感知和获取信息；推理是指系统根据感知到的信息进行分析和推理，形成对环境的认识和理解；决策是指系统根据推理的结果，制定相应的控制策略和方案；执行是指系统根据决策结果，对被控对象进行相应的控制操作。
这四个环节相互作用，构成了智能控制的基本原理。
智能控制的应用非常广泛，涉及工业控制、航空航天、机器人、智能交通、智能家居等多个领域。
在工业控制方面，智能控制可以实现对生产过程的自动化和智能化管理，提高生产效率和产品质量；在航空航天领域，智能控制可以实现飞行器的自主导航和飞行控制，提高飞行安全性和准确性；在机器人领域，智能控制可以实现对机器人的智能化操作和控制，扩大机器人的应用范围和功能；在智能交通领域，智能控制可以实现对交通信号灯、智能交通系统的智能化控制，提高交通运输效率和安全性；在智能家居领域，智能控制可以实现对家居设备的自动化控制和智能化管理，提高家居生活的舒适性和便利性。
随着信息技术和人工智能技术的不断发展，智能控制将会在更多的领域得到应用和推广。
未来，智能控制将成为自动化控制领域的主流技术，为人类社会的发展和进步提供更多的可能性和机遇。
总的来说，智能控制原理和应用是一个十分重要的话题，它涉及到自动化控制领域的前沿技术和发展趋势，对于提高生产效率、改善生活质量、推动科学技术进步具有重要的意义。
希望通过本文的介绍，读者能对智能控制有一个更加全面和深入的了解，为相关领域的研究和应用提供一定的参考和借鉴。
智能控制系统中的控制理论与方法研究
智能控制系统中的控制理论与方法研究智能控制系统是一种针对复杂系统进行自主决策的智能控制方法。
它可以利用复杂系统的特性和任务，通过灵活的智能控制来实现其最佳控制效果，从而解决复杂系统的控制问题。
本文将从控制理论和方法的角度出发，深入分析智能控制系统中的控制理论与方法。
首先，有关智能控制系统的控制理论，必须要根据复杂系统的特性和任务，提出有效的控制策略，以便在设计智能控制系统时能够实现其最佳控制绩效。
一方面，要实现智能控制策略，必须依赖于传统的控制理论，包括线性系统控制理论、非线性系统控制理论、时变系统控制理论等。
这些控制理论为智能控制系统提供了基础，为智能控制系统的设计提供了理论的参考。
另一方面，如何实现智能控制策略，则必须依赖于智能控制方法。
目前，研究者们提出了一系列有效的智能控制方法，包括模糊控制、神经网络控制、遗传算法控制、模式识别控制等。
这些智能控制方法可以实现对复杂系统的智能控制，能够解决复杂系统中的控制问题，具有较强的智能化、非线性化、动态化等优势。
总之。
智能控制理论及应用 PPT
智能控制理论及应用 PPT智能控制是控制理论发展的高级阶段，它综合了人工智能、自动控制、运筹学等多学科的知识，旨在解决那些传统控制方法难以处理的复杂系统控制问题。
本 PPT 将带您深入了解智能控制理论及其广泛的应用领域。
一、智能控制的概念智能控制是指在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
与传统控制相比，智能控制具有以下显著特点：1、不确定性：能够处理系统中的不确定性，如模型不确定性、参数变化和外部干扰等。
2、复杂性：适用于复杂的、非线性的和时变的系统。
3、自适应性：可以根据系统的运行情况和环境变化自动调整控制策略。
4、学习能力：能够从数据和经验中学习，不断优化控制性能。
二、智能控制的主要理论1、模糊控制模糊控制是基于模糊集合理论和模糊逻辑推理的一种智能控制方法。
它通过将精确的输入量模糊化，利用模糊规则进行推理，最后将模糊输出解模糊化为精确的控制量。
模糊控制适用于那些难以建立精确数学模型的系统，例如温度控制、速度控制等。
2、神经网络控制神经网络控制是利用人工神经网络的学习和自适应能力来实现控制的方法。
神经网络可以通过对大量数据的学习，提取系统的特征和规律，从而实现对系统的有效控制。
在机器人控制、模式识别等领域有着广泛的应用。
3、专家控制专家控制是将专家系统的知识和经验与控制理论相结合的一种智能控制方法。
专家系统包含了大量的领域知识和控制策略，能够根据系统的状态和需求提供准确的控制决策。
4、遗传算法遗传算法是一种基于生物进化原理的优化算法，通过模拟自然选择和遗传变异的过程来寻找最优的控制参数或策略。
它在控制器的参数优化、系统的建模和优化等方面发挥着重要作用。
三、智能控制的应用领域1、工业生产在工业生产过程中，智能控制可以提高生产效率、产品质量和设备的可靠性。
例如，在化工生产中，通过智能控制可以实现对反应过程的精确控制，优化生产工艺；在机器人制造中，利用神经网络控制可以实现机器人的精确动作和轨迹规划。
智能控制理论及应用复习
智能控制理论及应用第1章绪论■《智能控制》在自动化课程体系中的位置《智能控制》是一门控制理论课程，研究如何运用人工智能的方法来构造控制系统和设计控制器。
与《自动控制原理》和《现代控制原理》一起构成了自动控制课程体系的理论基础。
■《智能控制》在控制理论中的位置《智能控制》是目前控制理论的最高级形式，代表了控制理论的发展趋势，能有效地处理复杂的控制问题。
其相关技术可以推广应用于控制之外的领域：金融、管理、土木、设计等等。
■经典控制和现代控制理论的统称为传统控制，智能控制是人工智能与控制理论交叉的产物，是传统控制理论发展的高级阶段。
智能控制是针对系统的复杂性、非线性和不确定性而提出来的。
■传统控制和智能控制的主要区别：➢传统控制方法在处理复杂化和不确定性问题方面能力很低；智能控制在处理复杂性、不确定性方面能力较高。
智能控制系统的核心任务是控制具有复杂性和不确定性的系统，而控制的最有效途径就是采用仿人智能控制决策。
➢传统控制是基于被控对象精确模型的控制方式；智能控制的核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。
传统控制和智能控制的统一：智能控制擅长解决非线性、时变等复杂的控制问题，而传统控制适于解决线性、时不变等相对简单的控制问题。
智能控制的许多解决方案是在传统控制方案基础上的改进，因此，智能控制是对传统控制的扩充和发展，传统控制是智能控制的一个组成部分。
■智能控制与传统控制的特点。
传统控制：经典反馈控制和现代理论控制。
它们的主要特征是基于精确的系统数学模型的控制。
适于解决线性、时不变等相对简单的控制问题。
智能控制：以上问题用智能的方法同样可以解决。
智能控制是对传统控制理论的发展，传统控制是智能控制的一个组成部分，在这个意义下，两者可以统一在智能控制的框架下。
■智能控制应用对象的特点(1)不确定性的模型模型未知或知之甚少；模型的结构和参数可能在很大范围内变化。
(2)高度的非线性(3)复杂的任务要求■自动控制的发展过程■智能控制系统的结构一般有哪几部分组成，它们之间存在什么关系？答：智能控制系统的基本结构一般由三个部分组成：人工智能（AI）：是一个知识处理系统，具有记忆、学习、信息处理、形式语言、启发式推理等功能。
控制理论的三个发展阶段：经典控制理论、现代控制理论、智能控制理论
经典控制理论是以传递函数为基础的一种控制理论，控制系统的分析与设计是建立在某种近似的和(或)试探的基础上的、控制对象一般是单输入单输出、线性定常系统；对多输入多输出系统、时变系统、非线性系统等．则无能为力。
经典抑制理论主要的分析方法有频率特性分析法、根轨迹分析法、描述函数法、相平面法、波波夫法等。
控制策略仅局限于反馈控制、PID控制等。
这种控制不能实现最优控制。
现代控制理论是建立在状态空间上的一种分析方法，它的数学模型主要是状态方程，控制系统的分析与设计是精确的。
控制对象可以是单输入单输出控制系统．也可以是多输人多输出控制系统，可以是线件定常控制系统，也可以是非线性时变控制系统，可以是连续控制系统，也可以是离散和(或)数字控制系统。
因此，现代控制理论的应用范围更加广泛。
主要的控制策略有极点配置、状态反馈、输出反馈等。
由于现代控制理论的分析与设计方法的精确性，因此，现代控制可以得到最优控制。
但这些控制策略大多是建立在已知系统的基础之上的。
严格来说．大部分的控制系统是一个完全未知或部分未知系统，这里包括系统本身参数未知、系统状态未知两个方面，同时被控制对象还受外界干扰、环境变化等的因素影响。
智能控制是一种能更好地模仿人类智能的、非传统的控制方法，它采用的理论方法则主要来自自动控制理论、人工智能和运筹学等学科分支。
内容包括最优控制、自适应控制、鲁棒控制、神经网络控制、模糊控制、仿人控制等。
其控制对象可以是已知系统也可以是未知系统，大多数的控制策略不仅能抑制外界干扰、环境变化、参数变化的影响，还能有效地消除模型化误差的影响。
智能控制理论及应用
摘要：介绍了智能控制理论的发展概况、研究对象与工具、功能特点，简要列举了智能控制的集中应用。
关键词：智能控制；神经网络；应用0前言自从美国数学家维纳在20世纪49年代创立控制论以来，智能控制理论与智能化系统发展十分迅速。
智能控制理论被誉为最新一代的控制理论，代表性的理论有模糊控制、神经网络控制、基因控制即遗传算法、混沌控制、小波理论、分层递阶控制、拟人化智能控制、博弈论等。
应用智能控制理论解决工程控制系统问题，这样一类系统称为智能化系统。
他广泛应用于复杂的工业过程控制、机器人与机械手控制、航天航空控制、交通运输控制等。
他尤其适用于被控对象模型包含有不确定性、时变、非线性、时滞、耦合等难以控制的因素。
采用其它控制理论难以设计出合适与符合要求的系统时，都有可能期望应用智能化理论获得满意的解决。
科学技术高度发展导致了被控对象在结构上的复杂化和大型化。
在许多系统中，复杂性不仅仅表现在高维性上，更多则是表现在系统信息的模糊性、不确定性、偶然性和不完全性上。
此时，人工智能得益于计算机技术的飞速发展，已逐渐成为一门学科，并在实际应用中显示出很强的生命力。
同时，国际学术界对智能控制的研究也十分活跃，到了20世纪90年代，各种智能控制的国际学术会议日益频繁。
国内也在20世纪80年代初开始进行智能控制研究。
1智能控制理论的发展阶段虽然智能控制理论只有几十年的历史，尚未形成较完整的理论体系，蛋其已有的应用成果和理论发展表明它已成为自动控制的前沿学科之一。
智能控制主要经历了以下几个发展阶段：1.1 自动控制的发展与挫折上世纪40~50年代，以频率法为代表的单变量系统控制理论逐步发展起来，并且成功地用在雷达及火力控制系统上，形成了“古典控制理论”。
上世纪60~70年代，数学家们在控制理论发展中占据了主导地位，形成了以状态空间法为代表的“现代控制理论”。
他们引入了能控、能观、满秩等概念，使得控制理论建立在严密精确的数学模型之上，从而造成了理论与实践之间巨大的分歧。
智能控制理论简述
智能控制理论简述智能控制(intelligent controls)在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
智能控制是指驱动智能机器自主地实现其目标的过程,即无需人的直接干预就能独立地驱动智能机器实现其目标。
其基础是人工智能、控制论、运筹学和信息论等学科的交叉，也就是说它是一门边缘交叉学科。
控制理论发展至今已有100多年的历史，经历了“经典控制理论”和“现代控制理论”的发展阶段，已进入“大系统理论”和“智能控制理论”阶段。
智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。
20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。
近20年来,智能控制理论(IntelligentControl Theory)与智能化系统发展十分迅速［1］.智能控制理论被誉为最新一代的控制理论，代表性的理论有模糊控制(Fuzzy Control)、神经网络控制(Neural Networks Control)、基因控制即遗传算法(Genetic Aigorithms)、混沌控制［2］ (Chaotic Control)、小波理论［3］ (Wavelets Theo-ry)、分层递阶控制、拟人化智能控制、博奕论等.应用智能控制理论解决工程控制系统问题，这样一类系统称为智能化系统。
它广泛应用于复杂的工业过程控制［4］、机器人与机械手控制［5］、航天航空控制、交通运输控制等•它尤其对于被控对象模型包含有不确定性、时变、非线性、时滞、耦合等难以控制的因素.采用其它控制理论难以设计出合适与符合要求的系统时，都有可能期望应用智能化理论获得满意的解决。
自从“智能控制”概念的提出到现在，自动控制和人士—智能专家、学者们提出了各种智能控制理论，下面对一些有影响的智能控制理论进行介绍。
(1)递阶智能(Hierarchical IntelligentControl)阶智能控制是由G.N.Saridis提出的,它是最早的智能控制理论之一。
智能控制理论及其在机器人上的应用
智能控制理论及其在机器人上的应用第一章：智能控制理论概述智能控制是一种利用人工智能技术实现对系统控制的技术，其目的在于给机器进行指令，控制其运动。
智能控制技术综合了智能计算、模糊逻辑、神经网络等计算机科学中的前沿技术，使得机器可以像人一样对环境做出反应，完成人们的工作任务。
智能控制理论研究了机器在复杂的环境下做出决策的方法，通过对数据的收集、处理以及算法的设计和调整，让机器具有感知、理解和适应环境的能力。
智能控制理论的研究对于机器人、无人飞行器、自动驾驶汽车等自主化系统至关重要。
第二章：智能控制在机器人上的应用机器人是智能控制技术的典型应用之一。
智能控制可以使机器人从一个简单的动作执行者提升为一个拥有自主决策能力、可以接受人类指令、智能感知环境、适应环境的智能机器人。
1. 机器人的感知机器人的感知是指让机器人具有感知环境、收集信息的功能。
机器人的感知技术可以通过传感器实现。
智能控制可以让机器人利用传感器把环境信息收集到机器人的电脑里，对它进行分析，在这个基础上进行相应的决策。
传感器的种类非常多，例如红外线传感器、激光雷达传感器、声波传感器、视觉传感器等，不同的传感器通过不同的方式来感知环境，并生成不同的数据。
智能控制可以帮助机器人对从传感器中收集到的信息进行处理并指导其展开相应的行动。
2. 机器人的决策机器人的决策能力是指让机器人像人类一样生成合理的决策，并根据情况调整自己的决策。
基于智能控制的机器人可以利用数据和算法来进行计算、分析和预测。
例如，基于智能控制的机器人在执行一项任务时，可以根据所处的环境变化、任务目标的变化以及其他因素来生成相应的决策。
如果需要调整，机器人就可以根据新的数据情况重新生成新的决策。
3. 机器人的执行机器人的执行能力是指让机器人能够按照预设计划或者生成的决策来执行任务。
机器人的控制系统可以根据信息反馈不断的调整机器人的动作，使机器人能够适应不同环境、不同任务目标的要求。
智能控制理论复习资料复习资料
智能控制理论复习资料一．智能控制概述1.什么是智能？什么是人工智能？答：能有效地获取、传递、处理、再生和利用信息，从而在任意给定的环境下能成功地达到预定目的的能力。
是研究、开发用于模拟、延伸、扩展人的智能的理论、方法、技术与应用系统的一门新的科学技术。
2. 什么是控制？什么是自动控制？什么是智能控制？答：按照主体的意愿，使事物向期望的目标发展。
在没有人直接参与的情况下，利用外加设备或装置，使机器、设备或生产过程的某个工作状态或参数自动地按照预定的规律运行。
在没有人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
3. 智能控制的二元结构和三元结构分别是什么？答：二元结构：人工智能、自动控制三元结构：人工智能、自动控制、运筹学4.智能控制系统的主要功能特点是什么？答：学习功能、适应功能、组织功能、优化功能5.智能控制的研究对象具备什么特点？答：①不确定性的模型。
传统的控制是基于模型的控制，这里的模型包括控制对象和干扰模型。
②高度的非线性。
传统控制理论中的线性系统理论比较成熟。
③复杂的任务要求。
传统的控制系统中，控制任务或者是要求输出值为定值，或者要求输出值跟随期望值的运动轨迹，因此控制任务的要求比较单一，而智能控制的任务要求往往比较复杂。
6.智能控制与自动控制的关系是什么？答：①自动控制是智能控制的基础，智能控制是对自动控制的进步与延伸；②自动控制往往包含在智能控制之中，智能控制也利用自动控制的方法来解决“低级”的控制问题；③智能控制具有模拟人进行诸如规划、学习和自适应的能力，所以它就是让自动控制系统拥有学习的功能。
7.智能控制与传统控制相比有哪些优点？答：传统控制难以解决的问题包括以下几点：①实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型；②某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题；③针对实际系统往往要进行一些较苛刻的线性化假设，而这些假设往往与实际系统不符合；④实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务无能为力。
- 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)。
智能控制实验报告（2008~2009 学年春季学期）课程名称：智能控制理论与应用任课教师：杜尚丰班级：自动061学号：0608140612姓名：孙倩实验题目1: S ISO PID 神经网络控制姓名: 孙倩 班级: 自动化061 学号: 0608140612一、仿真模型描述单变量P I D 神经网络的结构形式如下：单变量神经网络的结构图本实验用PID 神经网络实现单输入单输出解耦系统的模型仿真，用到的仿真模型为：y(k+1)=0.8sin(y(k))+1.2u(k), k<40y(k+1)=0.8sin(0.4y(k))+1.2u(k), k>=40系统输入： r(k)=1(k)二、仿真参数说明系统的输入向量是：r(k)=1；输出向量是：y(k+1)；系统的控制向量为：u(k)；准则函数为：21111()[()()]2E k r k y k =-权系地训练（取η1=η2=0.8）方式：W(k+1)=W(k)- η+β[W(k)=W(k-1)]可得：2w i (k+1)=2w i (k)+ ηe(k+1)o i (k)+β[2w i (k)-2w i (k-1)]1w j (k+1)=1w j (k)+ ηe(k+1)f[x j (k)][2w j (k)]y(k)+ β[1w j (k)-1w j (k-1)]三、仿真结果分析以下四幅图分别是系统输入r ，系统输出y ，系统控制量u ，以及系统误差error.00.20.40.60.80.511.52时间(秒)系统输入r 100.20.40.60.80.511.5时间(秒)系统输出y 100.20.40.60.80.20.40.60.8时间(秒)系统控制量u 100.20.40.60.8-0.50.51时间(秒)系统误差e r r o r 11、从图中我们可以看得到：当对象特性变化(k ≥40)时，由于PID 神经网络控制 器权系值地不断调整，使控制量u(k)变化，从而系统地输出经过很短的时间跟踪输入。
2、通过PID 控制算法，在系统控制量的作用下我们最终实现了跟踪控制，动态响应性能非常好，达到了输出量y 稳态误差为零的效果。
四、仿真程序：%PID 神经网络单输入单输出解耦模型仿真 %输入为1%输入层单独成神经网，输出成一个神经网 clear all; close all; s=1;if s==1 %初始化 y1_1=0.0;u1_1=0.0;u1_2=0.0;error1_1=0.0;error1_2=0.0;wo_111=0.1*rand(1);wo_111_1=wo_111;wo_112=0.1*rand(1);wo_112_1=wo_112;wo_113=0.1*rand(1);wo_113_1=wo_113;wo_121=0.1*rand(1);wo_121_1=wo_121;wo_122=0.1*rand(1);wo_122_1=wo_122;wo_123=0.1*rand(1);wo_123_1=wo_123;wi_111=0.1*rand(1);wi_111_1=wi_111;wi_112=0.1*rand(1);wi_112_1=wi_112;wi_121=0.1*rand(1);wi_121_1=wi_121;wi_122=0.1*rand(1);wi_122_1=wi_122;wi_131=0.1*rand(1);wi_131_1=wi_131;wi_132=0.1*rand(1);wi_132_1=wi_132;x11=0.0;x12=0.0;x13=0.0;q11=0.0;q12=0.0;q13=0.0;x11_1=x11;x12_1=x12;x13_1=x13;q11_1=q11;q12_1=q12;q13_1=q13;endts=0.001;for k=1:1:800time(k)=k*ts;if s==1r1(k)=1;if 1<k<40y1(k)=0.8*sin(y1_1)+1.2*u1_1;elsey1(k)=0.8*sin(0.4*y1_1)+1.2*u1_1; enderror1(k)=r1(k)-y1(k);end%中间层输入输出x11(k)=wi_111_1*r1(k)+wi_112_1*y1(k);x12(k)=wi_121_1*r1(k)+wi_122_1*y1(k);x13(k)=wi_131_1*r1(k)+wi_132_1*y1(k);if x11(k)>1q11(k)=1;elseif x11(k)<-1q11(k)=-1;else q11(k)=x11(k);endif(q12_1+x12(k))>1q12(k)=1;elseif (q12_1+x12(k))<-1q12(k)=-1;else q12(k)=q12_1+x12(k);endif (x13(k)-x13_1)>1q13(k)=1;elseif (x13(k)-x13_1)<-1q13(k)=-1;else q13(k)=x13(k)-x13_1;end%输出层输入输出，输出层输入输出相等u1(k)=wo_111_1*q11(k)+wo_112_1*q12(k)+wo_113_1*q13(k);%中间层到输出层权值计算 woif u1_1==u1_2delta1(k)=0;elsedelta1(k)=error1(k)*sign((y1(k)-y1_1)/(u1_1-u1_2));endwo_111(k)=wo_111_1+0.1*delta1(k)*q11(k);wo_112(k)=wo_112_1+0.1*delta1(k)*q12(k);wo_113(k)=wo_113_1+0.1*delta1(k)*q13(k);wo_121(k)=wo_121_1;wo_122(k)=wo_122_1;wo_123(k)=wo_123_1;%输入层到中间层权值计算wiif x11(k)==x11_1dqx_11(k)=0;elsedqx_11(k)=sign((q11(k)-q11_1)/(x11(k)-x11_1));endif x12(k)==x12_1dqx_12(k)=0;elsedqx_12(k)=sign((q12(k)-q12_1)/(x12(k)-x12_1));endif x13(k)==x13_1dqx_13(k)=0;elsedqx_13(k)=sign((q13(k)-q13_1)/(x13(k)-x13_1));endif u1_1==u1_2wo_11(k)=0;Elsewo_11(k)=error1(k)*sign((y1(k)-y1_1)/(u1_1-u1_2));endwi_111(k)=wi_111_1+0.15*(wo_11(k)*wo_111(k))*dqx_11(k)*r1(k);wi_112(k)=wi_112_1+0.15*(wo_11(k)*wo_111(k))*dqx_11(k)*y1(k);wi_121(k)=wi_121_1+0.1*(wo_11(k)*wo_112(k))*dqx_12(k)*r1(k);wi_122(k)=wi_122_1+0.1*(wo_11(k)*wo_112(k))*dqx_12(k)*y1(k);wi_131(k)=wi_131_1+0.1*(wo_11(k)*wo_113(k))*dqx_13(k)*r1(k);wi_132(k)=wi_132_1+0.1*(wo_11(k)*wo_113(k))*dqx_13(k)*y1(k);%参数更新wo_111_1=wo_111(k);wo_112_1=wo_112(k);wo_113_1=wo_112(k);wo_121_1=wo_121(k);wo_122_1=wo_122(k);wo_123_1=wo_123(k);wi_111_1=wi_111(k);wi_112_1=wi_112(k);wi_121_1=wi_121(k);wi_122_1=wi_122(k);wi_131_1=wi_131(k);wi_132_1=wi_132(k);y1_1=y1(k);u1_2=u1_1;u1_1=u1(k);error1_2=error1_1;error1_1=error1(k);x11_1=x11(k);x12_1=x12(k);x13_1=x13(k);q11_1=q11(k);q12_1=q12(k);q13_1=q13(k);endfigure(1);plot(time,r1,'r');xlabel('时间(秒)');ylabel('系统输入r1');figure(2);plot(time,y1,'r');xlabel('时间(秒)');ylabel('系统输出y1');figure(3);plot(time,u1,'r');xlabel('时间(秒)');ylabel('系统控制量u1');figure(4);plot(time,error1,'r');xlabel('时间(秒)');ylabel('系统误差error1');五、实验总结PI D神经网络单变量制器通过学习和训练，根据系统控制效果自主调整网络权值，具有良好的动态和稳态控制性能，当系统参数发生变化后，P I D神经网络控制器通过再次的学习和调整，可以实现迅速跟踪控制。
实验题目2:神经网络自校正控制姓名: 孙倩 班级: 自动化061 学号: 0608140612一、仿真模型描述被控对象具有非线性时变特性，仿真模型为：200)(2.17/)())(sin(8.0)1(;2000)(2.1))(sin(8.0)1(>=++=+<<+=+k k u k y k y k y k k u k y k y该自校正系统的控制框图为:二、仿真参数说明系统输入为：300100),(1)(300,1000),(1)(<<=-=>=<<=k k k r k k k k r作用于被控对象的扰动为:50,0)(50,04.0)(≠===k k v k k v权值调整方式为BP 算法:()()()()()()211---+∆+-=k k k k k V V V V V α()()()()()()()k h k y k y k w k E k w j m w j w j -=∂∂-=∆ηη三、仿真结果分析当单位阶跃的输入时，我们可以看到如下的结果：1、从该系统对扰动的迅速响应，我们可以得知自校正控制的优越性。