智能控制(神经网络)-作业

合集下载

(完整版)智能控制题目及解答

(完整版)智能控制题目及解答

智能控制题目及解答第一章绪论作业作业内容1.什么是智能、智能系统、智能控制?2.智能控制系统有哪几种类型,各自的特点是什么?3.比较智能控制与传统控制的特点.4.把智能控制看作是AI(人工智能)、OR(运筹学)、AC(自动控制)和IT(信息论)的交集,其根据和内涵是什么?5.智能控制有哪些应用领域?试举出一个应用实例,并说明其工作原理和控制性能.1 答:智能:能够自主的或者交互的执行通常与人类智能有关的智能行为,如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习等一系列活动的能力,即像人类那样工作和思维。

智能系统:是指具有一定智能行为的系统,对于一定的输入,它能产生合适的问题求解相应。

智能控制:智能控制是控制理论、计算机科学、心理学、生物学和运筹学等多方面综合而成的交叉学科,它具有模仿人进行诸如规划、学习、逻辑推理和自适应的能力。

是将传统的控制理论与神经网络、模糊逻辑、人工智能和遗传算法等实现手段融合而成的一种新的控制方法。

2 答:(1)人作为控制器的控制系统:人作为控制器的控制系统具有自学习、自适应和自组织的功能。

(2)人—机结合作为作为控制器的控制系统:机器完成需要连续进行的并需快速计算的常规控制任务,人则完成任务分配、决策、监控等任务。

(3)无人参与的自组控制系统:为多层的智能控制系统,需要完成问题求解和规划、环境建模、传感器信息分析和低层的反馈控制任务.3 答:在应用领域方面,传统控制着重解决不太复杂的过程控制和大系统的控制问题;而智能控制主要解决高度非线性、不确定性和复杂系统控制问题。

在理论方法上,传统控制理论通常采用定量方法进行处理,而智能控制系统大多采用符号加工的方法;传统控制通常捕获精确知识来满足控制指标,而智能控制通常是学习积累非精确知识;传统控制通常是用数学模型来描述系统,而智能控制系统则是通过经验、规则用符号来描述系统。

在性能指标方面,传统控制有着严格的性能指标要求,智能控制没有统一的性能指标,而主要关注其目的和行为是否达到。

人工智能控制技术课件:神经网络控制

人工智能控制技术课件:神经网络控制
进行的,这种排列往往反映所感受的外部刺激的某些物理特征。
例如,在听觉系统中,神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此,柯赫仑(Kohonen)认为,神经网络在接受外
界输入时,将会分成不同的区域,不同的区域对不同的模式具有
不同的响应特征,即不同的神经元以最佳方式响应不同性质的信
号激励,从而形成一种拓扑意义上的有序图。这种有序图也称之


,

,

,

)
若 输 入 向 量 X= ( 1
, 权 值 向 量
2


W=(1 , 2 , ⋯ , ) ,定义网络神经元期望输出 与
实际输出 的偏差E为:
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数,当实际输出符合期
望时,不对权值进行调整,否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟,从数学角度抽象模拟得到单神经
元模型,其中 是神经元的输入信号,
表示一个神经元同时接收多个外部刺激;
是每个输入所对应的权重,它对应
于每个输入特征,表示其重要程度;
是神经元的内部状态; 是外部输入信
号; 是一个阈值(Threshold)或称为
第三代神经网络:
2006年,辛顿(Geofrey Hinton)提出了一种深层网络模型——深度
置信网络(Deep Belief Networks,DBN),令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域,采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式,通过神经元及其相互连接的权值,逼近系统

智能控制(神经网络)-作业

智能控制(神经网络)-作业

智能控制作业学生姓名: 学号: 专业班级:(一)7-2 采用BP网路、RBF网路、DRNN网路逼近线性对象, 分别进行matlab 仿真。

(二)采用BP网络仿真网络结构为2-6-1。

采样时间1ms, 输入信号, 权值的初值随机取值, 。

仿真m文件程序为:%BP simulationclear all;clear all;xite=0.5;alfa=0.5;w1=rands(2,6); % value of w1,initially by randomw1_1=w1;w1_2=w1;w2=rands(6,1); % value of w2,initially by randomw2_1=w2;w2_2=w2_1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]'; % input of yinhanceng cellIout=[0,0,0,0,0,0]'; % output of yinhanceng cellFI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.5*sin(3*2*pi*k*ts);y(k)=(u_1-0.9*y_1)/(1+y_1^2);for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout; %output of networke(k)=y(k)-yn(k); % error calculationw2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j))^2);endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation endendw1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1% jacobian informationyu=0;for j=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');figure(2);plot(time,y-yn,'r');xlabel('times');ylabel('error');figure(3);plot(time,dyu);xlabel('times');ylabel('dyu');运行结果为:(三)采用RBF网络仿真网路结构为2-4-1, 采样时间1ms, 输入信号, 权值的初值随机取值, , 高斯基函数初值, 。

智能控制课后习题

智能控制课后习题

作业11 简述智能控制的概念。

定义一: 智能控制是由智能机器自主地实现其目标的过程。

定义二:K.J.奥斯托罗姆则认为,把人类具有的直觉推理和试凑法等智能加以形式化或机器模拟,并用于控制系统的分析与设计中,以期在一定程度上实现控制系统的智能化,这就是智能控制。

定义三: 智能控制是一类无需人的干预就能够自主地驱动智能机器实现其目标的自动控制,也是用计算机模拟人类智能的一个重要领域。

2 智能控制由哪几部分组成?各自的特点是什么?智能控制由人工智能、自动控制、运筹学组成。

人工智能是一个知识处理系统,具有记忆、学习、信息处理、形式语言、启发推理等功能。

自动控制描述系统动力学特性,是一种动态反馈。

运筹学是一种定量优化的方法。

如线性优化,网络规划,调度管理,优化决策和多目标优化的方法等等。

3 比较智能控制和传统控制的特点?1)传统控制方法在处理复杂性、不确定性方面能力低而且有时丧失了这种能力,智能控制在处理复杂性、不确定性方面能力高2)传统控制是基于被控对象精确模型的控制方式,可谓“模型论”智能控制是智能决策论,相对于“模型论”可称为“控制论”3)传统的控制为了控制必须建模,而利用不精确的模型又采用摸个固定控制算法,使整个的控制系统置于模型框架下,缺乏灵活性,缺乏应变性,因此很难胜任对复杂系统的控制智能控制的可信是控制决策,次用灵活机动的决策方式迫使控制朝着期望的目标逼近。

4)传统控制适用于解决线性、时不变等相对简单的的控制问题智能控制是对传统控制理论的发展,传统控制室智能控制的一个组成部分,是智能控制的低级阶段。

4 智能控制有哪些应用领域?试举出一个应用实例。

应用领域:模糊系统、神经网络、专家控制、工业想、系统、电力系统、机器人等其他领域的控制。

应用实例:模糊控制的交流伺服系统作业21.在完成上次作业的基础上,进一步细化,给出使用智能控制的必要性 ,以及智能控制结果的验证比较方法;传统控制方法包括经典控制和现代控制,是基于被控对象精确模型的控制方式,缺乏灵活性和应变能力,只适用于解决线性、时不变线等相对简单的控制问题。

智能控制——神经网络控制1

智能控制——神经网络控制1

人工神经元模型的输入输出关系
神经元输入输出之间的关系:
nห้องสมุดไป่ตู้
∑ s j = Wij xi −θ j i yj = f (sj )
转换函数的作用
z 1、控制输入对输出的激活作用; z 2、使神经元具有非线性变换的能力;
几种常用的转换函数
1、阀值型(硬限制型) 2、线性型 3、S型函数(Sigmoid) 4、辐射基函数
1. 神经元分层排列,可有多层 2. 同层神经元之间无连接 3. 信息流方向:由入到出 是应用最为广泛的网络结构 感知器(perceptron即为此)
2、回归神经网络(recurrent
neural network)
1): 全反馈网络
Inner recurrent neural network
回归网络特点
关于突触: •神经元对信息的接受和传递都是通过突触来进行的。 •每个神经元平均的突触数目可能有1.5—3万个左右。 •多个神经元以突触联接形成了一个神经网络。
神经元的兴奋与抑制
在抑制状态,细胞膜内外之间有内负外正的电位差,这个电位差大 约在-50—--100mv之间。在兴奋状态,则产生内正外负的相反电位 差,这时表现为约60—100mv的电脉冲。细胞膜内外的电位差是由 膜内外的离子浓度不同导致的。细胞的兴奋电脉冲宽度一般大约为 1ms。
z 神经元之间的连接强度决定信号传递的 强弱;
z 神经元之间的连接强度是可以随训练改 变的;
3.1.2 人工神经网络
z 人工神经元模型 (Artificial Neuron model)
z 人工神经网络的几种结构 (structure of ANN)
z 人工神经网络的学习 (learning or training of ANN)

智能控制习题答案解析

智能控制习题答案解析

第一章绪论1. 什么是智能、智能系统、智能控制?答:“智能”在美国Heritage词典定义为“获取和应用知识的能力”。

“智能系统”指具有一定智能行为的系统,是模拟和执行人类、动物或生物的某些功能的系统。

“智能控制”指在传统的控制理论中引入诸如逻辑、推理和启发式规则等因素,使之具有某种智能性;也是基于认知工程系统和现代计算机的强大功能,对不确定环境中的复杂对象进行的拟人化管理。

2.智能控制系统有哪几种类型,各自的特点是什么?答:智能控制系统的类型:集散控制系统、模糊控制系统、多级递阶控制系统、专家控制系统、人工神经网络控制系统、学习控制系统等。

各自的特点有:集散控制系统:以微处理器为基础,对生产过程进行集中监视、操作、管理和分散控制的集中分散控制系统。

该系统将若干台微机分散应用于过程控制,全部信息通过通信网络由上位管理计算机监控,实现最优化控制,整个装置继承了常规仪表分散控制和计算机集中控制的优点,克服了常规仪表功能单一,人机联系差以及单台微型计算机控制系统危险性高度集中的缺点,既实现了在管理、操作和显示三方面集中,又实现了在功能、负荷和危险性三方面的分散。

人工神经网络:它是一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。

这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。

专家控制系统:是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。

可以说是一种模拟人类专家解决领域问题的计算机程序系统。

多级递阶控制系统是将组成大系统的各子系统及其控制器按递阶的方式分级排列而形成的层次结构系统。

这种结构的特点是:1.上、下级是隶属关系,上级对下级有协调权,它的决策直接影响下级控制器的动作。

2.信息在上下级间垂直方向传递,向下的信息有优先权。

同级控制器并行工作,也可以有信息交换,但不是命令。

智能控制习题

智能控制习题

智能控制习题⼀、填空题(每空1分,共20分)1.控制论的三要素是:信息、反馈和控制。

2.传统控制是经典控制和现代控制理论的统称。

3.智能控制系统的核⼼是去控制复杂性和不确定性。

4.神经元(即神经细胞)是由细胞体、树突、轴突和突触四部分构成。

5.按⽹络结构分,⼈⼯神经元细胞可分为层状结构和⽹状结构按照学习⽅式分可分为:有教师学习和⽆教师学习。

6.前馈型⽹络可分为可见层和隐含层,节点有输⼊节点、输出节点、计算单元。

7.神经⽹络⼯作过程主要由⼯作期和学习期两个阶段组成。

⼆、判断题:(每题1分,共10分)1.对反馈⽹络⽽⾔,稳定点越多,⽹络的联想与识别能⼒越强,因此,稳定点的数据⽬越多联想功能越好。

(错)2.简单感知器仅能解决⼀阶谓词逻辑和线性分类问题,不能解决⾼阶谓词和⾮线分类问题。

(对)3. BP算法是在⽆导师作⽤下,适⽤于多层神经元的⼀种学习,它是建⽴在相关规则的基础上的。

(错)4.在误差反传训练算法中,周期性函数已被证明收敛速度⽐S型函数慢。

(错)5.基于BP算法的⽹络的误差曲⾯有且仅有⼀个全局最优解。

(错) 6.对于前馈⽹络⽽⾔,⼀旦⽹络的⽤途确定了,那么隐含层的数⽬也就确定了。

(错)7.对离散型HOPFIELD⽹络⽽⾔,如权矩阵为对称阵,⽽且对⾓线元素⾮负,那么⽹络在异步⽅式下必收敛于下⼀个稳定状态。

(对)8.对连续HOPFIELD⽹络⽽⾔,⽆论⽹络结构是否对称,都能保证⽹络稳定。

(错)9.竞争学习的实质是⼀种规律性检测器,即是基于刺激集合和哪个特征是重要的先验概念所构造的装置,发现有⽤的部特征。

(对)10.⼈⼯神经元⽹络和模糊系统的共同之处在于,都需建⽴对象的精确的数学模型,根据输⼊采样数据去估计其要求的决策,这是⼀种有模型的估计。

(错)三、简答题(每题5分,共30分)1.智能控制系统有哪些类型?答:1)多级递阶智能控制 2)基于知识的专家控制3)基于模糊逻辑的智能控制——模糊控制4)基于神经⽹络的智能控制——神经控制5)基于规则的仿⼈智能控制6)基于模式识别的智能控制7)多模变结构智能控制8)学习控制和⾃学习控制9)基于可拓逻辑的智能控制——可拓控制10)基于混沌理论的智能控制——混沌控制2.⽐较智能控制与传统控制的特点?1)传统控制⽅法在处理复杂性、不确定性⽅⾯能⼒低⽽且有时丧失了这种能⼒智能控制在处理复杂性、不确定性⽅⾯能⼒⾼2)传统控制是基于被控对象精确模型的控制⽅式,可谓“模型论”智能控制是智能决策论,相对于“模型论”可称为“控制论”3)传统的控制为了控制必须建模,⽽利⽤不精确的模型⼜采⽤摸个固定控制算法,使整个的控制系统置于模型框架下,缺乏灵活性,缺乏应变性,因此很难胜任对复杂系统的控制。

人工智能概论习题答案第3章 人工神经网络作业 20210307

人工智能概论习题答案第3章 人工神经网络作业 20210307

一、单项选择题1.人工神经网络是人工智能的三大流派思想中哪个流派的基础。

(B)A.符号主义B.连接主义(或称为仿生学派)C.行为主义D.逻辑推理主义2.以下关于感知器的说法错误的是(A)。

A.单层感知器可以解决异或问题B.感知器分类的原理是就是通过调整权重使两类不同的样本经过感知机模型后的输出不同C.单层感知器只能针对线性可分的数据集分类D.学习率可以控制每次权值调整力度3.人工神经网络的层数增加会出现梯度消失现象,其本质原因是(C)。

A.各层误差梯度相加导致B.各层误差梯度相减导致C.各层误差梯度相乘导致D.误差趋于饱和4.卷积层的主要作用是(A)A.提取图像特征B.降低输入维度C.解决梯度消失和梯度爆炸问题D.进行某种非线性变换二、多项选择题1.知识可以从以下哪几个维度来进行分类(AC)。

A.是否可统计B.是否可计算C.是否可推理D.是否可被人理解2.人工神经网络由许多神经元构成,M-P模型的主要特征包括(ABD)。

A.多输入单输出B.对输入加权求和C.具有树突和轴突D.具有激活函数3.卷积神经网络的结构主要包括(ABCD)。

A.卷积层B.池化层C.全连接层D.输入层三、判断题1.人工神经网络的层数是固定的,每层的神经元个数是不固定的(错)2.BP神经网络的误差是从前往后传播的(错)3.卷积神经网络的层数一般超过三层(对)四、简答题1.感知机是如何实现从数据中学习的?答:通过训练数据得到误差,再根据误差来调整权值,让再次计算训练数据得到的误差减小,最终达到无误差。

这时候得到的权值就称为学习到关于这些数据的知识。

2.什么是梯度,什么是梯度的方向?答:梯度就是把多元函数关于各个变量的偏导数放在一起构成的向量(也称为矢量)。

梯度方向表示当函数的各个变量都按照各自偏导数的比例进行增加时,各个增加量合起来构成的方向,是函数值变化最快的方向。

3.有A类物体和B类物体,均有两个类似的特征值。

以下有三个属于A类的样本,每个样本的特征值分别为[0.1, 1],[0.2, 0.7],[0.4, 0.8],样本标签用1表示;有三个属于B类的样本,其特征值分别为[0.8, 0.3],[0.9, 0.2],[1.0, 0.5],样本标签用0表示。

  1. 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. 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. 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)。

智能控制作业
学生: 学 号: 专业班级:
7-2 采用BP 网路、RBF 网路、DRNN 网路逼近线性对象
2)
1(1)1(9.0)1()(-+-⨯--=k y k y k u k y ,分别进行matlab 仿真。

(一)采用BP 网络仿真
网络结构为2-6-1。

采样时间1ms ,输入信号)6sin(5.0)(t k u ⨯=π,权值21,W W 的初值随机取值,05.0,05.0==αη。

仿真m 文件程序为:
%BP simulation
clear all;
clear all;
xite=0.5;
alfa=0.5;
w1=rands(2,6); % value of w1,initially by random w1_1=w1;w1_2=w1;
w2=rands(6,1); % value of w2,initially by random w2_1=w2;w2_2=w2_1;
dw1=0*w1;
x=[0,0]';
u_1=0;
y_1=0;
I=[0,0,0,0,0,0]'; % input of yinhanceng cell
Iout=[0,0,0,0,0,0]'; % output of yinhanceng cell
FI=[0,0,0,0,0,0]';
ts=0.001;
for k=1:1:1000
time(k)=k*ts;
u(k)=0.5*sin(3*2*pi*k*ts);
y(k)=(u_1-0.9*y_1)/(1+y_1^2);
for j=1:1:6
I(j)=x'*w1(:,j);
Iout(j)=1/(1+exp(-I(j)));
end
yn(k)=w2'*Iout; %output of network
e(k)=y(k)-yn(k); % error calculation
w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2
for j=1:1:6
FI(j)=exp(-I(j))/(1+exp(-I(j))^2);
end
for i=1:1:2
for j=1:1:6
dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation end
end
w1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1
% jacobian information
yu=0;
for j=1:1:6
yu=yu+w2(j)*w1(1,j)*FI(j);
end
dyu(k)=yu;
x(1)=u(k);
x(2)=y(k);
w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
u_1=u(k);
y_1=y(k);
end
figure(1);
plot(time,y,'r',time,yn,'b');
xlabel('times');ylabel('y and yn');
figure(2);
plot(time,y-yn,'r');
xlabel('times');ylabel('error'); figure(3);
plot(time,dyu);
xlabel('times');ylabel('dyu'); 运行结果为:
(二)采用RBF 网络仿真
网路结构为2-4-1,采样时间1ms ,输入信号)2sin(5.0)(t k u ⨯=π,权值的初值随机取值,05.0,05.0==αη,高斯基函数初值T j C ]5.0,5.0[=,
T B ]5.1,5.1,5.1,5.1[=。

仿真m 文件程序如下:
%RBF simulation
clear all
clear all
alfa=0.05;
xite=0.5;
x=[0,0]';
b=1.5*ones(4,1);
c=0.5*ones(2,4);
w=rands(4,1);
w_1=w;w_2=w_1;
c_1=c;c_2=c_1;
b_1=b;b_2=b_1
d_w=0*w;
d_b=0*b;
y_1=0;
ts=0.001;
for k=1:1:2000;
time(k)=k*ts;
u(k)=0.5*sin(1*2*pi*k*ts);
y(k)=(u(k)-0.9*y_1)/(1+y_1^2);
x(1)=u(k);
x(2)=y_1;
for j=1:1:4
h(j)=exp(-norm(x-c(:,j))^2/(2*b(j)*b(j)));
end
ym(k)=w'*h';
em(k)=y(k)-ym(k);
for j=1:1:4
d_w(j)=xite*em(k)*h(j);
d_b(j)=xite*em(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2;
for i=1:1:2
d_c(i,j)=xite*em(k)*w(j)*h(j)*(x(i)-c(i,j))*(b(j)^-2); end
end
w=w_1+d_w+alfa*(w_1-w_1);
b=b_1+d_b+alfa*(b_1-b_2);
c=c_1+d_c+alfa*(c_1-c_2);
% Jacobian information
yu=0;
for j=1:1:4
yu=yu+w(j)*h(j)*(c(1,j)-x(1))/b(j)^2;
end
dyu(k)=yu;
y_1=y(k);
w_2=w_1;
w_1=w;
c_2=c_1;
c_1=c;
b_2=b_1;
b_1=b;
end
figure(1);
plot(time,y,'r',time,ym,'b');
xlabel('time(s)');ylabel('y and ym'); figure(2);
plot(time,y-ym,'r');
xlabel('time(s)');ylabel('error'); figure(3);
plot(time,dyu,'b');
xlabel('time(s)');ylabel('dyu');
仿真结果为:
(三)DRNN 网路仿真
采样时间1ms ,输入信号)4sin(5.0)(t k u ⨯=π,权值I O D W W W ,,的初值随机取值,取35.0,35.0,35.0===I D O ηηη。

仿真m 文件程序为:
%DRNN simulation clear all;
clear all;
wd=rands(7,1); wo=rands(7,1); wi=rands(3,7);
xj=zeros(7,1); xj_1=xj;
u_1=0;y_1=0;
xitei=0.35;
xited=0.35;
xiteo=0.35;
ts=0.001;
for k=1:1:1000
time(k)=k*ts;
u(k)=0.5*sin(4*pi*k*ts);
y(k)=(u_1-0.9*y_1)/(1+y_1^2);
Ini=[u_1,y_1,1]';
for j=1:1:7
sj(j)=Ini'*wi(:,j)+wd(j)*xj(j);
end
for j=1:1:7
xj(j)=(1-exp(-sj(j)))/(1+exp(-sj(j)));
end
Pj=0*xj;
for j=1:1:7
Pj=wo(j)*(1+xj(j))*(1-xj(j))*xj_1(j);
end
Qij=0*wi;
for j=1:1:7
for i=1:1:3
Qij(i,j)=wo(j)*(1+xj(j))*(1-xj(j))*Ini(i); end
end
ymk=0;
for j=1:1:7
ymk=ymk+xj(j)*wo(j);
end
ym(k)=ymk;
e(k)=y(k)-ym(k);
wo=wo+xiteo*e(k)*xj;
wd=wd+xited*e(k)*Pj;
wi=wi+xitei*e(k)*Qij;
xj_1=xj;
u_1=u(k);
y_1=y(k);
end
figure(1);
plot(time,y,'r',time,ym,'b');
xlabel('time/s');ylabel('y and ym'); figure(2);
plot(time,y-ym,'r');
xlabel('time/s');ylabel('error');
仿真结果为:。

相关文档
最新文档