基于神经网络的模糊控制

基于神经网络的仿真实验

一、实验目的

1．熟悉神经网络的结构、特征及学习算法

2．通过实验掌握利用神经网络进行样本学习与训练的方法。

3．通过实验了解神经网络的结构、权值、学习速率、动量因子对控制效果的影响。 4．通过实验掌握用Matlab 实现神经网络控制系统仿真的方法

二、实验内容

1．给出仿真系统的设计过程和程序清单。 2．记录实验数据和曲线

三、实验步骤

1．在Matlab 下依据原理编写仿真程序并调试。

2．给定输入信号，或训练样本，运行程序，记录实验数据和控制曲线

3．修改神经网络结构参数，如权值、学习速率、动量因子、隐含层神经元个数等，重复步骤（2）

四、实验要求

1.

使用BP 网络逼近对象：

采样时间取2ms,输入信号为u(k)=2sin(10πt),神经网络为3-10-2结构,权值W1,W2的初始取值取[-1,+1]之间的随机值,取η=0.80,α=0.06。 2．取标准样本为3

神经网络为3-12-2结构,权值的初始取值取[-1,+1]之间的随机值,取η

=0.70,α=0.05，训练最终目标为 。

3．被控对象为

输入指令为一方波信号：))4sgn(sin(8.0)(t k rin π=,采样时间为1ms ，η=0.60，采用有监督Hebb 学习实现权值的学习，初始权值取

[][]2.0,15.015.015.0321===K w w w W 五、实验程序

1.clear all; 清除所有文件； close all; 关闭所有已开文件； xite=0.80; 惯性系数为0.8； alfa=0.06; 学习速率为0.06；

w2=rands(6,1); 初始化隐含层与输出层6行1列的权值矩阵；

s t k y k y k u k yout 5.0)

1(1)1()()(2

3

≤-+-+=)

2(632.0)1(10.0)2(26.0)1(368.0)(-+-+-+-=k u k u k y k y k y 1010-=E

w2_1=w2;w2_2=w2_1;

w1=rands(2,6); 初始化输入层与隐含层；

w1_1=w1;w1_2=w1;

dw1=0*w1;

x=[0,0]'; 给神经元的输入层的节点赋值；

u_1=0; 初始化；

y_1=0;

I=[0,0,0,0,0,0]';

Iout=[0,0,0,0,0,0]';

FI=[0,0,0,0,0,0]';

ts=0.002; 采样时间为2ms；

for k=1:1:1000

time(k)=k*ts; 第k个采样时间；

u(k)=2*sin(10*pi*ts); 第k个采样时间输入信号；

y(k)=u_1^3+y_1/(1+y_1^2); 第k个采样时间输入信号；

for j=1:1:6

I(j)=x'*w1( : ,j);

Iout(j)=1/(1+exp(-I(j))); 隐含层输出；

end

yn(k)=w2'*Iout; 输出层输出=隐含层与输出层之间连接数*隐含层输出；e(k)=y(k)-yn(k);

w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); 隐含层与输出层之间的权值调整公式；

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); 输入层与隐含层之间的权值变化公式；

end

end

w1=w1_1+dw1+alfa*(w1_1-w1_2); 输入层与隐含层之间的权值调整公式；

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'); 画图； 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');

-0.05

00.05

0.10.150.2

0.250.30.35times

e r r o r

2.6

2.83

3.2

3.4

3.6

3.8

times

d y u

00.10.20.30.4

0.50.60.70.80.91

time

y a n d y n

2.clear all;

close all; for j=1:1:6

xite=0.50; I(j)=x*w1( : ,j);

alfa=0.05; Iout(j)=1/(1+exp(-I(j))); w2=rands(6,2); end

w2_1=w2;w2_2=w2_1; yl=w2'*Iout; w1=rands(3,6); yl=yl'; w1_1=w1;w1_2=w1; el=0;

dw1=0*w1; y=ys(s, : ); I=[0,0,0,0,0,0]'; for l=1:1:OUT

Iout=[0,0,0,0,0,0]'; el=el+0.5*(y(1)-yl(1))^2; FI=[0,0,0,0,0,0]'; end

OUT=2; es(s)=el; k=0; E=0; E=1.0; if s==NS NS=3; for s=1:1:NS while E>=1e-020 E=E+es(s); k=k+1; end times(k)=k; end for s=1:1:NS ey=y-yl; xs=[1,0,0; w2=w2_1+xite*Iout*ey+alfa*(w2_1-w2_2);

0,1,0; for j=1:1:6

0,0,1]; S=1/(1+exp(-I(j))); ys=[1,0; FI(j)=S*(1-S); 0,0.5; end

0,1; ]; for i=1:1:3 x=xs(s, : ); for j=1:1:6

dw1(i,j)=xite*FI(j)*x(i)*(ey(1)*w2(j,1)+ey(2)*w2(j,2)); end end

w1=w1_1+dw1+alfa*(w1_1-w1_2); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; end Ek(k)=E; end figure(1);

plot(times,Ek,'r'); xlabel('k');ylabel('E'); save wfile w1 w2;

I = 0 Iout= 0 FI = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

00.10.20.30.4

0.5

0.6

0.7

k

E

3. clear all; e_2 =0;

close all; y_1=0;y_2=0; x=[0,0,0]'; u_1=0;u_2=0; xite=0.60; ts=0.001;

w1_1=0.15; for k=1:1:1000 w2_1=0.15; time(k)=k*ts;

w3_1=0.15; r(k)=0.8*sign(sin(2*2*pi*k*ts)); e_1=0;

y(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2; e(k)=r(k)-y(k); end

w1(k)=w1_1+xite*e(k)*u_1*x(1); figure(1);

w2(k)=w2_1+xite*e(k)*u_1*x(2); plot(time,r,'b',time,y ,'r');

w3(k)=w3_1+xite*e(k)*u_1*x(3); xlabel('time(s)');ylabel('Position tracking'); K=0.2; figure(2);

x(1)=e(k)-e_1; plot(time,e,'r');

x(2)=e(k); xlabel('time(s)');ylabel('error'); x(3)=e(k)-2*e_1+e_2; figure(3);

w=[w1(k),w2(k),w3(k)]; plot(time,w1,'r');

u(k)=u_1+K*w*x; xlabel('time(s)');ylabel('w1'); e_2=e_1;e_1=e(k); figure(4);

u_2=u_1;u_1=u(k); plot(time,w2,'r');

y_2=y_1;y_1=y(k); xlabel('time(s)');ylabel('w2'); w1_1=w1(k); figure(5);

w2_1=w2(k); plot(time,w3,'r');

w3_1=w3(k); xlabel('time(s)');ylabel('w3');

00.10.20.30.4

0.50.60.70.80.91

-0.8

-0.6-0.4-0.200.20.40.60.8

1time(s)

P o s i t i o n t r a c k i n g

00.10.20.30.4

0.50.60.70.80.91

-2

-1.5

-1

-0.5

0.5

1

time(s)

e r r o r

00.10.20.30.4

0.50.60.70.80.91

0.1

0.20.30.40.50.60.70.8

0.9time(s)

w 1

00.10.20.30.4

0.50.60.70.80.91

-0.4

-0.2

0.2

0.40.6

0.8

1

time(s)

w 2

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

0.10.150.20.250.30.350.40.450.50.55

0.6time(s)

w 3