實驗報實驗課程：神經網絡控制學生姓名：學號：專業班級：2012年5月15日#輸入結構特征結構的變化反應較靈敏。LMS算法一般需要輸入空間維數十倍的迭代次數才能達到穩定狀態，當輸入空間維數較高時緩慢的收斂速度會變得特別嚴重。因此我們提出了可變速率的學習：耳（n）=（-nn和工是用戶選擇的常數。在自適應的早期階段，即迭代次數相對搜尋時間常數較小時，學習率參數近似等于，算法運行實際上也是與“標準”的LMS算法一樣的。因此，通過在允許范圍內選擇一個較大，我們希望對可調權值找到一組找到一組較好的值并在其中上下浮動。然后，當迭代次數比搜尋時間常數大時，學習率參數近似為。此時，該算法以一個傳統的隨機逼近算法運行，且權值收斂到它們的最優值。這樣搜尋后的收斂進度是把標準LMS算法的期望特征和傳統隨機逼近理論結合起來。w(n+1)=w(n)-耳(n)z(n)d(n)-w(n)z(n)]jj(n)=exp其中耳和工是用戶選擇的常數0實驗過程1?三容水箱的建模三容水箱是液位控制系統中的被控對象，若流入量和流出量相同，水箱的液位不變，平衡后當流入側閥門開大時，流入量大于流出量導致液位上升。同時由于出水壓力的增大使流出量逐漸增大，其趨勢是重新建立起流入量與流出量之間的平衡關系，即液位上升到一定高度使流出量增大到與流入量相等而重新建立起平衡關系，液位最后穩定在某一高度上;反之，液位會下降，并最終穩定在另一高度上。由于水箱的流入量可以調節，流出量隨液位高度的變化而變化，所以只需建立流入量與液位高度之間的數學關系就可以建立該水箱對象的數學模型。通過三水槽物料平衡可得的公式：TOC\o"1-5"\h\zdh1“小、水槽1:=f（Q-Q1）1dh1/c小、水槽2：2=（Q一Q）dtF122dh1“小、水槽3："dt3=F（Q2-Q3）3其中Q是入水量，被控量為下水箱水位；S1、S2、S3分別為上、中、下三個水箱截面積,h這里Q=才，h.（i=^2、3）為上中下三個水箱的液位：iRi

水槽1：h\=(Q-Q)/A1i1水槽2：h\=(Q-Q)/A212水槽3：h\=(Q-Q)/A323其中：Q=h/R111Q=h/R222Q二h/RTOC\o"1-5"\h\z33對上面的公式經過一系列的微分和積分計算和整理后得到一個復雜的三階微分方程1…FFRR+FFRR+FFRRFR+FR+FR1,Q=Fh+—2—1―213132―3―2—h+―1223―h+hFFRR1212=33FFRRR3FFRRR3FFRRR3121231212312123按照流體力學原理，水箱流出量Q0與出口靜壓有關，同時還與調節閥門的阻力R有關,假設三者之間的變化關系為：Qo珂流體在一般流動條件下’液位h和流量Q°之間的關系是非線性的。為了簡化問題，通通常在特性曲線工作點a附近不大的范圍內，用切于a點的一段切線代替原曲線上的一段曲線，進行線性化處理。經過線性化后，水阻R是常數。由上式可知，只要確定了三個水箱的水阻，這個三階微分方程的參數就定下來了,進而可以確定三容水箱系統的傳遞函數。假設通過階躍曲線響應方法測得R二293s/m2,R二187s/m2,R二477s/m2代入式中得到傳遞函數為：123H(S)103=Q(S)37156.3S3+810.2S2+1i2?根據RBF網絡控制和先前建立的模型，采用開環辨識方式，輸入量為上水箱進水流量，輸出量為下水箱的液位，通過改變進水閥門K的開度，進而改變進水流量，并且給其給定液位值，記錄輸入輸出數據。建立RBF網絡前，先將數據歸一化處理，利用MATLAB軟件平臺編寫程序并進行仿真。實驗內容1?程序代碼最終程序：%RBFidentificationclearall;closeall;ts=1;sys=tf(10,[37156.3,810.2,1]);dsys=c2d(sys,ts,'z');[num,den]=tfdata(dsys,'v');x=[0,0,0]';xiteP=200;xiteI=0.20;xiteD=0.40;wkp_1=0.10;wki_1=0.10;wkd_1=0.10;error_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_l=O;u_2=0;u_3=0;ts=1;fork=1:1:5000time(k)=k*ts;rin(k)=1;yout(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2;error(k)=rin(k)-yout(k);wkp(k)=wkp_1+xiteP*u_1;wki(k)=wki_1+xiteI*u_1;wkd(k)=wkd_1+xiteD*u_1;K=1.0;x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;wadd(k)=abs(wkp(k))+abs(wki(k))+abs(wkd(k));w11(k)=wkp(k)/wadd(k);w22(k)=wki(k)/wadd(k);w33(k)=wkd(k)/wadd(k);w=[w11(k),w22(k),w33(k)];u(k)=u_1+K*w*x;ifu(k)>Ku(k)=K;endifu(k)<-K

u(k)=-K;u(k)=-K;enderror_2=error_l;error_1=error(k);u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2；y_2=y_1;y_1=yout(k);wkp_1=wkp(k);wkd_1=wkd(k);wki_1=wki(k);endsubplot(2,1,1)plot(time,rin,'r',time,yout,'b');title('高度h3及給定液位高度h');onxlabel(時間/sec');onylabel('高度h3及給定液位高度h');gridsubplot(2,1,2)plot(time,error,'r');title('液位誤差h-h3');xlabel(時間/sec');ylabel('液位誤差h-h3');gridon

六?實驗結果與分析1?試驗結果運行MATLAB程序得到如圖4和圖5的波形:O.O.50010001500200025003000500100015002000250030003500400045005000時間Fs&c圖4h3及給定液位高度h液位誤差h-h3-5O-5OLLO5O--500100015002000250030003500400045005000時間Fsec圖5液位誤差h-h32?試驗分析h為在0-200之間的隨機變量，在RBF網絡中輸出可以接近設定值，且與專家控制與模糊控制相比，反應更快，無超調，比較穩定。程序運行結果表明了水箱神經控制系統獲得更好的控制性能。基本滿足控制要求。七.實驗總結