《智能控制理論基礎》實驗報告學院：專業班級：姓名：學號：

實驗一采用SIMULINK的系統仿真一、實驗目的及要求：1.熟悉SIMULINK工作環境及特點2.掌握線性系統仿真常用基本模塊的用法3.掌握SIMULINK的建模與仿真方法二、實驗內容：了解SIMULINK模塊庫中各子模塊基本功能………連續系統模塊………離散系統模塊 ………函數與表模塊…………數學模塊………非線性模塊………信號與系統模塊………輸出模塊………輸入源模塊………子系統模塊微分微分積分積分步長延時狀態空間模型傳遞函數模型傳輸延遲可變傳輸延遲零極點模型直接查詢表直接查詢表函數功能塊

MATLAB函數S函數（系統函數）絕對值點乘絕對值點乘增益邏輯運算符號函數相加點死區特性死區特性手動開關繼電器特性飽和特性開關模塊信號分離模塊信號復合模塊信號分離模塊信號復合模塊輸出端口示波器模塊輸出仿真數據到文件輸出仿真數據到工作空間通過實驗熟悉以上模塊的使用。2.SIMULINK的建模與仿真方法（1）打開模塊庫，找出相應的模塊。鼠標左鍵點擊相應模塊，拖拽到模型窗口中即可。（2）創建子系統：當模型大而復雜時，可創建子系統。（3）模塊的封裝：（4）設置仿真控制參數。3．SIMULINK仿真實際應用PID控制器的仿真實現。控制對象的開環傳遞函數如下圖：加入PID控制器，求系統單位負反饋閉環單位階躍響應，要求通過調節器的作用使系統滿足超調量20%，上升時間3s，調節時間10s的要求。使輸出曲線如下圖。要求加入的PID控制器封裝成一個模塊使用。SIMULINK仿真結果如下：三、實驗報告要求：1.針對具體實例寫出上機的結果，體會其使用方法，并作出總結。在Matlab的SIMULINK中仿真，首先繪制出實驗要研究的開環傳遞系統，再加上負反饋形成閉環傳遞系統，在最后加上PID調節器調整各參數，使階躍相應曲線達到實驗要求。首先調節比例系數，比例系數越大，響應速度越快，但比例系數過大系統會不穩定，且無法消除穩態誤差，需要加入積分作用；調節積分時間常數，使得系統快速消除穩態誤差；通過不斷改善各系數，優化相應曲線，最終使相應曲線達到實驗要求。實驗二BP神經網絡設計一、實驗目的1.熟悉神經網絡的特征、結構以及學習算法2.了解神經網絡的結構對控制效果的影響

3.掌握用MATLAB實現神經網絡控制系統仿真的方法。二、實驗原理人工神經網絡ANN(ArtificialNeuralNetwork)系統由于具有信息的分布存儲、并行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。尤其是基于誤差反向傳播(BackPropagation)算法的多層前饋網絡(Muhiple-LayerFeedforwardNetwork)，即BP網絡，可以以任意精度逼近任意連續函數，所以廣泛地應用于非線性建模、函數逼近和模式分類等方面。1.BP網絡算法實現BP算法屬于算法，是一種監督式的學習算法。其主要思想是：對于M個輸人學習樣本，已知與其對應的輸出樣本。學習的目的是用網絡的實際輸出與目標矢量之間的誤差來修改其權值，使實際與期望盡可能地接近，即使網絡輸出層的誤差平方和達到最小，他是通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層。2.BP網絡的設計在MATLAB神經網絡工具箱中．有很方便的構建神經網絡的函數。對于BP網絡的實現．其提供了四個基本函數：newff，init．train和sim．它們分別對應四個基本步驟．即新建、初始化、訓練和仿真(1)初始化前向網絡初始化是對連接權值和閾值進行初始化。initff函數在建立網絡對象的同時，自動調用初始化函數，根據缺省的參數對網絡的連接權值和閾值進行初始化。格式：[wl，bl，w2，b2]=initff(p，sl，fl，s2，f2)其中P表示輸入矢量，s表示神經元個數，f表示傳遞函數，W表示權值，b表示閾值。(2)訓練網絡BP網絡初始化以后，就可對之進行訓練了。函數采用批處理方式進行網絡連接權值和閾值的更新，要對其參數進行設置，如學習步長、誤差目標等，同時在網絡訓練過程中，還用圖形顯示網絡誤差隨學習次數的變化。①基本梯度下降法訓練網絡函數trainbp格式：[wl，bl，w2，b2，te，tr]；trainbp(wl，bl，fl，w2，b2，f2，p，t，tp)②帶有動量項的自適應學習算法訓練網絡函數trainbpx格式：[wl，bl，w2，b2，te，tr]=trainbpx(wl，bl，fl，w2，b2，f2，p，t，tp)其中P表示輸入矢量，t表示目標矢量，te為網絡的實際訓練次數，tr為網絡訓練誤差平方和的行矢量，tp表示網絡訓練參數(如學習率、期望誤差、最大學習次數等)。(3)網絡仿真仿真函數simff用來對網絡進行仿真。利用此函數，可以在網絡訓練前后分別進行輸入輸出的仿真，以做比較，從而對網絡進行修改評價。格式：a=simff(p，wl，b1，fl，w2，b2，f2)其中a表示訓練好的BP網絡的實際輸出。三、實驗內容建立一個只有一個隱層的BP網絡，來逼近一個函數，其隱層的神經元個數為6．隱層和輸出層的轉移函數分別為雙曲正切S函數和線性函數，訓練函數為trainlm。輸入向量為P=一1：0．1：1．目標向量為t=p．2。由于本實例數據量少。所以采用元素列表方式輸入數據BP網絡的具體實現如下：1．建立網絡Net=newff([一11],[61],{‘tansig’,’purelin’},’trainlm’)；2．初始化采用默認的初始化參數對網絡進行初始化，即net=init(net)3．網絡的訓練訓練函數的參數設置如下：net．trainParam．show=10：net．trainParam．epochs=100；net．trainParam．goal=0．0001：net．trainParam．1r=0．01：網絡的訓練函數如下：[net，tr]=train(net．P．t)；4．仿真在這個網絡的設計中．共用到了三次sim函數．旨在對網絡訓練結果進行比較。第一次是在對網絡進行初始化之后，訓練之前，用y=sim(net，p)來進行仿真；第二次是在網絡訓練之后．再次用該函數進行仿真。四、實驗報告1.給出BP神經網絡程序清單。p=-1:0.1:1;t=p.^2;plot(p,t);title('要逼近的函數曲線');net=newff([-11],[61],{'tansig','purelin'},'trainlm');net=init(net);y1=sim(net,p);figureplot(p,t,'-',p,y1,'-.');xlabel('p');ylabel('t/y1');title('未訓練的BP網絡輸出和原函數曲線');net.trainParam.show=10;net.trainParam.epochs=100;net.trainParam.goal=0.0001;net.trainParam.lr=0.01;[net,tr]=train(net,p,t);y2=sim(net,p);figureplot(p,t,'-',p,y1,'-.',p,y2,'.');xlabel('p');ylabel('t/y1/y2');title('采用trainlm函數訓練后的輸出');2.記錄實驗數據和曲線，并作出總結。圖1要逼近的函數曲線