智能控制实验报告-2

智能控制实验报告姓名 徐斯学号6100310139学院信息工程学院班级自动化102班2013年12月24日南昌大学实验报告学生姓名：徐斯学号:6100310139专业班级：自动化102班实验类型：□验证□综合□设计□创新实验日期：实验成绩：单容水箱神经网络控制实验目的熟悉神经网络的特征、结构及学习算法通过实验进一步掌握神经网络的原理及实现了解神经网络的结构对控制效果的影响掌握用MATLAB事先神经网络控制系统仿真的方法5、通过BP神经网络逼近的方法，使单容水箱中的H能够稳定在100实验设备及条件计算机（装有MATLAB仿真软件）实验原理1.BP神经网络的结构含一个隐含层的BP网络结构如左图所示，图中i为输入层神经元，j为隐层神经元,k为输出层神经元。2.BP神经网络的逼近BP网络逼近的结构如下图所示，图中k为网络的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网络逼近器，y(k)为被控对象实际输出，yn(k)为BP的输出。将系统输出y(k)及输入u(k)的值作为逼近器BP的输入，将系统输出与网络输出的误差作为逼近器的调整信号。用于逼近的BP网络如上右图所示3.BP算法的学习BP算法的学习过程由信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度。实验设计过程及结果写出三容水箱各流量液位的数学表达式：q1=3.5*k;q2=21*sqrt(h);h=h+(q1-q2)/s;s=120;Q1Q1Q2kh单容水箱五、程序clearall;closeall;M=60;%阀门开度初始值为60H=100;h=80;b=3.5;s=120;xite=0.50;alfa=0.05;w2=rands(6,1);w2_1=w2;w2_2=w2_1;w1=rands(1,6);w1_1=w1;w1_2=w1_1;dw1=0*w1;x=[0]';I=[0,0,0,0,0,0]';Iout=[0,0,0,0,0,0]';FI=[0,0,0,0,0,0]';ts=0.001;fork=1:1:8500time(k)=k*ts;L(k)=h;e1(k)=H-h;q1=b*M;q2=21*sqrt(h);h=h+(q1-q2)/s;e3(k)=L(k)-h;forj=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endMn(k)=w2'*Iout;e2(k)=M-Mn(k);w2=w2_1+(xite*e2(k))*Iout+alfa*(w2_1-w2_2);forj=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j)))^2;endfori=1:1:1forj=1:1:6dw1(i,j)=e2(k)*xite*FI(j)*w2(j)*x(i);endendw1=w1_1+dw1+alfa*(w1_1-w1_2);yu=0;forj=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x=e1(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;endfigure(1);plot(time,L,'r',time,e1,'b');figure(2);plot(time,e3);六、实验结果如图：水位由原先的80增长到100，最终稳定在设定的100上，而水位差从20降到了0，使水位满足实验要求，从第二个图也可以看出，L与h有一个跟随的过程，但其最终稳定在0，说明水位最终是没有偏差的稳定于100。实验总结。本次实验我熟悉掌握论文matlab程序的编写；了解智能控制中BP神经网络控制的基本原理及思路，并应用于实践；在控制单容水箱中有比较良好的效果；在编写程序过程中，了解BP神经网络控制的基本算法；在调试过程中，熟悉了调试的方法，根据结果分析