智能控制技术作业1

1. 已知系统的传递函数为:G(s)1e0.5s。假设系统给定为阶跃值r=30，10s1系统的初始值r(0)=0。试分别设计 （1） 常规的PID控制器； （2） 常规的模糊控制器； （3） 比较两种控制器的控制效果。 解：(1).常规PID控制器的设计：

利用Ziegler-Nichols整定公式整定PID调节器的初始参数

P PI PID 由公式可得 P=18 Ti=1.65 Td=0

SIMULINK仿真图

表1. 调节器Ziegler-Nichols整定公式 KP TI T/(K) TD 0.5 3.3 2.2 0.9T/(K) 1.2T/(K)

设定仿真时间为10s 仿真结果

(2).模糊控制器的设计：

1．在matlab命令窗口输入“fuzzy” 确定模糊控制器结构：即根据具体的系统确定输入、输出量。选取二维控制结构，即输入为误差e和误差变化ec，输出为u如下图所示:

2．输入输出变量的模糊化：即把输入输出的精确量转化为对应语言变量的模糊集合。首先我们要确定描述输入输出变量语言值的模糊子集，如{NB，NM，NS，ZO，PS，PM，PB}，并设置输入输出变量的论域，然后我们为模糊语言变量选取相应的隶属度函数。如下图所示:

3．模糊推理决策算法设计：即根据模糊控制规则进行模糊推理，并决策出模糊输出量。首先要确定模糊规则，即专家经验。如图所示:

制定完之后，会形成一个模糊控制规则矩阵，然后根据模糊输入量按照相应的模糊推理算法完成计算，并决策出模糊输出量。

4．对输出模糊量的解模糊：模糊控制器的输出量是一个模糊集合，通过反模糊化方法判决出一个确切的精确量，反模糊化方法很多，我们这里选取重心法。 SIMULINK仿真图

在模糊控制器的输入和输出均有一个比例系数，我们叫它量化因子，它反映的是模糊论域范围与实际范围之间的比例关系，这里模糊控制器输入的论域范围均为[-6，6]，假设误差的范围是[-10，10]，误差变化率范围是[-100，100]，控制量的范围是[-24，24]，那么我们就可以算出量化因子分别为0.6，0.06，8。量化因子的选取对于模糊控制器的控制效果有很大的影响，当输出量化因子调为10控制效果更好。

仿真曲线

（3）.常规PID控制器和模糊控制器的比较

由仿真结果可见两种控制器对系统的各项性能指标都有了改进，常规PID还是有超调量，模糊控制器的超调量几乎为零。

2. 已知一个非线性系统由一个神经网络和一个线性系统串联而成，如图5-31所示。

UNN 图5-31 题4图

VW(z) Y

其中线性系统的传递函数W（z）已知，试推导出神经网络控制器NN的学习算法。 解：根据控制性能的要求，选目标函数为 E=EP=

12[yd(k)y(k)]2

神经网络模型选用四层前向传播神经网络，并假设输出单元层的神经元为线性单元，其余层的神经元为Sigmoid激励元，则其学习规则可归结为

wij(k1)wij(k)pjpj

pj[yd(k)y(k)]dy(k)[yd(k)y(k)]

du(k1)1 输出层 221y(k2)y(k3)pjpj(1pj)plwlj 隐含层

l取直接网络控制法的神经网络结构为5,25,12,1。0.05，期望输出为

yd(k)sin2k6k 0.2sin100100则经过100次的在线学习和训练后，其均方误差已经小于0.005。