Báo cáo thí nghiệm điều khiển thông minh

Báo cáo thí nghiệm điều khiển thông minh

BÁO CÁO THÍ NGHIỆM ĐIỀU KHIỂN THÔNG MINH

*

* *

PHẦN 1: HỆ THỐNG SUY LUẬN MỜ FIS

I BÀI 1: TÌM HIỂU HỆ FIS.

1 Mục đích thí nghiệm

Xác định đặc tính của hệ thống suy luận mờ

2 Nội dung thí nghiệm:

i Vẽ sơ đồ của hệ thống FIS 1 vào 1 ra

ii Vẽ các hàm lien thuộc mf của đầu vào và đầu ra iii Viết các ma trận hợp thành

iv Vẽ đặc tính vào ra của hệ thống

code:

echo a=newfis( 'myfis1' , 'sugeno' );

a=addvar(a, 'input' , 'VAO1' ,[-200 250]);

a=addvar(a, 'output' , 'RA1' ,[-50 50]);

a=addmf(a, 'input' ,1, 'A1' , 'trimf' ,[-201 -200 -100]);

a=addmf(a, 'input' ,1, 'A2' , 'trapmf' ,[-200 -100 0 50]);

a=addmf(a, 'input' ,1, 'A3' , 'trapmf' ,[0 50 150 250]);

a=addmf(a, 'input' ,1, 'A4' , 'trimf' ,[150 250 251]);

a=addmf(a, 'output' ,1, 'B1' , 'constant' ,[0]);

a=addmf(a, 'output' ,1, 'B4' , 'constant' ,[20]);

rule=[1,1,1,1;2,2,1,1;3 3 1 1; 4 4 1 1];

a=addrule(a,rule);

showfis(a) pause showrule(a) pause

gensurf(a) pause plotmf(a, 'input' ,1) pause

%plotmf(a,'output',1)

pause plotfis(a)

Sơ đồ của hệ thống:

Hàm liên thuộc:

0 0.2 0.4 0.6 0.8 1

VAO1

Luật hợp thành:

1 If (VAO1 is A1) then (RA1 is B1) (1)

2 If (VAO1 is A2) then (RA1 is B2) (1)

3 If (VAO1 is A3) then (RA1 is B3) (1)

4 If (VAO1 is A4) then (RA1 is B4) (1) Đặc tính vào ra:

-200 -150 -100 -50 0 50 100 150 200 250 -50

-40 -30 -20 -10 0 10 20 30 40 50

VAO1

II BÀI 2: XÂY DỰNG CÁC ĐẶC TÍNH TĨNH

Dùng toolbox fuzzy

Hình 2:

Phạm vi đầu vào: [-200 250]

Phạm vi đầu ra : [-50 50]

Tập mờ đầu vào:

Tập mờ đầu ra : [0 -50 50 20]

Luật hợp thành:

Đặc tính vào ra:

III BÀI 3: THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN MỜ

1 Bộ điều khiển PI mờ và PD mờ

i Sơ đồ bộ PD mờ:

Mô phỏng:

Nhận xét: hệ tuy ổn định nhưng vẫn tồn tại sai lệch tĩnh

ii Sơ đồ bộ PI mờ:

Mô phỏng:

Nhận xét: bộ PI mờ có khâu tích phân 1/s nên có tác dụng triệt tiêu sai lệch tĩnh

2 Bộ điều khiển mờ tĩnh

Đường đặc tính

Sơ đồ cấu trúc:

Nếu tăng hệ

số khuêch đại:

Hệ số khếch đại càng lớn thì sai lệch tĩnh càng được giảm

PHẦN 2: NEURAL NETWORK

I THÍ NGHIỆM NEURAL NETWORK

1. mạng Perceptron

điểm 1: (-1 ,5), (-3 ,2), (0,6), (3, 3), (-1 ,3)

P={[-1;5] [-3;2] [0;6] [3;3] [-1;3] [-5;-3] [-2;-1] [-1;-2] [2;-1] [6;-2]}

T={1 1 1 1 1 0 0 0 0 0};

net=newp([-9 9; -9 9],1);

[net,a,e]=adapt(net,P,T);

h=plotpc(net.iw{1,1},net.b{1});

drawnow;

pause;

end

pause

net.b

net.IW{1,1}

pause

p=cell2mat(P)

t=cell2mat(T)

plotpv(p,t)

pause

h=plotpc(net.IW{1,1},net.b{1})

-6 -4 -2 0 2 4 6 8

Vectors to be Classified

P(1)

net.b ans = [-3]

net.IW{1,1}

h = 172.0054

2 Mạng Adaline

T=sin(5*pi*t)

t=0:0.02:0.8;

T=sin(5*3.14*t);

P=con2seq(P);

T=con2seq(T);

net=newlin([0 10],1,[0:40],0.005);

%net.trainParam.epochs=25;

Pi=zeros(1,40);

Pi=con2seq(Pi);

net=train(net,P,T,Pi);

a=sim(net,P);

plot(t,[cat(2,T{:});cat(2,a{:})]);

3 mạng Backpropagation

p=[0:9]

t=[0 1 -2 -3 4 2 7 1 -8 6]

P=0:9;

T=[0 1 -2 -3 4 2 7 1 -8 6];

net=newff([0 10],[10 1],{ 'tansig' , 'purelin' });

net=train(net,P,T);

y=sim(net,P)

y = Columns 1 through 5 -0.0000 1.0000 -2.0000 -3.0000 4.0000 Columns 6 through 10

4 Mạng Hopfield

Mẫu:

Nhiễu cần nhận dạng:

-1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1]'; ai=[1 -1 -1 -1 -1 -1 1 -1 1 -1 1 1 1 -1 -1 -1]'; ai=con2seq(ai);

net=newhop(T);

y=sim(net,{1,15},{},ai);

cell2mat(y)

kết quả:

ans = Columns 1 through 5

-0.2018 -0.5037 -0.6041 -0.6599 -0.7073 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.6135 -0.5795 -0.6260 -0.6936 -0.7710 -0.6135 -0.5795 -0.6260 -0.6936 -0.7710 -0.5837 -0.4942 -0.4831 -0.4949 -0.5172 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.1029 -0.3709 -0.4605 -0.5186 -0.5786

0.2018 0.5037 0.6041 0.6599 0.7073 0.1195 -0.0213 0.0102 0.0887 0.1882 0.0552 -0.1304 -0.1331 -0.0813 -0.0030 1.0000 1.0000 1.0000 1.0000 1.0000 0.6314 0.9954 1.0000 1.0000 1.0000 0.1029 0.3709 0.4605 0.5186 0.5786 0.1029 0.3709 0.4605 0.5186 0.5786 Columns 6 through 10

-0.7554 -0.8072 -0.8645 -0.9270 -0.9995 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.8572 -0.9537 -1.0000 -1.0000 -1.0000 -0.8572 -0.9537 -1.0000 -1.0000 -1.0000 -0.5475 -0.5858 -0.6324 -0.7076 -0.8196 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.6488 -0.7322 -0.8309 -0.9306 -1.0000 -0.8572 -0.9537 -1.0000 -1.0000 -1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.7554 0.8072 0.8645 0.9270 0.9995 0.3047 0.4395 0.5954 0.7576 0.9215 0.0966 0.2180 0.3633 0.5382 0.7416 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.6488 0.7322 0.8309 0.9306 1.0000 0.6488 0.7322 0.8309 0.9306 1.0000 Columns 11 through 15

-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.9605 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.9591 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

Số lần học là 12