智能控制導論報告bp神經網絡模糊控制(編輯修改稿)
2024-07-16 03:19 本頁面
【文章內容簡介】 對象，PID控制器顯得更具有優(yōu)勢，原因如下：（1）、PID控制器相對比較簡單，而模糊控制器設計較為復雜，不僅要設計變量還要設計模糊規(guī)則；（2）、PID控制器調節(jié)三個參數可以達到滿意的效果，對于給出給出精確數學模型的控制對象，模糊控制器并沒有展現出太大的優(yōu)勢，調節(jié)參數的難度并不亞于PID控制器。在實驗中增大模糊控制器的比例因子Ku會加快系統(tǒng)的響應速度，但Ku過大將會導致系統(tǒng)輸出上升速率過快，從而使系統(tǒng)產生較大的超調量乃至發(fā)生振蕩；Ku過小，系統(tǒng)輸出上升速率變小，將導致系統(tǒng)穩(wěn)態(tài)精度變差。實驗二：神經網絡字符識別一、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(tǒng)仿真的方法。二、實驗內容編寫一個利用前向傳播神經網絡進行字符識別的程序，設神經網絡為具有一個隱含的BP網絡，需識別的字符有三個A、I和O,其輸入為4*4個像素的掃描輸入； 目標輸出分別是A=(1，1，1),I=(1,1,1),O=(1，1,1).網絡為16個輸入點、3個輸出點、9個隱含層節(jié)點。利用所編程序完成訓練后，在輸入樣本 X=（1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1）時,求網絡輸出值。三、實驗設備Matlab 四、實驗原理人工神經網絡ANN(Artificial Neural Network)系統(tǒng)由于具有信息的分布存儲、并行處理以及自學習能力等優(yōu)點，已經在信息處理、模式識別、智能控制及系統(tǒng)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(Back Propagation)算法的多層前饋網絡(MuhipleLayerFeedforward Network)，即BP網絡，可以以任意精度逼近任意連續(xù)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。BP算法屬于算法，是一種監(jiān)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
環(huán)評公示相關推薦
鄂ICP備17016276號-1