智能控制大作业(课本P236
智能控制大作业
设模糊神经网络控制系统原理结构如图7-62所示，图中d y 为系统期望输出（单位阶跃信号），y 为系统输出，被控对象的传递函数为
s s e s e s T K s G 480111
160022
1)(--+=+=
τ?y
MATLAB
解：
连续模型离散化
%工作的第一步：连续模型离散化clear all
close all
H = tf([0 22],[1600 1],'inputdelay',480) %得到G(s)
Hd = c2d(H,1,'foh')
程序运行结果：
Transfer function:
22
exp(-480*s) * ----------
1600 s + 1
Transfer function:
0.006874 z + 0.006872 %将G(s)离散化
z^(-480) * ---------------------
z - 0.9994
Sampling time: 1
因为：
T0=1,T1=1600, =480,K1=22,
由计算可得：
m=480,a1=0.9994,b1=0.006872
所以被控对象仿真模型可表示为：
y(k+1)=0.9994y(k)+0.006872u(k-480-1)+d1+d2
令d1=0.5sin(0.0314k),d2=0.5random(1)。
一、模糊神经网络理论
径向基函数（Radial Basis Function,RBF）神经网络是由J.Moody 和C.Darken 于20世纪80年代末提出的一种神经网络，它是具有单隐层的3层前馈网络。RBF中的作用函数是高斯基函数，其值在输入空间中有限范围内为非零值，因而RBF网络是局部逼近的网络。
1）RBF网络的逼近
在RBF结构中，X=[x1,x2,...,xn]T为网络的输入向量。
设RBF网络的径向基向量
H=[h1,h2,...,hm]T,
其中hj为高斯基函数，即
hj=exp(-||X-Cj||^2/(2*bj^2)), j=1,2,.....,m
式中，网络第j个节点的中心向量为
Cj=[cj1,cj2,....,cjn]T, i=1,2,...,n
设网络的基宽向量为
B=[b1,b2,....,bm]T
bj为节点j的基宽参数，且为大于零的数。
网络的权向量为
W=[w1,w2,...,wm]T
RBF网络的输出为
ym(k)=w1*h1+w2*h2+....+wm*hm
RBF 网络逼近的性能指标函数为
E(k)=(y(k)-ym(k))^2/2
根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下
wj(k)=wj(k-1)+η(y(k)-ym(k))hj+α*(wj(k -1)-wj(k-2)) △bj=(y(k)-ym(k))wj*hj*(||X-Cj||^2/(bj^3)) bj(k)=bj(k-1)+η△bj +α*(bj(k -1)-bj(k-2)) △cji=(y(k)-ym(k))wj*(xi-cji)/(bj^2) cji(k)=cji(k-1)+η△cji +α*(cji(k -1)-cji(k-2))
式中，η为学习速率，α为动量因子，η?[0,1]，α?[0,1]。 2）高级神经网络 模糊RBF 网络
在模糊系统中，模糊集，隶属函数和模糊规则的设计是建立在经验知识基础上的。这种
设计方法存在很大的主观性。将学习机制引入到模糊系统中，使模糊系统能够通过不断学习来修改和完善隶属函数和模糊规则，这是模糊系统发展的方向。
模糊系统与模糊神经网络既有区别又有联系，其联系表现为模糊神经网络本质上是模糊系统的实现，其区别表现为模糊神经网络又具有神经网络的特性。
在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。
网络结构
模糊RBF 神经网络结构由输入层、模糊化层、模糊推理层和输出层构成。 第一层：输入层
该层的各个节点直接与输入量的各个分量连接，将输入量传到下一层。对该层的每个节点i 的输入输出表示为 i x i f =)(1
第二层：模糊化层
采用高斯函数作为隶属函数，c ij 和b j 分别是第i 个输入变量第j 个模糊集合的隶属函数的均值和标准差。即
)exp(),(2
2j net j i f =
2
2
12
)())((j ij j b c i f net --
=
第三层：模糊推理层
该层通过与模糊化层的连接来完成模糊规则的匹配，各个节点之间实现模糊运算，即通过各个模糊节点的组合得到相应的点火强度。每个节点j 的输出为该节点所有输入信号的乘积，即
),()(1
23j i f j f N
j ∏==
式中，i n
i i N N N
,1
∏==为输入层中第i 个输入隶属函数的个数，即模糊化节点数。
第四层：输出层
输出层为4f ，即 f 4(l)=W ?f 3=
)(),(3
1
j f j l N
j ?∑=ω
式中，
l 为输出层节点的个数，W 为输出层节点与第三层各节点的连接权矩阵。
二、利用模糊算法
1）模糊控制器设计及仿真结果
% 模糊控制器的设计仿真程序：fuzzy236.m
%fuzzy controller design clear all close all
%2个输入，1个输出，49个规则。
a=newfis('fuzzf'); f1=1;
a=addvar(a,'input','e',[-3*f1,3*f1]); %parameter e
a=addmf(a,'input',1,'NB','zmf',[-3*f1,-1*f1]); %Z 形隶属函数 a=addmf(a,'input',1,'NM','trimf',[-3*f1,-2*f1,0]); %三角形隶属函数 a=addmf(a,'input',1,'NS','trimf',[-3*f1,-1*f1,1*f1]); %三角形隶属函数 a=addmf(a,'input',1,'Z','trimf',[-2*f1,0,2*f1]); %三角形隶属函数 a=addmf(a,'input',1,'PS','trimf',[-1*f1,1*f1,3*f1]); %三角形隶属函数 a=addmf(a,'input',1,'PM','trimf',[0,2*f1,3*f1]); %三角形隶属函数
a=addmf(a,'input',1,'PB','smf',[1*f1,3*f1]); %S形隶属函数
f2=0.5
a=addvar(a,'input','ec',[-3*f2,3*f2]); %parameter ec
a=addmf(a,'input',2,'NB','zmf',[-3*f2,-1*f2]); %Z形隶属函数
a=addmf(a,'input',2,'NM','trimf',[-3*f2,-2*f2,0]); %三角形隶属函数a=addmf(a,'input',2,'NS','trimf',[-3*f2,-1*f2,1*f2]); %三角形隶属函数a=addmf(a,'input',2,'Z','trimf',[-2*f2,0,2*f2]); %三角形隶属函数a=addmf(a,'input',2,'PS','trimf',[-1*f2,1*f2,3*f2]); %三角形隶属函数a=addmf(a,'input',2,'PM','trimf',[0,2*f2,3*f2]); %三角形隶属函数a=addmf(a,'input',2,'PB','smf',[1*f2,3*f2]); %S形隶属函数
f3=0.5;
a=addvar(a,'output','u',[-1*f3,1*f3]); %parameter u
a=addmf(a,'output',1,'NB','zmf',[-1*f3,-1/3*f3]);
a=addmf(a,'output',1,'NM','trimf',[-1*f3,-2/3*f3,0]);
a=addmf(a,'output',1,'NS','trimf',[-1*f3,-1/3*f3,1/3*f3]);
a=addmf(a,'output',1,'Z','trimf',[-2/3*f1,0,2/3*f1]);
a=addmf(a,'output',1,'PS','trimf',[-1/3*f3,1/3*f1,1*f3]);
a=addmf(a,'output',1,'PM','trimf',[0,2/3*f3,1*f3]);
a=addmf(a,'output',1,'PB','smf',[1/3*f3,1*f3]);
rulelist=[1 1 1 1 1;1 2 1 1 1;1 3 2 1 1;1 4 2 1 1;1 5 3 1 1;1 6 3 1 1;1 7 4 1 1;
2 1 1 1 1;2 2 2 1 1;2
3 2 1 1;2
4 3 1 1;2
5 3 1 1;2
6 4 1 1;2
7 5 1 1;
3 1 2 1 1;3 2 2 1 1;3 3 3 1 1;3
4 3 1 1;3
5 4 1 1;3
6 5 1 1;3
7 5 1 1;
4 1 2 1 1;4 2 3 1 1;4 3 3 1 1;4 4 4 1 1;4
5 5 1 1;4
6 5 1 1;4
7 6 1 1;
5 1 3 1 1;5 2 3 1 1;5 3 4 1 1;5 4 5 1 1;5 5 5 1 1;5
6 6 1 1;5
7 6 1 1;
6 1 3 1 1;6 2 4 1 1;6 3 5 1 1;6 4 5 1 1;6 5 6 1 1;6 6 6 1 1;6
7 7 1 1;
7 1 4 1 1;7 2 5 1 1;7 3 5 1 1;7 4 6 1 1;7 5 6 1 1;7 6 7 1 1;7 7 7 1 1];
a=addrule(a,rulelist);
%showrule(a) %show fuzzy rule base
a1=setfis(a,'DefuzzMethod','mom');%defuzzy
writefis(a1,'fuzzf');
a2=readfis('fuzzf');
disp('....................................................');
disp(' fuzzy controller table:e=[-3,+3],ec=[-1.5,+1.5] ');
disp('....................................................');
Ulist=zeros(7,7);
for i=1:7
for j=1:7
e(i)=-4+i;
ec(j)=-4+j
Ulist(i,j)=evalfis([e(i),ec(j)],a2);
end
end
Ulist=ceil(Ulist);
figure(1);
plotfis(a2); %得到模糊推理系统figure(2);
plotmf(a,'input',1);
figure(3);
plotmf(a,'input',2);
figure(4);
plotmf(a,'output',1);
程序运行结果如下：
System fuzzf: 2 inputs, 1 outputs, 49 rules
ec (7)
图1. 模糊推理系统
-3
-2
-1
1
2
3
00.2
0.4
0.6
0.8
1
e
D e g r e e o f m e m b e r s h i p
图2. x1的隶属度曲线
-1.5
-1
-0.5
00.5
1
1.5
00.2
0.4
0.6
0.8
1
ec
D e g r e e o f m e m b e r s h i p
图3. x2的隶属度曲线
-0.5
-0.4
-0.3
-0.2
-0.1
0.1
0.2
0.3
0.4
0.5
00.2
0.4
0.6
0.8
1
u
D e g r e e o f m e m b e r s h i p
图4. 输出隶属度曲线
MATLAB仿真图：（无干扰情况）
仿真结果：
三、模糊神经网络实现
%模糊RBF网络的逼近程序
%Fuzzy RBF Approaching
clear all
close all
%网络结构选择2-25-25-1，神经网络的权值W的初值取[-1,+1]之间的随机值
%网络的学习参数
xite=0.20; %学习速率
alfa=0.05; %动量因子
b=ones(7,1); %b=1高斯基宽向量的初值B=(bj) c=[-6 -4 -2 0 2 4 6;-6 -4 -2 0 2 4 6]; %中心矢量的初值C=(cij)
%权值初值w=2,4
w=[2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;
4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2;4;2];
c_1=c;
c_2=c_1;
b_1=b;
b_2=b_1;
w_1=w;
w_2=w_1;
u_1=0;
y_1=0;
ts=0.001;
for k=1:1:1000
time(k)=k*ts;
u(k)=1; %输入信号为单位阶跃信号（系统期望输出）heaviside(k*ts) %使用模糊RBF网络的逼近对象y(k)=0.9994y(k-1)+0.006872u(k-480-1)+d1+d2
%d1=0.5*sin(0.0314k),d2=0.5*random(1)。
y(k)=0.9994*y_1+0.006872*u_1+0.5*sin(0.0314*k*ts);
x=[u(k),y(k)]'; % Layer1:input
f1=x; % 输入层%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:1:2 %Layer2:fuzzation模糊化层for j=1:1:7
net2(i,j)=-(f1(i)-c(i,j))^2/b(j)^2;
end
end
for i=1:1:2
for j=1:1:7
f2(i,j)=exp(net2(i,j));
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%
for j=1:1:7 % Layer3:fuzzy inference(49 rules) m1(j)=f2(1,j);
m2(j)=f2(2,j);
end
for i=1:1:7
for j=1:1:7
ff3(i,j)=m2(i)*m1(j);
end
end
f3=[ff3(1,:),ff3(2,:),ff3(3,:),ff3(4,:),ff3(5,:),ff3(6,:),ff3(7,:)];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %
f4=w_1'*f3'; % Layer4:output, ym(k)=f4;
e(k)=y(k)-ym(k);
d_w=0*w_1;
for j=1:1:25
d_w(j)=xite*e(k)*f3(j);
end
w=w_1+d_w+alfa*(w_1-w_2);
delta2=-e(k)*w'*f3';
d_b=0*b_1;
for j=1:1:7
d_b(j)=xite*delta2*2*((x(1)-c(1,j))^2)*(b(j)^-3);
end
b=b_1+d_b+alfa*(b_1-b_2); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% d_c=0*c_1;
for i=1:1:1
for j=1:1:7
d_c(i,j)=-xite*delta2*2*(x(i)-c(i,j))*b(j)^-2;
end
end
c=c_1+d_c+alfa*(c_1-c_2);
u_1=u(k);
y_1=y(k);
w_2=w_1;
w_1=w;
c_2=c_1; c_1=c; b_2=b_1; b_1=b; end figure(1);
plot(time,y,'r',time,ym,'b');
xlabel('time(s)');ylabel('Approaching'); figure(2); plot(time,y-ym,'r');
xlabel('time(s)');ylabel('Approaching error');
77
time(s)
A p p r o a c h i n
g
00.10.20.30.4
0.50.60.70.80.91
77
time(s)
A p p r o a c h i n g e r r o r
小结：本文对所给系统用模糊控制和模糊神经网络控制两种方法进行了matlab 程序仿真。在模糊控制仿真中，用matlab 程序进行控制器推理系统设计，由于系统延迟参数比较大，仿真跟踪缓慢，效果还行；在模糊神经网络逼近程序中，由于阶跃信号的选择问题，仿真达不到所要的结果。
智能控制技术作业
3-1 模糊逻辑控制器由哪几部分组成？各完成什么功能？ 答：模糊控制系统的主要部件是模糊化过程、知识库（数据库和规则库）、推理决策和精确化计算。 1、模糊化过程 模糊化过程主要完成：测量输入变量的值，并将数字表示形式的输入量转化为通常用语言值表示的某一限定码的序数。 2、知识库 知识库包括数据库和规则库。 1）、数据库 数据库提供必要的定义，包含了语言控制规则论域的离散化、量化和正规化以及输入空间的分区、隶属度函数的定义等。 2）、规则库 规则库根据控制目的和控制策略给出了一套由语言变量描述的并由专家或自学习产生的控制规则的集合。它包括：过程状态输入变量和控制输出变量的选择，模糊控制系统的建立。 3、推理决策逻辑 推理决策逻辑是利用知识库的信息模拟人类的推理决策过程，给出适合的控制量。（它是模糊控制的核心）。 4、精确化过程 在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值的过程称为精确化过程。
{模糊控制器采用数字计算机。它具有三个重要功能： 1）把系统的偏差从数字量转化为模糊量（模糊化过程、数据库两块）； 2）对模糊量由给定的规则进行模糊推理（规则库、推理决策完成）； 3）把推理结果的模糊输出量转化为实际系统能够接受的精确数字量或模拟量（精确化接口）。} 3-2 模糊逻辑控制器常规设计的步骤怎样？应该注意哪些问题？ 答：常规设计方法 设计步骤如下： 1、确定模糊控制器的输入、输出变量 2、确定各输入、输出变量的变化范围、量化等级和量化因子 3、在各输入和输出语言变量的量化域内定义模糊子集。 4、模糊控制规则的确定 5、求模糊控制表 3-3 已知由极大极小推理法得到输出模糊集为：0.30.810.50.112345 C = ++++-----.试用重心法计算出此推理结果的精确值z 。 重心法 重心法 是取模糊隶属度函数的曲线与横坐标围城面积的重心为模糊推理最终输出值。 连续：0()()v V v V v v dv v v dv μμ=??
西电射频大作业(精心整理)
射频大作业 基于PSpice仿真的振幅调制电路设计数字调制与解调的集成器件学习
目录 题目一：基于PSpice仿真的振幅调制电路设计与性能分析 一、实验设计要求 (3) 二、理论分析 1、问题的分析 (3) 2、差动放大器调幅的设计理论 (4) 2.1、单端输出差动放大器电路 2.2、双端输出差动放大器电路 2.3、单二极管振幅调制电路 2.4、平衡对消二极管调幅电路 三、PSpice仿真的振幅调制电路性能分析 (10) 1、单端输出差动放大器调幅电路设计图及仿真波形 2、双端输出差动放大器调幅电路设计图及仿真波形 3、单二极管振幅调制电路设计图及仿真波形 4、平衡对消二极管调幅电路设计图及仿真波形 四、实验总结 (16) 五、参考文献 题目二数字调制与解调的集成器件学习 一、实验设计要求 (17) 二、概述 (17) 三、引脚功能及组成原理 (18) 四、基本连接电路 (20) 五、参考文献 (21) 六、英文附录 (21)
题目一基于PSpice仿真的振幅调制电路设计 摘要 随着大规模集成电路的广泛发展,电子电路CAD及电子设计自动化（EDA）已成为电路分析和设计中不可缺少的工具。此次振幅调制电路仿真设计基于PSpice，利用其丰富的仿真元器件库和强大的行为建模工具，分别设计了差分对放大器和二极管振幅调制电路，由此对线性时变电路调幅有了更进一步的认识；同时，通过平衡对消技术分别衍生出双端输出的差分对放大器和双回路二极管振幅调制电路，消除了没用的频率分量，从而得到了更好的调幅效果。本文对比研究了单端输出和双端输出的差分对放大器调幅电路及单二极管和双回路二极管调幅电路，通过对比观察时域和频域波形图，可知平衡对消技术可以很好地减小失真。 关键词：PSpice 振幅调制差分对放大器二极管振幅调制电路平衡对消技术 一、实验设计要求 1.1 基本要求 参考教材《射频电路基础》第五章振幅调制与解调中有关差分对放大器调幅和二极管调幅的原理，选择元器件、调制信号和载波参数，完成PSpice电路设计、建模和仿真，实现振幅调制信号的输出和分析。 1.2 实践任务 (1) 选择合适的调制信号和载波的振幅、频率，通过理论计算分析，正确选择晶体管和其它元件；搭建单端输出的差分对放大器，实现载波作为差模输入电压，调制信号控制电流源情况下的振幅调制；调整二者振幅，实现基本无失真的线性时变电路调幅；观察记录电路参数、调制信号、载波和已调波的波形和频谱。 (2) 参考例5.3.1，修改电路为双端输出，对比研究平衡对消技术在该电路中的应用效果。 (3) 选择合适的调制信号和载波的振幅、频率，通过理论计算分析，正确选择二极管和其它元件；搭建单二极管振幅调制电路，实现载波作为大信号，调制信号为小信号情况下的振幅调制；调整二者振幅，实现基本无失真的线性时变电路调幅；观察记录电路参数、调制信号、载波和已调波的波形和频谱。 (4) 参考例5.3.2，修改电路为双回路，对比研究平衡对消技术在该电路中的应用效果。 1.3 写作报告 (1) 按论文形式撰写，包括摘要、正文和参考文献，等等。 (2) 正文包括振幅调制电路的设计原理、理论分析结果、实践任务中各阶段设计的电路、参数、波形和频谱，对观察记录的数据配以图像和表格，同时要有充分的文字做分析和对比，有规律性认识。 (3) 论文结构系统、完备、条理清晰、理论正确、数据翔实、分析完整。 1.4 相关提示 (1) 所有电路和信号参数需要各人自行决定，各人有不同的研究结果，锻炼学生的独立研究和实验分析能力。 (2) 为了提高仿真精度和减小调试难度，可以将调制信号和载波的频率设置得较低。 二、理论分析 1、问题的分析 根据题目的要求，差分对放大器和二极管振幅调制电路目的都是实现基本无
智能控制指导作业
语言变量X ，Y ，Z 的隶属度函数. 设计带有纯延迟的一阶惯性环节（假设T=6,=0.02）： G(s)=s e s 6102.0+ 的模糊控制器，观察仿真结果。 编程如下： %被控系统建模 num=1; den=[6,1]; [a1,b,c,d]=tf2ss(num,den);%传递函数转换到状态空间 x=[0]; %系统参数 T=0.01;h=T;td=0.02;N=1000; nd=td/T;%系统纯延迟 R=ones(1,N);%参考输入 %定义输入和输出变量及隶属度函数
a=newfis('Simple'); a=addvar(a,'input','e',[-4 4]); a=addmf(a,'input',1,'NB','trimf',[-4,-4,-2]); a=addmf(a,'input',1,'NS','trimf',[-4,-2,0]); a=addmf(a,'input',1,'ZO','trimf',[-2,0,2]); a=addmf(a,'input',1,'PS','trimf',[0,2,4]); a=addmf(a,'input',1,'PB','trimf',[2,4,4]); a=addvar(a,'input','de',[-4 4]); a=addmf(a,'input',2,'NB','trimf',[-4,-4,-2]); a=addmf(a,'input',2,'NS','trimf',[-4,-2,0]); a=addmf(a,'input',2,'ZO','trimf',[-2,0,2]); a=addmf(a,'input',2,'PS','trimf',[0,2,4]); a=addmf(a,'input',2,'PB','trimf',[2,4,4]); a=addvar(a,'output','u',[-4 4]); a=addmf(a,'output',1,'NB','trimf',[-4,-4,-2]); a=addmf(a,'output',1,'NS','trimf',[-4,-2,0]); a=addmf(a,'output',1,'ZO','trimf',[-2,0,2]); a=addmf(a,'output',1,'PS','trimf',[0,2,4]); a=addmf(a,'output',1,'PB','trimf',[2,4,4]); %模糊规则矩阵 rr=[5 5 4 4 3 5 4 4 3 3 4 4 3 3 2 4 3 3 2 2 3 3 2 2 1]; r1=zeros(prod(size(rr)),3);k=1; for i=1:size(rr,1) for j=1:size(rr,2) r1(k,:)=[i,j,rr(i,j)]; k=k+1; end end [r,s]=size(r1); r2=ones(r,2); rulelist=[r1,r2]; a=addrule(a,rulelist); %采用模糊控制器的二阶系统仿真 e=0;de=0; ke=30;kd=5;ku=1; for k=1:N %输入变量变换至论域 e1=ke*e; de1=kd*de; if e1>=4
智能控制翻译
智能控制导论大作业 学号：021151** 姓名：** 任课教师:吴**
目录 一、说明………………………………………………………………… I.文章出处………………………………………………………… 二、论文翻译…………………………………………………………… I.摘要……………………………………………………………… II.引言……………………………………………………………… III.背景信息…………………………………………………………… IV.神经网络整体结构……………………………………………… V.神经网络的整体的标定中的应用……………………………… VI.总结……………………………………………………………… 三、课程与论文关系…………………………………………………… 四、智能导论课程总结…………………………………………………
一、说明 本次大作业针对“Improved Calibration of Near-Infrared Spectra by Using Ensembles of Neural Network Models”文章进行翻译。这篇文章摘自IEEE SENSORS JOURNAL, VOL. 10, NO. 3, MARCH 2010。作者是Abhisek Ukil, Member, IEEE, Jakob Bernasconi, Hubert Braendle, Henry Buijs, and Sacha Bonenfant。 二、论文翻译 利用神经网络模型整体对近红外光谱校正改进 摘要: 红外（IR）或近红外（NIR）光谱技术是用来识别一种混合物或来分析材料的组成的方法。NIR光谱的校准是指利用光谱的多变量描述来预测各组分的浓度。建立一个校正模型，最先进的软件主要使用线性回归技术。对于非线性校正问题，基于神经网络的模型已经被证明是一个有意义的选择。在本文中，我们提出了一个新的基于神经网络的扩展传统的方法，利用神经网络模型整体。个别神经网络是从重采样与引导或交叉验证技术训练信息数据中获得。在一个现实的校准实施例中得到的结果表明，该集合为基础的方法，会产生一个比传统的回归方法更显著更精确和鲁棒性强的校准模型。 关键词： 自举，校准，计量学，交叉验证，傅立叶变换，近红外（NIR），近红外光谱仪，神经网络，光谱。 I.引言: 红外（IR）或近红外（NIR）光谱技术是用来识别一种混合物或来分析材料的组成的方法。这是通过学习物质与红外光间相互作用而完成的。红外/近红外光谱是指红外光的吸收为波长的函数。在红外光谱中，考虑的频率范围通常是14000和10厘米分之一。注意，所施加的频率刻度是波数（以厘米倒数为单位），而不是波长（以微米为单位）。该材料在不同频率下的吸收测定中的百分比。“化学计量学”是数学和统计方法的应用，以化学数据的分析，例如，多元校正，信号处理/调节，模式识别，实验设计等。 在化学计量学，校准是通过使用光谱多变量描述符来预测不同成分的浓度来实现。在本文中，我们提出并分析采用基于神经网络的校正模型整体。整体的个别型通过重新取样与引导或交叉验证技术的原始训练数据的实现。该集成模型被示为导致显著改善预测精度和鲁棒性，当与常规的校准方法相比。 在本文的其余部分安排如下。在第二节中，提供有关工作的背景信息。这包括使用的光谱仪，数据采样，目前最先进的校准方法和基于神经网络的校准模型的信息。第三节介绍了
智能控制系统matlab仿真
智能控制系统实验报告 ARMA 模型 ARMA(p,q)是一个线性时间序列预测模型，适用于平稳的时间序列，即对于任何时刻t ，都有()t E Z μ=,E(a t )=0.协方差矩阵(')t t E a a ∑=,对于任意0l ≠有(')0t t l E a a +=。 AR 模型 11t t p t p t Z Z Z νφφε--=++++ (0.1) 当误差项t ε自相关时，可以被有限阶滑动平均表示 11t t t q t q a a a ε--=+Θ++Θ (0.2) 这里t a 是零均白噪声，协方差矩阵a ∑非奇异。结合AR 过程和MA 误差项，得到ARMA 过程： 111111t t p t p t t p t p t t q t q Z Z Z Z Z a a a νφφενφφ------=++++=+++++Θ++Θ (0.3) 对于一个很大的阶数n ，AR(n)接近ARMA(p,q) 1 ()()n t t i t i i Z n Z a n -==+∑∏ (0.4) 从(0.4)得到残差的估计值 1??()()n t t i t i i a n Z n Z -==-∏∑ (0.5) 其中?()i n ∏利用多变量最小二乘法求解，然后使用估计值?()t a n 建立多变量回归模型 1111??t t p t p t t q t q Z Z Z a a a φφ----=++++Θ++Θ (0.6) 1111[,,:,.]()?()?()t t p t p q t t t q Z Z Z a n a n a n φφ----?? ?????? =ΘΘ+??????????? ? (0.7) (1:)0[,]T Z Y A =ΦΘ+ (0.8) 01[,,]T A a a = (0.9) 000'???()a A A n T ∑= (0.10) 最小二乘法求解公式，以AR(p)为例。
19春北理工《智能控制基础》在线作业答案
(单选题)1: 一般认为，人工神经网络适用于（） A: 线性系统 B: 多变量系统 C: 多输入多输出系统 D: 非线性系统 正确答案: (单选题)2: 递阶控制系统的结构是根据下列原理设计的（） A: 精度随智能降低而提高 B: 精度随智能提高而提高 C: 精度随智能降低而降低 D: 精度与智能无关 正确答案: (单选题)3: 智能控制成为国际上独立新学科的时间为20世纪（） A: 60年代 B: 70年代 C: 80年代 D: 90年代 正确答案: (单选题)4: 基于模式识别的控制系统属于（） A: 学习控制系统 B: 专家控制系统 C: 进化控制系统 D: 模糊控制系统 正确答案: (单选题)5: 能够在系统运行过程中估计未知信息，并据之进行优化与控制，以便逐步改进系统性能的控制叫做（） A: 最优控制 B: 反馈控制 C: 随机控制 D: 学习控制 正确答案: (单选题)6: 最早提出人工神经网络思想的学者是（） A: McCulloch-Pitts B: Hebb C: Widrow-Hoff D: Rosenblatt 正确答案: (单选题)7: 解决自动控制面临问题的一条有效途径就是把人工智能等技术用于自动控制系统，其核心是（） A: 控制算法 B: 控制结构 C: 控制器智能化 D: 控制系统仿真 正确答案: (单选题)8: 智能控制的“四元交集结构”的四元，指的是（） A: 计算机科学、自动控制、人工智能、神经网络 B: 人工智能、自动控制、信息论、系统论 C: 人工智能、自动控制、信息论、机器学习 D: 自动控制、人工智能、信息论、运筹学 正确答案: (单选题)9: 模糊控制是以模糊集合为基础的，提出模糊集合的科学家是（）
西电计算机视觉大作业
数字水印技术 一、引言 随着互联网广泛普及的应用，各种各样的数据资源包括文本、图片、音频、视频等放在网络服务器上供用户访问。但是这种网络资源的幵放也带了许多弊端，比如一些用户非法下载、非法拷贝、恶意篡改等，因此数字媒体内容的安全和因特网上的侵权问题成为一个急需解决的问题。数字水印作为一项很有潜力的解决手段，正是在这种情况下应运而生。 数字水印（技术是将一些代表性的标识信息，一般需要经过某种适合的变换，变换后的秘密信息（即数字水印），通过某种方式嵌入数字载体（包括文档、音频、软件等）当中，但不影响原载体的使用价值，也不容易被人的知觉系统（如视觉或听觉系统）觉察或注意到。通过这些隐藏在载体中的信息，可以达到确认内容创建者、购买者、传送隐秘信息或者判断载体是否被篡改等目的。在发生产权和内容纠纷时，通过相应的算法可以提取该早已潜入的数字水印，从而验证版权的归属和内容的真伪。 二.算法原理 2.1、灰度图像水印 2.1.1基本原理 处理灰度图像数字水印，采用了LSB（最低有效位）、DCT变换域、DWT变换域三种算法来处理数字水印。在此过程中，处理水印首先将其预处理转化为二值图像，简化算法。 （1）LSB算法原理：最低有效位算法(Least Sig nificant Bit , LSB)是很常见的空间域信息隐藏算法, 该算法就是通过改变图像像素最不重要位来达到嵌入隐秘信息的效果, 该方法隐藏的信息在人的肉眼不能发现的情况下, 其嵌入方法简单、隐藏信息量大、提取方法简单等而获得广泛应用。LSB 信息嵌入过程如下: S′=S+f S ,M 其中,S 和S′分别代表载体信息和嵌入秘密信息后的载密信息;M为待嵌入的秘密信息, 而隐写分析则是从S′中检测出M以至提取M 。 （2）DCT算法原理：DCT 变换在图像压缩中有很多应用，它是JPEG，MPEG 等数据
专家控制系统课后大作业
5-1 什么是专家系统？它具有哪些特点和优点？ 专家系统（Expert System) 是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。 专家系统的特点如下： （1）启发性。不仅能使用逻辑知识，也能使用启发性知识，它运用规范的专门知识和直觉的评判知识进行判断、推理和联想，实现问题求解； （2）透明性。它使用户在对专家系统结构不了解的情况下，可以进行相互交往，并了解知识的内容和推理思路，系统还能回答用户的一些有关系统自身行为的问题； （3）灵活性。专家系统的知识与推理机构的分离，使系统不断接纳新的知识，从而确保系统内知识不断增长以满足商业和研究的需要； （4）实用性。可长期保存人类专家的知识与经验，且工作效率高、可靠性好、能汇集众多专家的特长，达到高于任何单个专家的水平，是保存、传播、使用及提高专家知识与经验的有效工具； （5）符号操作。与常规程序进行数据处理和数字计算不同，专家系统强调符号处理和符号操作。使用符号表示知识，用符号集合表示问题的概念，一个符号是一串程序设计，并可用于表示现实世界中的概念； （6）不确定性推理。领域专家求解问题的方法大多数是经验性的，经验知识一般用于表示不精确性且存在一定概率的问题。此外，其提供的有关信息往往是不确定的。而专家系统能够综合应用模糊和不确定的信息与知识进行推理； 专家系统的优点如下： （1）专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作； （2）专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记； （3）军事专家系统的水平是一个国家国防现代化的重要标志之一；
智能控制实验指导书
智能控制理论及应用 (实验指导书) 实验一模糊控制的理论基础实验 实验目的： 学习隶属函数编程；模糊矩阵合成运算编程；模糊推理运算编程。 1隶属函数编程 学习P39 例2-12 （以下为例程） 完成思考题P80 2-2 写出W及V两个模糊集的隶属函数，并绘出“非常老，很老，比较老，有点老”的四个隶属度函数仿真后的曲线。 %Membership function for old People clear all; close all; for k=1:1:1001 x(k)=(k-1)*0.10; if x(k)>=0&x(k)<50 y(k)=0; else y(k)=1/(1+(1/((x(k)-50)/5)^2)); end end plot(x,y,'k'); xlabel('X Years');ylabel('Degree of membership'); 2 模糊矩阵合成仿真程序 学习P31例2-10，仿真程序如下。 完成思考题P81 2-5，并对比手算结果。 clear all; close all; A=[0.2,0.8; 0.6,0.1]; B=[0.5,0.7; 0.1,0]; %Compound of A and B for i=1:2 for j=1:2 AB(i,j)=max(min(A(i,:),B(:,j)')) end end
3 模糊推理仿真程序 学习P47 例2-16，仿真程序如下。 完成思考题2-9，并对比手算结果。 clear all close all a=[1;0.5] b=[0.1;0.5;1] c=[0.2;1] for i=1:2 for j=1:3 ab(i,j)=min(a(i),b(j));%求出D end end t1=[]; for i=1:2 t1=[t1;ab(i,:)']; end %准备好DT; for i=1:6 for j=1:2 r(i,j)=min(t1(i),c(j)); end end %求出R a1=[0.8;0.1] b1=[0.5;0.2;0] for i=1:2 for j=1:3 ab1(i,j)=min(a1(i),b1(j)); %求出D1 end end t2=[]; for i=1:2 t2=[t2;ab1(i,:)']; end for i=1:6 for j=1:2 d(i,j)=min(t2(i),r(i,j)); c1(j)=max(d(:,j))； end end
智能控制作业
1、已知某一炉温控制系统，要求温度保持在600 度恒定。 针对该控制系统有以下控制经验： （1）若炉温低于600 度，则升压；低的越多升压越高。 （2）若炉温高于600 度，则降压；高的越多降压越低。 （3）若炉温等于600 度，则保持电压不变。设模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7 级，取5 个模糊集。试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。 解：1）确定变量 定义理想温度为600 C,实际温度为T,则温度误差为 E=600-T。 将温度误差E 作为输入变量 2）输入量和输出量的模糊化 将偏差E分为5个模糊集：NB、NS、ZO、PS、PB,分别为负小、负大、零、正小、正大。将偏差E 的变化分为7 个等级：-3 -2 -1 0 1 2 3，从而得到温度模糊表如表1 所示。
表1温度变化E划分表 控制电压也分为个模糊集：、、、、,分 别为负小、负大、零、正小、正大。将电压u的变化分为7 个等级：-3 -2 -1 0 1 2 3，从而得到电压变化模糊表如表2所示。 表2电压变化u划分表
表3 模糊控制规则表 E PB PS ZO NS NB u PB PS ZO NS NB Edit or: Un+ it 1 e J. 歼cw OptigT
叮叮小文库
叮叮小文库 2、利用MATLAB,为下列两个系统设计模糊控制器使其稳态 误差为 零，超调量不大于 1%，输出上升时间w 0.3s 。假定被 控对象的传递函数分别为： Gg e 0亦 (s 1)2 G2(S ) 4.228 (s 0.5)( s 2 1.64 s 8.456) 解： 在matlab 窗口命令中键入 fuzzy ，得到如下键面: 设e 的论域范围为［-1 1］ , de 的论域范围为［-0.1 0.1］ , u 的论 域范围为［ 0 2］。 将e 分为8个模糊集，分别为 NB ,NM, NS, NZ, PZ, PS, PM, PB; de 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB; u 分为7个模糊集，分别为 NB ,NM ,NS, Z ,PS ,PM ,PB;
西电电院人工智能课程大作业
西电人工智能大作业
八数码难题 一.实验目的 八数码难题：在3×3的方格棋盘上，摆放着1到8这八个数码，有1个方格是空的，其初始状态如图1所示，要求对空格执行空格左移、空格右移、空格上移和空格下移这四个操作使得棋盘从初始状态到目标状态。例如： (a) 初始状态 (b) 目标状态 图1 八数码问题示意图 请任选一种盲目搜索算法（深度优先搜索或宽度优先搜索）或任选一种启发式搜索方法（A 算法或 A* 算法）编程求解八数码问题（初始状态任选），并对实验结果进行分析，得出合理的结论。 本实验选择宽度优先搜索：选择一个起点，以接近起始点的程度依次扩展节点，逐层搜索，再对下一层节点搜索之前，必先搜索完本层节点。 二.实验设备及软件环境 Microsoft Visual C++，（简称Visual C++、MSVC、VC++或VC）微软公司的C++开发工具，具有集成开发环境，可提供编辑C语言，C++以及C++/CLI 等编程语言。 三.实验方法 算法描述： （1）将起始点放到OPEN表； （2）若OPEN空，无解，失败；否则继续； （3）把第一个点从OPEN移出，放到CLOSE表； （4）拓展节点，若无后继结点，转（2）； （5）把n的所有后继结点放到OPEN末端，提供从后继结点回到n的指针； （6）若n任意后继结点是目标节点，成功，输出；否则转（2）。
流程图：
代码： #include
推理方法综述
智能控制导论大作业 学院：电子工程学院 专业：智能科学与技术
推理方法综述 一、推理的定义： 推理是人类求解问题的主要思维方法。所谓推理就是按照某种策略从已有事实和知识推出结论的过程。通过一个或几个被认为是正确的陈述、声明或判断达到另一真理的行动，而这真理被相信是从前面的陈述、声明或判断中得出的直接推理。 二、推理方式及其分类： 1.演绎推理、归纳推理、默认推理 (1). 演绎推理：一般→个别 演绎推理是从全称判断推出特称判断或单称判断的过程，即从一般到个别的推理。最常用的形式是三段论法。 例如： 1）所有的推理系统都是智能系统； 2）专家系统是推理系统； 3）所以，专家系统是智能系统。 (2). 归纳推理: 个别→一般 是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理过程，分为完全归纳推理，又称为必然性推理，不完全归纳推理，又称为非必然性推理。 例如：
(3). 默认推理： 默认推理又称缺省推理，它是在知识不完全的情况下假设某些条件已经具备所进行的推理。 例如： 2.确定性推理、不确定性推理 如果按推理时所用的知识的确定性来分，推理可分为确定性推理与不确定性推理。 （1）确定性推理（精确推理）。 如果在推理中所用的知识都是精确的，即可以把知识表示成必然的因果关系，然后进行逻辑推理，推理的结论或者为真，或者为假，这种推理就称为确定性推理。（如归结反演、基于规则的演绎系统等） （2）不确定性推理(不精确推理)。 在人类知识中，有相当一部分属于人们的主观判断，是不精确的和含糊的。由这些知识归纳出来的推理规则往往是不确定的。基于这种不确定的推理规则进行推理，形成的结论也是不确定的，这种推理称为不确定推理。(在专家系统中主要使用的方法)。 例如： 3.单调推理、非单调推理 如果按推理过程中推出的结论是否单调增加，或者说推出的结论是否越来越接近最终目标来划分，推理又可分为单调推理与非单调推理。 （1）单调推理。（基于经典逻辑的演绎推理） 是指在推理过程中随着推理的向前推进及新知识的加入，推出的结论呈单调增加的趋势，并且越来越接近最终目标。(演绎推理是单调推理。)
智能控制实验
智能控制实验 姓名： 学号： 专业:控制理论与控制工程 代课老师： 日期：
实验目的： 1、通过实验进一步了解MATLAB软件的编程环境，学习编程技巧。 2、学习搜索相关论文，提高分析论文，找寻切入点的能力。 3、学习并掌握与计算机控制系统相关的控制算法。 实验内容： 1、专家PID控制系统Matlab仿真 2、模糊PID控制系统Matlab仿真 3、神经网络PID控制系统MATLAB仿真 前言 PID控制是最早发展起来的控制策略之一，在经典控制论证扮演重要角色，尽管当下各种智能控制层出不穷，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于工业控制过程，尤其适用于可建立精确数学模型的确定性控制系统。而实际工业生产过程中往往具有非线性，时变不确定性，因而难以建立精确的数学模型，应用常规PID控制器不能达到到理想的控制效果，在实际生产过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行工况的适应性很差。因此常规PID控制的应用受到很大的限制和挑战。人们对PID应用的同时，也对其进行各种改进，主要体现在两个方面：一是对常规PID本身结构的改进，即变结构PID控制。另一方面，与模糊控制、神经网络控制和专家控制相结合，扬长避短，发挥各自的优势，形成所谓智能PID控制。使其具有不依赖系统精确数学模型的特点，对系统参数变化具有较好的鲁棒性。主要算法有:
基于规则的智能PID 自学习控制算法、加辨识信号的智能自整定PID 控制算法、专家式智能自整定PID 控制算法、模糊PID 控制算法、基于神经网络的PID 控制算法、自适应PID 预测智能控制算法和单神经元自适应PID 智能控制等多种控制算法。 结合具体实例，借助MATLAB 软件将专家PID 、模糊PID 以及神经网络PID 的设计程序M 文件自定义为一个函数，然后设计一个GUI 图形用户界面分别调用各自函数便于对比比较，易于操作。观察各自控制效果，并作分析。 假设一个速度控制器的传递函数为： 32523500 ()87.3510470G s s s s = ++ 输入信号为阶跃信号，取采样时间为1ms ，分别采用专家PID 、模糊PID 、神经网络PID 算法绘制阶跃响应曲线以及误差响应曲线。 一、实验原理： （一）、专家控制(Expert Control)的实质是基于受控对象和控制规律的各种知识，并以智能的方式利用这些知识来设计控制器。利用专家经验来设计PID 参数便构成专家PID 控制。基于模式识别的专家式PID 参数自整定控制器，不必要精确的辨识被控对象的数学模型，也不必要对被控过程加任何的激励信号就可以对PID 参数进行自整定。由它构成的控制系统运行稳定、有效、可靠。一般地，专家系统由专家知识库、数据库和逻辑推理机三个部分构成。专家知识库中己经把熟练操作工和专家的经验和知识，构成PID 参数选择手册，它记录了各种工况下被控对象特性所对应的P 、I 、D 参数，数据库根据被控对象的
华南理工大学智能科学与技术专业培养计划
华南理工大学智能科学与技术专业培养计划标准化管理部编码-[99968T-6889628-J68568-1689N]
智能科学与技术 Intelligent Science and Technology 专业代码：080907T学制：4年 培养目标： 本专业培养具备良好的科学素质，系统地掌握智能科学与技术的基本理论、基本知识和基本技能与方法，在智能科学与工程领域具有较强的知识获取能力、知识工程能力和创新创业能力的宽口径复合型高质量以及具有计算机、自动化、电子等交叉学科基础的人才，能在企业、事业、科研部门、教育单位和行政部门等单位从事智能系统、智能信息处理、智能行为决策等方面的科学研究、开发设计、工程应用、决策管理和教学等工作。 目标1：（扎实的基础知识）具有扎实的自然科学基础知识、人文社会科学基础、外语综合应用、管理的基础知识，掌握本专业领域必需的科学技术基础理论知识，主要包括电路理论、模拟电子技术、数字电子技术、现代信号处理、经典控制理论与应用、计算机控制、智能控制导论、微机原理与接口技术、嵌入式系统、人工智能、机器人学导论、模式识别、图像处理、脑机接口与认知科学导论等，为将所学基础知识应用到本专业工程实践中去做好准备。 目标2：（解决问题能力）能够较好的掌握智能系统、智能信息处理等方面的专业知识，具有本专业领域1~2个方向的专业知识和技能，了解本专业学科的前沿和发展趋势，获得较好的工程实践训练，具有熟练的计算机应用能力。具有本专业的科学研究、科技开发和组织决策管理能力，具有较强的工作适应能力。能将智能技术与计算机技术、信息处理、控制技术有机结合应用于工程实践，具有创新意识和一定的创新能力。 目标3：（团队合作与领导能力）具有一定的组织管理能力、较强的表达能力和人际交往能力以及在团队中发挥作用的能力。 目标4：（工程系统认知能力）掌握智能科学与技术领域系统设计、集成、开发及工程应用的基本技能与实践方法，了解相关的工程应用技术。 目标5：（专业的社会影响评价能力）培养学生正确看待和认识智能科学与技术的发展及应用对人们日常生活、社会经济结构所产生的潜在影响。 目标6：（全球意识能力）具有国际化视野和良好的全球竞争意识，具有跨文化交流、竞争与合作能力。 目标7：（终身学习能力）具有适应发展的能力以及对终身学习的正确认识和较强的自学能力。 专业特色：
智能控制作业
1、已知某一炉温控制系统，要求温度保持在600度恒定。针对该控制系统有以下控制经验： （1）若炉温低于600度，则升压；低的越多升压越高。（2）若炉温高于600度，则降压；高的越多降压越低。（3）若炉温等于600度，则保持电压不变。 设模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7级，取5个模糊集。试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。 解：1）确定变量 定义理想温度为600℃，实际温度为T，则温度误差为E=600-T。 将温度误差E作为输入变量 2）输入量和输出量的模糊化 将偏差E分为5个模糊集：NB、NS、ZO、PS、PB，分别为负小、负大、零、正小、正大。将偏差E的变化分为7个等级：-3 -2 -1 0 1 2 3，从而得到温度模糊表如表1所示。
表1 温度变化E划分表 控制电压u也分为5个模糊集：NB、NS、ZO、PS、PB，分别为负小、负大、零、正小、正大。将电压u的变化分为7个等级：-3 -2 -1 0 1 2 3，从而得到电压变化模糊表如表2所示。 表2 电压变化u划分表
表3 模糊控制规则表 E PB PS ZO NS NB u PB PS ZO NS NB
2、利用MATLAB,为下列两个系统设计模糊控制器使其稳态误差为零，超调量不大于1%，输出上升时间≤0.3s 。假定被控对象的传递函数分别为： 2 55 .01)1()(+=-s e s G s ) 456.864.1)(5.0(228 .4)(22+++= s s s s G 解： 在matlab 窗口命令中键入fuzzy ，得到如下键面： 设e 的论域范围为[-1 1]，de 的论域范围为[-0.1 0.1]，u 的论域范围为[0 2]。 将e 分为8个模糊集，分别为NB ,NM, NS, NZ, PZ, PS, PM, PB; de 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB; u 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB;
(最新整理)西电射频大作业
(完整)2013西电射频大作业 编辑整理： 尊敬的读者朋友们： 这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（(完整)2013西电射频大作业）的内容能够给您的工作和学习带来便利。同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。 本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为(完整)2013西电射频大作业的全部内容。
班级 021171 射频电路基础期中大作业 学院电子工程学院 专业遥感科学与技术 学生姓名（02117017） (02117019） （02117024） 老师姓名朱天桥老师
题目一：基于 PSpice 仿真的振幅调制电路设计 1。1 基本要求 参考教材《射频电路基础》第五章振幅调制与解调中有关差分对放大器调幅和二极管调幅的原理，选择元器件、调制信号和载波参数，完成PSpice电路设计、建模和仿真,实现振幅调制信号的输出和分析。 1。2 实践任务 (1) 选择合适的调制信号和载波的振幅、频率，通过理论计算分析，正确选择晶体管和其它元件；搭建单端输出的差分对放大器，实现载波作为差模输入电压，调制信号控制电流源情况下的振幅调制;调整二者振幅,实现基本无失真的线性时变电路调幅；观察记录电路参数、调制信号、载波和已调波的波形和频谱。 （2）参考例5。3。1，修改电路为双端输出，对比研究平衡对消技术在该电路中的应用效果。 （3) 选择合适的调制信号和载波的振幅、频率，通过理论计算分析,正确选择二极管和其它元件；搭建单二极管振幅调制电路，实现载波作为大信号，调制信号为小信号情况下的振幅调制；调整二者振幅，实现基本无失真的线性时变电路调幅;观察记录电路参数、调制信号、载波和已调波的波形和频谱。 (4) 参考例5。3。2，修改电路为双回路,对比研究平衡对消技术在该电路中的应用效果. 摘要 此次振幅调制电路仿真设计基于PSpice,利用其丰富的仿真元器件库和强大的行为建模
智能控制导论大作业3
智能控制导论 姓名***** 学号****** 学院自动化与电气工程学院 专业控制科学与工程 班级***** 指导老师******
粒子群算法的小波神经网络在变压器故障诊断中的应用与改进 摘要：针对变压器故障征兆和故障类型的非线性特性，结合油中气体分析法，设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络，并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上，通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值，加快了小波神经网络训练速度，提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中，为变压器故障诊断提供了一条新途径。 引言：本文在变压器故障诊断智能方法的基础上，首先构造了3层小波神经网络模型，然后通过在标准粒子群算法中加入变异算子、惯性权重因子和高斯加权的全局极值，构成一种改进的粒子群优化算法，并将其运用于小波神经网络参数优化，通过变压器故障诊断结果表明这种改进的粒子群算法比相同条件下的BP 算法和标准粒子群算法具有更好的收敛性。 1 小波神经网络构建 小波神经网络是一种基于小波变换理论而构造的前馈神经网络，其充分利用了小波变换的局部化性质和神经网络的大规模数据并行处理、自学习能力，因而具有较强的逼近能力和较快的收敛速度，其主要可分为松散型和紧密型两种类型。本文采用紧密型结构来构造小波神经网络，构造出来的3层小波神经网络如图1 所示。 设输入层节点个数为m，隐含层小波元个数为n，输出层节点个数为N，输入层的第k 个输入样本为x k，输出层的第i 个节点实际输出值为y i，输出层的第i 个节点期望输出值为y?i，输入层节点k 与隐含层节点j 之间的连接权值为kj ，输出层节点i 与隐含层节点j 之间的连接权值 为ji ，第j 个隐层节点的伸缩平移系数分别为j a 和j b ，隐层小波神经元采用Mexican Hat 小波函数，输出层节点采用Sigmoid 函数。 通过前向计算得到隐含层第j 个小波元的输入为： 通过小波基伸缩平移系作用，隐含层第j 个小波元的输出为： 则网络输出层第i 个节点输出为：
智能控制技术实验报告
《智能控制技术》实验报告书 学院： 专业： 学号： 姓名：
实验一：模糊控制与传统PID控制的性能比较 一、实验目的 通过本实验的学习，使学生了解传统PID控制、模糊控制等基本知识，掌握传统PID控制器设计、模糊控制器设计等知识，训练学生设计控制器的能力，培养他们利用MATLAB进行仿真的技能，为今后继续模糊控制理论研究以及控制仿真等学习奠定基础。 二、实验内容 本实验主要是设计一个典型环节的传统PID控制器以及模糊控制器，并对他们的控制性能进行比较。主要涉及自控原理、计算机仿真、智能控制、模糊控制等知识。 通常的工业过程可以等效成二阶系统加上一些典型的非线性环节，如死区、饱和、纯延迟等。这里，我们假设系统为：H(s)=20e0.02s/(1.6s2+4.4s+1) 控制执行机构具有0.07的死区和0.7的饱和区，取样时间间隔T=0.01。 设计系统的模糊控制，并与传统的PID控制的性能进行比较。 三、实验原理、方法和手段 1.实验原理： 1)对典型二阶环节，根据传统PID控制，设计PID控制器，选择合适的PID 控制器参数k p、k i、k d； 2)根据模糊控制规则，编写模糊控制器。 2.实验方法和手段： 1)在PID控制仿真中，经过仔细选择，我们取k p=5，k i=0.1，k d=0.001； 2)在模糊控制仿真中，我们取k e=60，k i=0.01，k d=2.5，k u=0.8； 3)模糊控制器的输出为：u= k u×fuzzy(k e×e, k d×e’)－k i×∫edt 其中积分项用于消除控制系统的稳态误差。 4)模糊控制规则如表1-1所示： 在MATLAB程序中，Nd用于表示系统的纯延迟（Nd=t d/T）,umin用于表示控制的死区电平，umax用于表示饱和电平。当Nd=0时，表示系统不存在纯延迟。 5)根据上述给定内容，编写PID控制器、模糊控制器的MATLAB仿真程序，