实验一基于Matlab的单容液位模糊控制系统仿真
一、实验目的
1、熟悉Matlab基础知识和模糊推理系统编辑器。
2、加深对模糊控制的理解。
3、加强模糊控制在实践中的应用。
二、基础知识
1.单容器在工业中用途广泛，对其液位的控制十分普遍，大家在以往的实验中也常常会碰到，这里主要关注模糊控制的控制系统方面，对水箱不进行建模和仿真，只需要用到容器的液位和变化率。
控制原理图
2.模糊推理系统编辑器（FIS Editor）是Matlab中关乎模糊系统框架、主体结构等总体大局设计的编辑器，他可以编辑、设计、修改整个系统框架，增减系统输入输出量等，所以设计任何模糊控制，都应该先用FIS设计整体架构，再对细目进行编辑、完善。
FIS编辑器的图形界面使用起来很方便，请同学们认真体会。
在Matlab命令窗口键入fuzzy就可以进入FIS Editor界面，如下图示。
图1
三、实验内容
1.打开模糊逻辑工具箱的图形界面，新建一个Mamdani模糊推理模型。
键入fuzzy打开图形界面，默认即为Mamdani模型。
2.增加一个输入变量，将输入变量命名为level、rate，输出变量为valve，这样就定义了两输入单输出模糊推理系统，保存为tank0.fis。
3.设计模糊化模块：将输入变量rate的论域设为[-0.1,0.1],另外两个变量采用默认论域[-1,1]不变。
通过增加隶属度函数来划分模糊空间:
（1）输入变量level划分三个模糊集:low、okay和high，隶属度函数均为高斯函数，参数分别为[0.3 -1]、[0.3 0]、[0.3 1]。
（2）输入变量rate划分三个模糊子集：negative、zore和positive，隶属度函数均为高斯函数，参数分别[0.03 -0.1]、[0.03 0]、[0.03 1]。
（3）输出变量valve划分为五个模糊集：close_fast、close_slow、no_change、open_slow和open_fast,隶属度函数均为三角形函数，参数分别为[-1 -0.9
-0.8]、[-0.6 -0.5 -0.4]、[-0.1 0 0.1]、[0.2 0.3 0.4 ]、[0.8 0.9 1]。
1.设置模糊规则，打开Rule Editer窗口，添加下面五条模糊规则：
1.if (level is okay) then (valve is no_change)
2.if (level is low) then (valve is open_fast)
3.if (level is high) then (valve is close_fast)
4.if (level is okay) and (rate is positive) then (valve is close_slow)
5.if (level is okay) and (rate is negative) then (valve is open_slow)
5条规则权重均为1.
2.修改部分模糊规则推理参数：And采用乘（prod）、Or采用概率或（probor）、Implication采用乘（prod），其余均为默认值，通过曲面观察器（Surface Viewer）查看水箱液位模糊推理的输入输出关系曲面。
通过规则观察器（Rule Viewer）查看对具体输入的模糊推理及输出情况，输入各种不同数据，查看推理及输出图形、数据。
上面设计的tank0.fis。
在命令窗口输入tank=readfis（‘tank0’）即可。
为1，查看PID控制的输出曲线。
添加模糊控制规则，比较控制效果。
模糊控制的结果
PID控制结果
四、问题
1、本次试验控制规则中只写出5条，而实际能写出的规则共有几条？为什么只写出这5条？
答：实际能写出的规则有75条。
3*5+3*5+3*3*5=75条。
这几条是在level在某一条件下，rate不同决定valve。
2、模糊控制中模糊化和精确化是如何实现的？本实验中精确化采用了哪种方
法?
答：模糊化将输入值以适当的比例转换到论域的数值，利用模糊子集合来描述测量物理量的过程，依适合的语言值求该值相对的隶属度。
精确化是将推论所得到的模糊值转换为明确的控制讯号，作为系统的输入值。
本实验中精确化采用了最大隶属度函数法。
五、实验总结
通过本次实验，熟悉了Matlab基础知识和模糊推理系统编辑器，加深了对模糊控制的理解，认识到模糊控制在实践中的应用方法。
在实验书的指导下很容易就把实验完成。
实验二基于matlab的神经网络函数逼近
一、实验目的
1.加深对神经网络的理解、验证BP网络函数逼近的能力
2.了解BP网络的结构、学习BP网络的训练过程
3.学习使用神经网络的图形工具
二、实验过程
这里要求设计一个简单的BP网络，实现对非线性函数的逼近。
通过改变该函数的参数和BP网络的隐层神经元个数，来观察训练时间和训练误差的变化情况。
1.将逼近的非线性函数设为正弦函数，其频率为k可调节；
2.假设频率参数k=1，绘制函数曲线；
3.使用newff（）函数建立BP网络结构，为二层BP神经网络。
隐层节点数n可改变暂设为n=10，输出为一个神经元隐层和输出层神经元传递函数为tansig（）和purelin（），网络训练采用trainlm；
格式：newff（minmax（p），[n,1],{‘tansig’,’ purelin’},’ trainlm’）
4.使用sim函数查看输出；
格式：y=sim（net，p）
5.训练网络使用train（）函数对网络进行训练，设定训练次数为50次，训练精度为0.01.
格式：net.trainParam.epochs=50;
Net.traunParam.goal=0.01;
Net=train(net,p,t);
6.网络测试
绘制网络输出曲线，与原始非线性函数曲线及为训练的网络输出结果曲线比较。
7.改变sin函数的频率参数k及BP网络隐层神经元个数n，重复上面操作，查看结果。
8.使用图型工具建立并训练网络。
命令：nntool；
9.查看matlab中的仿真模型。
命令：predcstr。
三. 实验要求
将实验内容中1-7步骤的程序依次写出来,如果有图像输出,将图像展示在相应程序下面,并标明图像的情况。
逼近正弦函数程序：
k=1;
>> p=[-1:0.05:1];
>> t=sin(k*pi*p);
>> n=10;
>> net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
y1=sim(net,p);
>> figure;
>> plot(p,t,'-',p,y1,'--');
>> title('未训练网络输出结果');
>> xlabel('时间');
>> ylabel('仿真输出-- 原函数-');
>> net.trainParam.epochs=50;
>> net.trainParam.goal=0.01;
>> net=train(net,p,t);
>> y2=sim(net,p);
>> figure;
>> plot(p,t,'-',p,y1,'--',p,y2,'--');
>> title('训练网络输出结果');
>> xlabel('时间');
>> ylabel('仿真输出');
未训练输出结果：
训练输出结果：
四. 总结与问题
1.总结BP网络的优缺点；
答：优点：非线性映射能力、自学习和自适应能力、泛化能力、容错能力缺点：局部极小化问题、收敛速度慢、结构选择不一、应用实例与网络规模存在矛盾问题、预测能力和训练能力存在矛盾问题、样本依赖性太强
2.BP网络主要用于哪些方面；
答：（1）函数逼近：用输入向量和相应的输出变量训练一个网络以逼近一个函数；
（2）模式识别：用一个待定的输出向量将它与输入变量联系起来；
（3）分类：把输入向量所定义的合适方式进行分类；
（4）数据压缩：减少输出向量维数以便传输或存储。
3.画出单个神经元的模型，画出在上面实验中建立的BP网络模型结构图。
答：单个神经元如下所示：。
