کنترل زاویه پاندول معکوس به روش فازی در MATLAB

کنترل زاویه پاندول معکوس به روش فازی در مطلب با قطعه کد زیر قابل پیاده سازی است:

clear
clc
a=newfis('pendulum');
a.input(1).name='tetha';
a.input(1).range=[-0.1 0.1];
a.input(1).mf(1).name='NB';
a.input(1).mf(1).type='trapmf';
a.input(1).mf(1).params=[-1 -1 -0.1 0];
a.input(1).mf(2).name='Z';
a.input(1).mf(2).type='trapmf';
a.input(1).mf(2).params=[-0.1 0 0 0.1];
a.input(1).mf(3).name='PB';
a.input(1).mf(3).type='trapmf';
a.input(1).mf(3).params=[0 0.1 1 1];
%--------------------------------------------tdot
a.input(2).name='tdot';
a.input(2).range=[-0.5 0.5];
a.input(2).mf(1).name='NB';
a.input(2).mf(1).type='trapmf';
a.input(2).mf(1).params=[-5 -5 -0.5 0];
a.input(2).mf(2).name='Z';
a.input(2).mf(2).type='trapmf';
a.input(2).mf(2).params=[-0.5 0 0 0.5];
a.input(2).mf(3).name='PB';
a.input(2).mf(3).type='trapmf';
a.input(2).mf(3).params=[0 0.5 5 5];
%--------------------------------------------x
a.input(3).name='x';
a.input(3).range=[-1 1];
a.input(3).mf(1).name='NB';
a.input(3).mf(1).type='trapmf';
a.input(3).mf(1).params=[-10 -10 -1 0];
a.input(3).mf(2).name='Z';
a.input(3).mf(2).type='trapmf';
a.input(3).mf(2).params=[-1 0 0 1];
a.input(3).mf(3).name='PB';
a.input(3).mf(3).type='trapmf';
a.input(3).mf(3).params=[0 1 10 10];
%--------------------------------------------xdot
a.input(4).name='xdot';
a.input(4).range=[-1 1];
a.input(4).mf(1).name='NB';
a.input(4).mf(1).type='trapmf';
a.input(4).mf(1).params=[-10 -10 -1 0];
a.input(4).mf(2).name='Z';
a.input(4).mf(2).type='trapmf';
a.input(4).mf(2).params=[-1 0 0 1];
a.input(4).mf(3).name='PB';
a.input(4).mf(3).type='trapmf';
a.input(4).mf(3).params=[0 1 10 10];
%--------------------------------------------f
a.output(1).name='f';
a.output(1).range=[-100 100];
a.output(1).mf(1).name='NB';
a.output(1).mf(1).type='trapmf';
a.output(1).mf(1).params=[-1000 -1000 -100 0];
a.output(1).mf(2).name='Z';
a.output(1).mf(2).type='trapmf';
a.output(1).mf(2).params=[-100 0 0 100];
a.output(1).mf(3).name='PB';
a.output(1).mf(3).type='trapmf';
a.output(1).mf(3).params=[0 100 1000 1000];
%--------------------------------------------rule1
a.rule(1).antecedent=[3 3 0 0];
a.rule(1).consequent=[3];
a.rule(1).weight=1;
a.rule(1).connection=1;
%--------------------------------------------rule2
a.rule(2).antecedent=[3 2 0 0];
a.rule(2).consequent=[3];
a.rule(2).weight=1;
a.rule(2).connection=1;
%--------------------------------------------rule3
a.rule(3).antecedent=[3 1 0 0];
a.rule(3).consequent=[2];
a.rule(3).weight=1;
a.rule(3).connection=1;
%--------------------------------------------rule4
a.rule(4).antecedent=[2 3 0 0];
a.rule(4).consequent=[3];
a.rule(4).weight=1;
a.rule(4).connection=1;
%--------------------------------------------rule5
a.rule(5).antecedent=[2 2 0 0];
a.rule(5).consequent=[2];
a.rule(5).weight=1;
a.rule(5).connection=1;
%--------------------------------------------rule6
a.rule(6).antecedent=[2 1 0 0];
a.rule(6).consequent=[1];
a.rule(6).weight=1;
a.rule(6).connection=1;
%--------------------------------------------rule7
a.rule(7).antecedent=[1 3 0 0];
a.rule(7).consequent=[2];
a.rule(7).weight=1;
a.rule(7).connection=1;
%--------------------------------------------rule8
a.rule(8).antecedent=[1 2 0 0];
a.rule(8).consequent=[1];
a.rule(8).weight=1;
a.rule(8).connection=1;
%--------------------------------------------rule9
a.rule(9).antecedent=[1 1 0 0];
a.rule(9).consequent=[1];
a.rule(9).weight=1;
a.rule(9).connection=1;
%--------------------------------------------rule10
a.rule(10).antecedent=[0 3 0 0];
a.rule(10).consequent=[3];
a.rule(10).weight=1;
a.rule(10).connection=1;
%--------------------------------------------rule11
a.rule(11).antecedent=[0 1 0 0];
a.rule(11).consequent=[1];
a.rule(11).weight=1;
a.rule(11).connection=1;

شناسایی سیستم با شبکه عصبی

جهت شناسایی سیستم با شبکه عصبی فایل راهنمای زیر با نرم افزار مطلب بسیار فوق العاده است

http://www.google.com/url?sa=t&rct=j&q=neural%20networks%3A%20basics%20using%20matlab%20neural%20network%20toolbox%20heikki&source=web&cd=1&cad=rja&sqi=2&ved=0CCwQFjAA&url=http%3A%2F%2Fpis.unicauca.edu.co%2Fmoodle-2.1.2%2Fpluginfile.php%2F30258%2Fmod_folder%2Fcontent%2F1%2Fclase_29%2FAS-74_3115_neural_networks_-_basics.pdf%3Fforcedownload%3D1&ei=EK7EUPqCFYuY0QW33IC4Cw&usg=AFQjCNH4q_ii-VPlRuMZsEX5739ZYb_yuw

كنترل با شبكه عصبي (پس انتشار)

روش پس انتشار براي كنترل یک سیستم دارای PID  بر مبنای مقاله ی :

Adaptive PID Control With Bp Neural Network Self-Tuning in Exhaust Temperature of Micro Gas Turbine

این مقاله در استخراج معادلات و روابط بسیار ساده و روان و بسیار کاربردی است:

%BP based PID Control
clear all;
close all;

xite=0.25;
alfa=0.05;

S=1; %Signal type

IN=4;H=5;Out=3;  %NN Structure
if S==1  %Step Signal
wi=[-0.6394   -0.2696   -0.3756   -0.7023;
    -0.8603   -0.2013   -0.5024   -0.2596;
    -1.0749    0.5543   -1.6820   -0.5437;
    -0.3625   -0.0724   -0.6463   -0.2859;
     0.1425    0.0279   -0.5406   -0.7660];
%wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;
   -0.1146 0.2949 0.8352  0.2205  0.4508;
    0.7201 0.4566 0.7672  0.4962  0.3632];
%wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo;
end

if S==2  %Sine Signal
wi=[-0.2846    0.2193   -0.5097   -1.0668;
    -0.7484   -0.1210   -0.4708    0.0988;
    -0.7176    0.8297   -1.6000    0.2049;
    -0.0858    0.1925   -0.6346    0.0347;
     0.4358    0.2369   -0.4564   -0.1324];
%wi=0.50*rands(H,IN);
wi_1=wi;wi_2=wi;wi_3=wi;
wo=[1.0438    0.5478    0.8682    0.1446    0.1537;
    0.1716    0.5811    1.1214    0.5067    0.7370;
    1.0063    0.7428    1.0534    0.7824    0.6494];
%wo=0.50*rands(Out,H);
wo_1=wo;wo_2=wo;wo_3=wo;
end

x=[0,0,0];
u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;
y_1=0;y_2=0;y_3=0;

Oh=zeros(H,1);    %Output from NN middle layer
I=Oh;             %Input to NN middle layer
error_2=0;
error_1=0;

ts=0.001;
for k=1:1:6000
time(k)=k*ts;

if S==1
   rin(k)=1.0;
elseif S==2
   rin(k)=sin(1*2*pi*k*ts);
end

%Unlinear model
a(k)=1.2*(1-0.8*exp(-0.1*k));
yout(k)=a(k)*y_1/(1+y_1^2)+u_1;

error(k)=rin(k)-yout(k);

xi=[rin(k),yout(k),error(k),1];

x(1)=error(k)-error_1;
x(2)=error(k);
x(3)=error(k)-2*error_1+error_2;

epid=[x(1);x(2);x(3)];
I=xi*wi';
for j=1:1:H
    Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer
end
K=wo*Oh;             %Output Layer
for l=1:1:Out
    K(l)=exp(K(l))/(exp(K(l))+exp(-K(l)));        %Getting kp,ki,kd
end
kp(k)=K(1);ki(k)=K(2);kd(k)=K(3);
Kpid=[kp(k),ki(k),kd(k)];

du(k)=Kpid*epid;
u(k)=u_1+du(k);
if u(k)>=10       % Restricting the output of controller
   u(k)=10;
end
if u(k)<=-10
   u(k)=-10;
end

dyu(k)=sign((yout(k)-y_1)/(u(k)-u_1+0.0000001));

%Output layer
for j=1:1:Out
    dK(j)=2/(exp(K(j))+exp(-K(j)))^2;
end
for l=1:1:Out
    delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);
end

for l=1:1:Out
   for i=1:1:H
       d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);
   end
end
    wo=wo_1+d_wo+alfa*(wo_1-wo_2);
%Hidden layer
for i=1:1:H
    dO(i)=4/(exp(I(i))+exp(-I(i)))^2;
end
    segma=delta3*wo;
for i=1:1:H
   delta2(i)=dO(i)*segma(i);
end

d_wi=xite*delta2'*xi;
wi=wi_1+d_wi+alfa*(wi_1-wi_2);

%Parameters Update
u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);   
y_2=y_1;y_1=yout(k);
   
wo_3=wo_2;
wo_2=wo_1;
wo_1=wo;
   
wi_3=wi_2;
wi_2=wi_1;
wi_1=wi;

error_2=error_1;
error_1=error(k);
end
figure(1);
plot(time,rin,'r',time,yout,'b');
xlabel('time(s)');ylabel('rin,yout');
figure(2);
plot(time,error,'r');
xlabel('time(s)');ylabel('error');
figure(3);
plot(time,u,'r');
xlabel('time(s)');ylabel('u');
figure(4);
subplot(311);
plot(time,kp,'r');
xlabel('time(s)');ylabel('kp');
subplot(312);
plot(time,ki,'g');
xlabel('time(s)');ylabel('ki');
subplot(313);
plot(time,kd,'b');
xlabel('time(s)');ylabel('kd'); ...

پروژه کنترلی با شبکه عصبی

جهت دانلود پروژه کنترلی جالب با شبکه عصبی فایل زیر را دانلود کنید:

www.iau.dtu.dk/nnbook/Files/course5.doc

کدهای این پروژه را نیز از سایت زیر دانلود نمائید

http://www.codeforge.com/read/177616/siggener.m__html