MATLAB代做FPGA代做hslogic模糊神经网络.docx

《MATLAB代做FPGA代做hslogic模糊神经网络.docx》由会员分享，可在线阅读，更多相关《MATLAB代做FPGA代做hslogic模糊神经网络.docx（5页珍藏版）》请在第一文库网上搜索。

1、系统设计说明根据设计要求，分别对调速，调压，综合系统加入FNN控制器，使P1D的输出达到最小值。其中关于FNN的理论部分，由于您己经以供了较多的文献资料，这里就不再进行叙述，这里主要说明一下最后的仿真效果和S函数的大致设计流程。（由于之前你提供的三个模型中，调压模型和综合模型存在错误，通过研究，应该是参数问题，其仿真效果没有起到收敛的作用，因此，无法在这两个系统上进行加入FNN控制器，这两个模型的FNN控制器，待后面你提供正确的控制对象之后再加入，目前，我们将整个系统设置为完全的参数化，对于不同的控制对象，只要需修改参数就能在新的控制对象上加以使用。）这里仅对调速模型进行设计说明。一、仿真结果

2、及说明分析为了对比加入FNN控制器后的性能变化，我们同时要对有FNN控制器的模型以及没有FNN控制器的模型进行仿真，仿真结果如下所示：非FNN控制器的结构：其仿真结果如下所示:O0.0050.010,0150.02O20406080100120140160180200imeoffset:0FNN控制器的结构:其仿真结果如下所示:前面的是训练阶段，后面的为实际的输出，为了能够体现最后的性能，我们将两个模型的最后输出进行对比，得到的对比结果所示:从上面的仿真结果可知，P1D的输出值范围降低了很多，性能得到了进一步提升。调速TS模型，该模型最后的仿真结果如下所示:从上面的仿真结果可知，采用FNN控制

3、器后，其P1D的输出在一个非常小的范围之内进行晃动，整个系统的性能提高了80%o这说明采用模糊神经网络后的系统具有更高的性能和稳定性。二、仿真操作说明在每个文件夹中，你会看到立匚面同，这个代码是参数初始化，运行之后，将根据这里面的参数进行仿真。运行完IfirS1n运行目：眸血汨，即分别运行普通模型和带FNN模型的系统;C-,3tops_no_FNN.md1最后运行画面应，获得两个模型的不同的对比效果。三、代码设计说明3.1simu1ink结构介绍即FNN模型在整个系统的结构如上图所示。FNN采用S函数进行设计，这里，关于模糊神经网络的基本设计理论依据，总结如下:模糊神经网络的基本概念：模糊神经

4、网络的设计主要包括如下几个方面：(1)选取模糊神经网络控制器输入端和输出端变量；(2)选取模糊神经网络控制器输入端和输出端变量相关参数；(3)计算模糊神经网络集隶属函数并总结模糊神经网络控制器控制规则；(4)确定模糊神经网络控制器模糊化和清晰化集体算法。模糊神经网络层设计：由于模糊控制是建立在专家经验的基础之上的，但这有很大的局限性，而人工神经网络可以充分逼近任意复杂的时变非线性系统，采用并行分布处理方法，可学习和自适应不确定系统。利用神经网络可以帮助模糊控制器进行学习，模糊逻辑可以帮助神经网络初始化及加快学习过程。通常神经网络的基本构架如下所示：笫1层第2层第3层笫4层第5层口愉入层模糊化层

5、模糊推理层归化层解模糊输出层整个神经网络结构为五层，其中第一层为“输入层“，第二层为“模糊化层”，第三层为“模糊推理层”，第四层为“归一化层”，第五层为“解模糊输出层”。第一层I为输入层,其主要包括两个节点，所以第一层神经网络的输入输出可以用如下的式子表示：(1)net?)=xi,i=1,2,j=10iiji=.,z=1,2,7=1为第1层中第i个神经元的净输入；Oy为第1层中第i个神经元的输出。-第三层1为输入变量的语言变量值，通常是模糊集中的口个变量，它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度。用来确定输入在不同的模糊语言值对应的隶属度,以便进行模糊推理，如果隶属函数为高斯函

6、数，那么其表达式为：“w=0,i=12,14其中变量的具体含义和第一层节点W者罩磊气眼：.管三层是比较关键的一层,即模糊推理层：%一层的每个节点代表一条模糊规则，其每个节点的输出值表示每条模糊规则的激励强度。凉节点的表达式可用如下的式子表示：一QQ122-48-48052=O2-O2J=12s.s4=1s2s.7（3）OF）=M,i=,249,为归一化层，其输出是采用了Madmdani模糊规则，该层的表达式为:49却%。/(4)net=,z=1,2,.,21NWij7=10产=回4)=,2,.,21像五层促模糊神经网络的解模糊层,即模糊神经网络的清晰化.3.2根据上面的理论要点进行S函数的设计代码的设计你可以参考实际的S函数，里面我们按上面的理论过程，有详细的代码注释。