下载文档原格式
智能控制实验报告模板1. 引言在本次智能控制实验中，我们研究了智能控制的基本概念和应用。
通过实际操作，我们深入了解了智能控制系统的原理和设计方法。
本报告将详细介绍我们在实验中所进行的步骤、实验结果分析以及我们的总结和思考。
2. 实验目的本次实验的主要目的是探索智能控制系统的工作原理、学习其基本概念以及了解在实际应用中的方法。
具体目标如下：1. 熟悉智能控制的基本原理和概念；2. 了解智能控制系统的硬件和软件设计；3. 实践并掌握智能控制系统的参数调整和优化方法。
3. 实验步骤3.1 硬件搭建我们首先根据实验要求搭建了智能控制系统的硬件平台。
这个平台包括传感器、执行器和控制器等组件。
我们按照指导书的要求连接各个模块，并确保它们能够正常工作。
3.2 软件配置在硬件搭建完成后，我们开始进行软件配置。
我们根据实验要求，通过软件工具对智能控制系统进行编程，设置不同的控制策略和参数调整方法。
3.3 实验数据采集一切就绪后，我们开始采集实验数据。
通过传感器测量和执行器反馈，我们得到了系统运行过程中的各种参数和状态。
这些数据将用于后续的分析和优化。
3.4 参数调整与优化根据实验数据，我们对智能控制系统进行参数调整与优化。
我们通过反复试验，观察系统响应并调整参数，以达到最优控制效果。
4. 实验结果与分析我们根据实验数据和分析对比，得出以下实验结果与分析：1. 实验结果A- 数据分析A1- 结果评价A22. 实验结果B- 数据分析B1- 结果评价B2通过实验数据和分析，我们发现实验结果A 表现较好，系统响应稳定，控制效果较好。
而实验结果B 则存在一些问题，需要进一步优化。
5. 总结与思考通过本次智能控制实验，我们深入了解了智能控制系统的原理和设计方法。
在实验过程中，我们掌握了智能控制系统的搭建、参数调整与优化等关键技术。
通过对实验结果的分析，我们对智能控制系统的优势和应用范围有了更深入的理解。
然而，本次实验也存在一些问题和不足之处。
智能灯光控制实验报告前言随着科技的发展，智能家居变得越来越普及。
智能灯光控制技术作为其中一种应用技术，可以为人们带来更加便捷舒适的生活体验。
本次实验旨在通过搭建智能灯光控制系统，深入了解智能灯光控制技术的原理与实现方式。
一、实验目的1.学习智能灯光控制技术的原理和实现方式；2.通过实验掌握基本的电路连接方法和编程方法；3.实现智能灯光的远程控制。
二、实验原理智能灯光控制系统是一种基于微处理器的控制系统，其基本原理是将智能灯光系统中的各种设备和传感器连接到微处理器上，通过编程实现对智能灯光的远程控制。
在本次实验中，我们将使用Arduino作为微处理器，利用WiFi模块实现远程控制，使用光线传感器实现智能灯光的自动控制。
三、实验步骤1.准备工作（1）准备Arduino主板、WiFi模块、光线传感器、电阻、导线、LED等器材；（2）将Arduino主板连接至电脑，下载并安装相应的驱动程序和开发环境；（3）将WiFi模块和光线传感器连接至Arduino主板上，并接上相应的电阻和导线。
2.编程（1）在Arduino开发环境中编写程序，设定WiFi模块和光线传感器的参数；（2）编写智能灯光控制程序，实现通过WiFi远程控制LED灯的开关；（3）编写光线传感器程序，实现根据环境光线状况自动调节LED 灯的亮度。
3.实验验证（1）将Arduino主板连接至电源，开启WiFi模块和光线传感器；（2）连接至WiFi网络，通过手机APP远程控制LED灯的开关；（3）通过调节环境光线，验证光线传感器程序是否能够自动调节LED灯的亮度。
四、实验结果通过本次实验，我们成功搭建了一个基于Arduino的智能灯光控制系统。
该系统可以实现通过WiFi远程控制LED灯的开关，并且能够根据环境光线状况自动调节LED灯的亮度。
该系统的实现，为智能家居的实现提供了可靠的技术支持。
五、实验总结本次实验学习了智能灯光控制技术的原理和实现方式，通过实验掌握了基本的电路连接方法和编程方法，并且成功实现了智能灯光的远程控制。
一、实验目的本次实验旨在了解智能灯控系统的基本原理和设计方法，掌握智能灯控系统的硬件选型、软件编程以及系统调试等技能。
通过实验，培养学生的创新意识和实践能力，提高学生对智能家居系统的认识。
二、实验原理智能灯控系统利用现代电子技术、传感器技术、网络通信技术等，实现对灯光的远程控制、定时控制、场景控制等功能。
本实验以单片机为核心控制器，通过传感器采集环境信息，实现对灯光的智能控制。
三、实验器材1. 单片机开发板（如：AT89S52）2. 传感器模块（光强检测模块、声强检测模块、热释电红外传感器模块）3. 灯具（LED灯、白炽灯等）4. 连接线5. 电源6. 示波器7. 编程软件（如：Keil C51）四、实验步骤1. 硬件连接（1）将单片机开发板与传感器模块、灯具、电源等设备连接，确保连接正确无误。
（2）使用示波器检测各个模块的信号，确保信号传输正常。
2. 软件编程（1）根据实验要求，编写单片机控制程序，实现对灯光的智能控制。
（2）使用编程软件编译、下载程序到单片机。
3. 系统调试（1）开启电源，观察系统运行情况，确保程序正常运行。
（2）根据实际需求，调整传感器参数和程序逻辑，优化系统性能。
4. 功能测试（1）测试灯光的远程控制、定时控制、场景控制等功能。
（2）测试系统在不同环境下的稳定性，确保系统可靠运行。
五、实验结果与分析1. 灯光远程控制实验结果表明，通过手机APP或远程服务器，可以实现灯光的远程开关控制，方便用户随时随地调整室内照明。
2. 定时控制通过设置定时任务，可以实现灯光的自动开关，节约能源，提高生活品质。
3. 场景控制根据用户需求，设置不同的场景模式，如“会客模式”、“观影模式”等，实现一键切换灯光效果。
4. 稳定性测试在不同环境条件下，系统运行稳定，无明显故障。
六、实验总结本次实验成功实现了智能灯控系统的设计、编程和调试，验证了系统的可行性。
通过实验，我们掌握了以下技能：1. 单片机编程和调试2. 传感器模块的应用3. 智能家居系统的设计4. 系统调试和优化本实验为后续智能家居系统的研究和开发奠定了基础，有助于提高学生的创新能力和实践能力。
一、实验目的本次实验旨在通过设计和搭建一个智能小车系统，学习并掌握智能小车的基本控制原理、硬件选型、编程方法以及调试技巧。
通过实验，加深对单片机、传感器、电机驱动等模块的理解，并提升实践操作能力。
二、实验原理智能小车控制系统主要由以下几个部分组成：1. 单片机控制单元：作为系统的核心，负责接收传感器信息、处理数据、控制电机运动等。
2. 传感器模块：用于感知周围环境，如红外传感器、超声波传感器、光电传感器等。
3. 电机驱动模块：将单片机的控制信号转换为电机驱动信号，控制电机运动。
4. 电源模块：为系统提供稳定的电源。
实验中，我们选用STM32微控制器作为控制单元，使用红外传感器作为障碍物检测传感器，电机驱动模块采用L298N芯片，电机选用直流电机。
三、实验器材1. STM32F103C8T6最小系统板2. 红外传感器3. L298N电机驱动模块4. 直流电机5. 电源模块6. 连接线、电阻、电容等7. 编程器、调试器四、实验步骤1. 硬件搭建：- 将红外传感器连接到STM32的GPIO引脚上。
- 将L298N电机驱动模块连接到STM32的PWM引脚上。
- 将直流电机连接到L298N的电机输出端。
- 连接电源模块，为系统供电。
2. 编程：- 使用Keil MDK软件编写STM32控制程序。
- 编写红外传感器读取程序，检测障碍物。
- 编写电机驱动程序，控制电机运动。
- 编写主程序，实现小车避障、巡线等功能。
3. 调试：- 使用调试器下载程序到STM32。
- 观察程序运行情况，检查传感器数据、电机运动等。
- 调整参数，优化程序性能。
五、实验结果与分析1. 避障功能：实验中，红外传感器能够准确检测到障碍物，系统根据检测到的障碍物距离和方向，控制小车进行避障。
2. 巡线功能：实验中，小车能够沿着设定的轨迹进行巡线，红外传感器检测到黑线时，小车保持匀速前进；检测到白线时，小车进行减速或停止。
3. 控制性能：实验中，小车在避障和巡线过程中，表现出良好的控制性能，能够稳定地行驶。
智能灯光控制实验报告心得体会2. 实验过程中，我积极参与团队合作，各自承担责任，有效地完成了实验任务。
3. 实验中我们采用了传感器和控制器相结合的方式，实现了对灯光的智能控制，这种方法非常高效可靠。
4. 在实验中，我们也遇到了一些困难和问题，但通过团队的努力和合作，最终克服了困难并取得了成功。
5. 通过实验，我学会了如何使用Arduino控制板和相关软件编写程序，加深了对这方面知识的理解和掌握。
6. 实验中不仅提高了我们的动手实践能力，还培养了我们的创新意识和解决问题的能力。
7. 实验结果显示，通过智能灯光控制，我们可以实现更节能，更智能的灯光管理。
8. 本次实验不仅提高了我在硬件与软件编程方面的能力，也给我了解了智能化控制技术的应用领域和前景。
9. 通过实验，我认识到了智能灯光控制在家居、工业等领域的重要性和应用广泛性。
10. 实验中的团队合作让我认识到只有团结协作，才能更好地完成任务和取得成功。
11. 实验中我们遇到了实际情况下的限制和挑战，这让我对智能化控制技术有了更加深入的了解。
12. 通过实验，我发现智能灯光控制可以提高家庭和办公环境的舒适度和安全性。
13. 实验过程中，我学会了如何通过传感器感知环境信息，并通过控制器对灯光进行相应调节。
14. 实验的不断优化和改进让我意识到科学研究需要不断迭代和提升。
15. 实验中，我们发现智能灯光控制可以提高能源利用效率，减少能源浪费。
16. 我认识到智能灯光控制技术的发展潜力巨大，对未来的智能家居和城市建设具有重要影响。
17. 通过实验中的数据分析，我认识到灯光对人们的生活和工作环境有重要影响，智能控制能够使其更加舒适。
18. 本次实验让我深入了解了光电传感器和人体感应器的工作原理和应用场景。
19. 实验中，我们还研究了灯光的颜色和亮度对人的视觉和心理的影响，这为未来照明设计提供了参考。
20. 总的来说，本次实验让我对智能化控制技术有了更深入的了解，也让我认识到科技的力量和未来的发展方向。
建筑电器智能控制实验报告-回复什么是建筑电器智能控制？建筑电器智能控制是指通过先进的电子技术和网络通信技术，将建筑物内的各种电器设备进行自动控制和管理，以提高功能性、舒适性和能源效率的一种技术。
随着科技的发展和人们对生活品质的不断追求，建筑电器智能控制系统成为了现代建筑中必不可少的一部分。
这种系统通过将建筑中的各种电器设备互联，实现智能化的控制和管理，使得人们的生活更加便捷、舒适。
最初的建筑电器智能控制系统是一个简单的手动控制系统，例如可以通过一个中央控制面板来控制整个建筑的照明、空调等设备。
然而，随着技术的进步，这种控制系统逐渐演变成了一个具有自动化和智能化功能的系统。
首先，建筑电器智能控制系统需要使用到先进的传感器技术。
例如，照明系统可以根据室内光照强度来自动调节灯光的亮度，以节约能源；空调系统可以根据室内温度和湿度自动调节温度和风速，以提供最佳的舒适度。
其次，建筑电器智能控制系统还需要使用到网络通信技术。
通过将各种设备连接到一个网络中，可以实现设备之间的互联互通，实现智能化的控制和管理。
例如，用户可以通过手机或电脑远程控制家中的电器设备，如开关灯、调节温度等。
建筑电器智能控制系统还可以实现一系列的应用功能，以提高建筑的舒适性和能源效率。
例如，可以根据用户的习惯和预设，在用户离开房间后自动关闭电器设备，避免能源的浪费；可以根据室内和室外的光照情况，自动调整窗帘的开合程度，以提供适宜的采光和隐私。
此外，建筑电器智能控制系统还可以应用于安全管理方面。
例如，可以通过安装监控摄像头和智能门禁系统，实现对建筑的全天候监控和控制，以提供更安全的居住环境。
综上所述，建筑电器智能控制是一种利用先进的电子技术和网络通信技术，将建筑内的各种电器设备进行自动控制和管理的技术。
通过使用传感器技术和网络通信技术，可以实现设备之间的互联互通，以提高建筑的舒适性、能源效率和安全性。
随着技术的不断进步，建筑电器智能控制系统将在未来的建筑中发挥越来越重要的作用。
一、实验目的1. 了解光敏传感器的工作原理及其在智能控制系统中的应用。
2. 掌握智能光控电路的设计与搭建方法。
3. 熟悉光控电路的调试与性能测试。
二、实验原理智能光控电路利用光敏传感器检测环境光线强度，根据设定的阈值自动控制电路的通断，从而实现对灯光的自动控制。
实验中采用光敏电阻作为光敏传感器，其电阻值随光照强度变化而变化。
当环境光线较弱时，光敏电阻阻值增大，电路导通，灯光开启；当环境光线较强时，光敏电阻阻值减小，电路截止，灯光关闭。
三、实验器材1. 光敏电阻2. 三极管3. 电阻4. 电容5. 继电器6. 电池7. 电源插座8. 电流表9. 电压表10. 万用表11. 拆焊工具12. 线路板13. 连接线四、实验步骤1. 搭建光控电路：（1）将光敏电阻与三极管连接，形成光控开关电路；（2）将三极管与继电器连接，实现灯光的自动控制；（3）将电路连接到电池和电源插座，确保电路正常工作。
2. 调试光控电路：（1）使用万用表测量光敏电阻在不同光照强度下的阻值；（2）根据光敏电阻的阻值变化，调整电路参数，使电路在设定的阈值下实现灯光的自动控制；（3）观察灯光在不同光照强度下的变化，确保光控电路工作正常。
3. 性能测试：（1）使用电流表和电压表测量电路在不同光照强度下的电流和电压；（2）根据测试结果，分析光控电路的性能，评估电路的稳定性和可靠性；（3）对比不同光敏电阻、电阻、电容等元器件对电路性能的影响。
五、实验结果与分析1. 光控电路搭建成功：实验中成功搭建了智能光控电路，实现了灯光的自动控制。
2. 光控电路性能稳定：通过调整电路参数，使光控电路在设定的阈值下稳定工作，灯光能根据环境光线强度自动开启和关闭。
3. 光敏电阻对电路性能影响显著：实验结果表明，光敏电阻的阻值变化对电路性能影响较大，选择合适的光敏电阻对电路的稳定性和可靠性至关重要。
六、实验心得1. 智能光控电路在日常生活中具有广泛的应用前景，如自动控制照明、报警系统等。
《智能控制》 课程实验报告实验题目：模糊控制器设计与实现 一、 实验目的1．掌握模糊控制系统的设计方法；2．比较常规控制与模糊控制的优缺点； 3．训练Matlab 程序设计能力。
二、 实验内容1．针对一个二阶系统，分别设计模糊控制器和常规控制器； 2．分别PID 控制和模糊控制两种情况下系统阶跃响应； 3．对实验结果进行对比分析。
三、 实验设备计算机 1台Window XP 操作系统 Matlab 6.5软件四、 实验原理1、 模糊控制模糊逻辑控制又称模糊控制，是以模糊集合论，模糊语言变量和模糊逻辑推理为基础的一类计算机控制策略，模糊控制是一种非线性控制。
图1-1是模糊控制系统基本结构，由图可知模糊控制器由模糊化，知识库，模糊推理和清晰化（或针对模糊控制器每个输入，输出,各自定义一个语言变量。
因为对控制输出的判断，往往不仅根据误差的变化，而且还根据误差的变化率来进行综合评判。
所以在模糊控制器的设计中，通常取系统的误差值e 和误差变化率ec 为模糊控制器的两个输入，则在e 的论域上定义语言变量“误差E ” ，在ec 的论域上定义语言变量“误差变化EC ” ；在控制量u 的论域上定义语言变量“控制量U ” 。
通过检测获取被控制量的精确值，然后将此量与给定值比较得到误差信号e ，对误差取微分得到误差变化率ec ，再经过模糊化处理把分明集输入量转换为模糊集输入量，模糊输入变量根据预先设定的模糊规则，通过模糊逻辑推理获得模糊控制输出量，该模糊输出变量再经过去模糊化处理转换为分明集控制输出量。
2、PID 控制在模拟控制系统中，控制器最常用的控制规律是PID 控制。
PID 控制器是一种线性控制器。
它根据给定值与实际输出值之间的偏差来控制的。
其传递函数的形式是：)11()(s T sT k s G D I p ++=，PID 控制原理框图如图1-2所示。
式中p k ——比例系数；I T ——积分时间常数；D T ——微分时间常数。
实验名称：踏瑞智能控制系统性能测试实验目的：通过对踏瑞智能控制系统的性能进行测试，评估其在实际应用中的稳定性和效率，为后续产品优化和推广提供数据支持。
实验时间：2023年X月X日至X月X日实验地点：XX科技有限公司实验室实验设备：1. 踏瑞智能控制系统1套2. 测试计算机1台3. 网络测试仪1台4. 数据采集器1台5. 温湿度传感器1套6. 实验环境模拟装置1套实验人员：张三、李四、王五一、实验原理踏瑞智能控制系统是一款集成了物联网、大数据、人工智能等先进技术的智能控制系统。
该系统通过对环境数据的实时采集和分析，实现环境参数的自动调节，以达到节能、环保、舒适的目的。
二、实验内容1. 系统稳定性测试2. 数据采集准确性测试3. 系统响应速度测试4. 系统能耗测试5. 系统扩展性测试三、实验方法1. 系统稳定性测试：将踏瑞智能控制系统置于实验环境中，连续运行24小时，观察系统是否出现故障或崩溃现象。
2. 数据采集准确性测试：将温湿度传感器放置于实验环境中，同时接入踏瑞智能控制系统，实时采集数据并与传感器直接读取的数据进行对比，评估数据采集准确性。
3. 系统响应速度测试：模拟用户操作，观察系统响应时间，记录系统处理数据的时间。
4. 系统能耗测试：记录系统在正常工作状态下的能耗，并与同等功能的传统控制系统进行对比。
5. 系统扩展性测试：在系统中添加新的传感器和执行器，测试系统对新设备的识别、配置和运行情况。
四、实验结果与分析1. 系统稳定性测试：经过24小时连续运行，踏瑞智能控制系统运行稳定，未出现故障或崩溃现象。
2. 数据采集准确性测试：温湿度传感器采集的数据与系统实时采集的数据基本一致，误差在±0.5%以内，数据采集准确性较高。
3. 系统响应速度测试：系统响应时间在0.5秒以内，满足实际应用需求。
4. 系统能耗测试：踏瑞智能控制系统在正常工作状态下的能耗为X瓦，与传统控制系统相比，能耗降低约20%。
神经网络实验报告一、实验目的通过在matlab 下面编程实现bp 网络逼近标准正弦函数，来加深对BP 网络的了解和认识，理解信号的正向传播和误差的反向传递过程。
二、实验原理由于传统的感知器和线性神经网络有自身无法克服的缺陷，它们都不能解决线性不可分问题，因此在实际应用过程中受到了限制。
而BP 网络却拥有良好的繁泛化能力、容错能力以及非线性映射能力。
因此成为应用最为广泛的一种神经网络。
BP 算法的基本思想是把学习过程分为两个阶段：第一阶段是信号的正向传播过程；输入信息通过输入层、隐层逐层处理并计算每个单元的实际输出值；第二阶段是误差的反向传递过程；若在输入层未能得到期望的输出值，则逐层递归的计算实际输出和期望输出的差值（即误差），以便根据此差值调节权值。
这种过程不断迭代，最后使得信号误差达到允许或规定的范围之内。
基于BP 算法的多层前馈型网络模型的拓扑结构如上图所示。
BP 算法的数学描述：三层BP 前馈网络的数学模型如上图所示。
三层前馈网中，输入向量为：Tn i x x x x X),...,,...,,(21=；隐层输入向量为：Tm j y y y y Y),...,...,,(21=；输出层输出向量为：Tl k o o o o O),...,...,,(21=；期望输出向量为：Tl k d d d d d),...,...,(21=。
输入层到隐层之间的权值矩阵用V 表示，Ym j v v v v V),...,...,(21=，其中列向量j v 为隐层第j 个神经元对应的权向量；隐层到输出层之间的权值矩阵用W 表示，),...,...,(21l k w w w w W =，其中列向量k w 为输出层第k 个神经元对应的权向量。
下面分析各层信号之间的数学关系。
对于输出层，有∑====mj x v net mj netf yi ij jjj,...,2,1,,...,2,1),(对于隐层，有∑=====mj i jkkkk lk y wnetl k netf O 0,...,2,1,,...,2,1),(以上两式中，转移函数f(x)均为单极性Sigmoid 函数：xex f -+=11)(f(x)具有连续、可导的特点，且有)](1)[()('x f x f x f -=以上共同构成了三层前馈网了的数学模型。
智能控制课内实验报告（3次）学院：自动化学院班级：智能姓名：学号：智能控制课内实验（1）模糊控制器的设计学院：自动化学院姓名：班级：学号：日期： 2017-9-30实验1.1模糊控制器的设计一、实验目的在matlab环境下，完成一个对水位控制的模糊控制器的设计。
二、实验内容（1）确定控制器的输入、输出的隶属度函数偏差e(t) ：e(t)=r(t)－c(t)负反馈三个模糊子集“负大”(水位高）、“零”和“正大”（水位低）。
偏差变化率： de，三个模糊子集“负大”（高趋势）、“零”和“正大”（低趋势）。
控制量u：“负大”、“负中”、“零”、“正中”、“正大”。
Matlab操作方法：打开matlab在命令行输入：fuzzy出现下图界面：在上图选择“edit”出现下图：选择“Add Variable-- Input”再添加输入这样就建立了两个输入，一个输出的模糊控制器。
再修改输入、输出的各参数：input1改为 e；input2改为de; output1改为u ;如下图：双击“e” ,修改模糊子集：如下图修改e的负大：注意各参数的设置修改好的e的模糊子集如下图：用同样的方法修改de如下图：修改u的方法如下图：需要5个模糊子集添加模糊子集的方法：在“edit”菜单下选择“Add Custom MF”下图是对”O”这个模糊子集的设置：设置好的u的模糊子集如下图：(2)添加规则的方法：添加规则的界面如下：这样一个模糊推理控制器就建立完毕了。
（3）利用模糊控制器可以得到规则曲面以及根据输入得到输出如上图操作可以得到规则曲面：如下图可以得到规则的推理结果：改变上图e和de的值，可以看到u的不同的输出。
然后可以把该系统存为tank.fis.三、写出实验的心得体会总结建立模糊控制器的方法。
实验1.2神经网络工具箱的应用二．神经网络工具箱函数最新版的MATLAB 神经网络工具箱为Version4.0.3, 它几乎涵盖了所有的神经网络的基本常用类型，对各种网络模型又提供了各种学习算法，我们可以根据自己的需要调用工具箱中的有关设计与训练函数，很方便地进行神经网络的设计和仿真。
目前神经网络工具箱提供的神经网络模型主要用于：1. 数逼近和模型拟合；2. 信息处理和预测；3. 神经网络控制；4. 故障诊断。
神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通用的，下面列表中给出了一些比较重要的工具箱函数。
三．仿真实例BP 网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。
BP 网络模型结构见图1。
网络同层节点没有任何连接，隐层节点可以由一个或多个。
网络的学习过程由正向和反向传播两部分组成。
在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。
每一层神经元的状态只影响到下一层神经元网络，如输出层不能得到期望的输出，那么转入误差反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播过程，这两个过程反复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束。
利用神经网络工具箱进行设计和仿真的具体步骤：1.确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形式；2. 确定网络模型：选择网络的类型、结构等；3. 选择网络参数：如神经元数，隐含层数等；4. 确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等；5. 网络测试：选择合适的训练样本进行网络测试。
下面给出一个利用BP 神经网络进行函数逼近的例子。
第一步问题的提出设计一个简单的BP 网络，实现对非线性函数的逼近，通过改变BP 网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情况。
假设将要将要逼近的函数为正弦函数，其频率参数N=1，绘制此函数见图2 所示。
N=1;p= [- 1:0.05:1] ;t=sin (N*pi*p) ;%假设N=1，绘制此函数曲线plot (p,t,'r*');title ('要逼近的非线性函数')xlabel ('时间')要逼近的非线性函数第二步网络建立应用newff () 建立两层的BP 网络，隐层神经元数目可以改变,此时S=8 ，输出层一个神经元，隐层和输出层的传递函数分别为tansig 和purelin ，学习算法采用Levenberg - Marquadt ( trainlm) 。
用sim() 观察初始化网络输出如图3 所示。
S=8;net=newff (minmax (p) , [S,1] , {'tansig','purelin'} ,'trainlm');y1=sim (net,p);figure;plot (p,t, 'r* ',p,y1,'b- ')title ('未训练网络的输出结果')xlabel ('时间')ylabel ('仿真输出- 原函数*')legend ('要逼近的非线性函数','未训练网络的输出结果')未训练时网络的输出结果结果接第三步网络训练将训练时间设为10，精度为0.001，用train ()进行训练，误差曲线见图4 所示。
net.trainParam.epochs=10;net.trainParam.goal=0.001;net1 = train (net,p,t);训练过程第四步网络测试用sim()观察训练后的网络输出如图5 所示。
y2 = sim (net1,p);figure;plot (p,t,'r* ',p,y1,'b- ',p,y2,'ko')title ('训练后网络的输出结果')xlabel ('时间')ylabel ('仿真输出')legend ('要逼近的非线性函数','未训练网络的输出结果','训练后网络的输出结果')图5训练后网路的输出结果从图5 可以看出经过很短时间的训练后BP 网络很好的逼近了非线性函数。
讨论：1. 改变非线性函数的频率，即改变N 的值时发现，网络的训练时间会长些，逼近效果要差些。
2. 改变隐层的神经元数目对网络的逼近效果也有影响，一般来说，隐层的神经元数目越多，则BP 网络逼近非线性函数能力越强，但也并非隐层的神经元数目越多，网络性能就越好，而同时训练时间有所增长。
四．结论智能控制课内实验（2）基于 MATLAB的神经网络设计学院：自动化学院姓名：班级：学号：日期： 2017-10-25实验2 基于 MATLAB的神经网络设计一实验目的：1掌握matlab工具箱设计前馈型神经网络的方法2掌握图形用户界面的神经网络工具的设计方法二实验内容：1感知器线形分类器设计已知：样本点（0，0），（1，1），（1，3），（3，1），（3，3），（5，5）。
对应目标：t=[0 0 0 1 1 1]编程设计感知器，实现样本点的分类。
用测试样本进行分类测试。
新建m文件，参考程序：p=[0 1 1 3 3 5;0 1 3 1 3 5]; %六个输入样本t=[0 0 0 1 1 1]; %样本的目标值ptest=[0 1 3 4; 3 2 2 1]; %四个测试样本net=newp(minmax(p),1); %创建感知器网络[net tr]=train(net,p,t); %训练网络iw1=net.iw{1}; %得到感知器的权值b1=net.b{1}; %得到阈值epoch1=tr.epoch; %得到训练的次数perf1=tr.perf; %训练每步误差% pause;plotpv(p,t); %显示训练样本plotpc(net.iw{1},net.b{1}); figure; %显示分类面% pause;t2=sim(net,ptest); %对测试样本进行仿真plotpv(ptest,t2); %显示测试样本plotpc(iw1,b1); %再显示分类面2设计前馈网络逼近平方函数设计前馈网络在[0,10]x ∈ 区间上逼近平方函数2y x = 。
新建m 文件，产生100个样本，建立网络进行仿真。
参考程序：rand(‘state ’,sum(100*clock)) ; %设置随机函数种子p=10*rand(1,100) ; %样本随机输入t=p.^2 ; %训练样本的目标值Testp=0 :0.1 :10 ; %测试样本net=newff([0 10],[5 1],{‘tansig ’ ‘purelin ’},’trainlm ’) ; %建立前馈网络net.trainParam.epochs=50 ; %设置最大训练次数net.trainParam.goal=0.0001 ; %设置误差目标net.trainParam.show=1 ; %多少步显示误差net=train.(net,p,t) ; %训练神经网络y2=sim(net,p) ; %仿真输出plot(p,t,’r+’,p,y2,’.’) ; %显示输出曲线figure;y3=sim(net,Testp) ; %显示测试样本plot(Testp,y3,’k.’) ; %再显示测试样本输出曲线3图形工具设计神经网络在图形界面下设计前馈型网络，在区间[-4,4]上逼近函数22=-+-。
y x x x1.1(12)exp(/2)在命令行键入输入变量：>> indata=-4:0.1:4;得到函数目标输出：targetdata=1.1*(1-indata+2*indata.*indata).*exp(-indata.*indata/2) ;在命令窗口输入： nntool出现如下图形界面图1 图形界面点击import按钮，添加输入变量和目标输出变量；按import按钮，导入输入变量按import按钮，导入目标输出变量。
在图1按 new按钮，新建网络按create按钮创建网络。
双击上图的network1，得到下图：点击按钮 Train Network ,训练网络得到下图：点击上图的performance按钮得到下图的网络的训练误差性能：三、总结总结m文件和图形界面方法设计前馈型网络的设计仿真方法。
智能控制课内实验（3）应用遗传算法求解优化问题学院：自动化学院姓名：班级：学号：日期： 2017-11-25实验3 应用遗传算法求解优化问题一、实验目的掌握matlab 遗传算法工具箱的函数命令实现函数优化问题的方法和图形用户界面下求解优化问题的方法。
