thingsintheirba ti m e an d An th e i r b e i n 图1.3 模糊控制器的基本结构1）论域及隶属度函数的建立图1.4 E 、EC 、U 的隶属度函数eirbeing图1.5 模糊控制系统Simulink仿真模型ad A l l t hi n gs i n t h e i r b e i n g a r e g o o d f o r s o 用，其调节不能做到无静差。
在仿真过程中发现，量化因子、比例因子的大小对模糊控制器控制性能的影响很大，也许还存在一组最优量化因子和比例因子，能使系统获得更好的响应特性。
III. Fuzzy 自适应PID 控制器由于常规PID 控制在稳定阶段有良好的响应性能，于是采用Fuzzy+PID 控制方法，构成FuzzyPID 控制系统。
其结构框图如图1.7所示。
图1.7 Fuzzy 控制+PID 控制在Matlab/Simulink 环境下，转换由开关模块“switch”实现，“switch” 模块中的Threshold 整定值(即误差整定值)设置为0.01。
对系统进行仿真，可得响应曲线波形如图1.8所示。
图1.8 Fuzzy 控制+PID 控制波形从图1.8中可以看出系统稳定时间很短仅约为3，存在的静差约为0.06，输l l t h i n gs in th ei r b e i n g a r e g o o d f o r s o 出最大约为0.94，无超调量。
Ⅳ. 采用Fuzzy +PID 复合控制器由以上两个仿真可知，采用Fuzzy 控制可以极大地改善系统超调和稳定时间，但是其稳态性能有所下降，稳态精度明显不如常规PID 控制。
利用Fuzzy 控制+精确积分控制方法，由于常规Fuzzy 控制缺少积分环节而存在稳态误差，故可以通过Fuzzy 控制+精确积分的方法改善系统的稳态性能，即混合型FuzzyPID 控制器，这样可以使系统成为无差模糊控制系统。
其结构框图如图1.9所示。
图1.9Fuzzy 控制+精确积分控制取精确积分系数，其余参数不变。
对系统进行仿真，可得响应曲线波0.029i k 形如图1.10所示。
图1.10 Fuzzy-PID 波形从图1.10中可以看出系统稳定时间比较短约为5，存在的静差仅有0.02，输出最大约为0.98，超调量约为3.06%。
an d A l l t h i n g s i n t h e i r b e i n g a r e g o o d f o r s o 保持所设计的控制器参数不变，当被控对象的参数或模型结构变化(例如=0.15)时，PID 和Fuzzy 控制器的性能分析3T 1) 当被控对象的参数发生变化A ．当系统值由原来的15变化为30时，其余参数不变，各种控制方式k 的系统阶跃响应如图1.11所示。
B ．当由原来的7.5变化为15时，其余参数不变，各种控制方式的系统1T 阶跃响应如图1.12所示。
e an d A l l t hi n g s i n t h e i r b e i n g a r e g o o d f o r s o C ．当由原来的0.75变化为1.5时，其余参数不变，各种控制方式的系统2T 阶跃响应如图1.13所示。
（1）模糊控制决策表的计算当利用MATLAB 模糊逻辑工具箱设计好模糊控制器后，还应该计算相应的模糊控制决策表，即关系矩阵。
这里利用MATLAB 工具箱中的readfis 和evalfis 函数，计算上述模糊控制器的决策表，编写的M 文件如下：a = readfis('fuzzy1.fis');for i = -6 : 6 for j = -6 : 6u(i+7,j+7) = evalfis([i,j],a);end end运行该程序，可得到模糊控制决策表为如下一13*13矩阵：u =Columns 1 through 8-5.3723 -5.2527 -5.3723 -5.2527 -5.3723 -4.2674 -3.9992 -1.9992-5.2527 -5.2527 -5.2527 -4.2674 -4.2674 -3.2733 -3.0000 -1.9991-5.3723 -5.2527 -5.3723 -4.2674 -3.9992 -3.0000 -2.0008 -1.0007-5.2527 -4.2674 -4.2674 -4.2674 -3.9984 -3.0000 -2.0016 -1.0007-5.3723 -4.2674 -3.9992 -3.9984 -3.9992 -3.0000 -2.0008 -1.0007-5.2527 -4.2674 -3.9984 -3.0000 -3.0000 -1.9991 -1.0007 0.0000-5.3723 -4.2674 -3.9992 -3.0000 -2.0008 -1.0007 -0.0000 1.0007-4.2674 -3.2733 -3.0000 -1.9991 -1.0007 0.0000 1.0007 1.9991 -3.9992 -3.0000 -2.0008 -1.0007 -0.0000 1.0007 2.0008 3.0000 -3.0000 -1.9991 -1.0007 -1.0007 0.0000 1.0007 2.0016 3.0000 -2.0008 -1.0007 -0.0000 0.0000 -0.0000 1.0007 2.0008 3.0000 -1.0007 -1.0007 0.0000 0.0000 0.0000 1.9991 3.0000 3.2733 -0.0000 0.0000 -0.0000 0.0000 -0.0000 1.9992 3.9992 4.2674 Columns 9 through 13-0.0000 0.0000 -0.0000 0.0000 -0.00000.0000 0.0000 0.0000 1.0007 1.0007-0.0000 0.0000 -0.0000 1.0007 2.00080.0000 1.0007 1.0007 1.9991 3.0000-0.0000 1.0007 2.0008 3.0000 3.99921.0007 1.9991 3.0000 3.2733 4.26742.00083.0000 3.99924.26745.37233.0000 3.0000 3.99844.26745.25273.9992 3.9984 3.99924.26745.37233.99844.2674 4.2674 4.26745.25273.99924.26745.3723 5.2527 5.37234.2674 4.26745.2527 5.2527 5.25275.3723 5.2527 5.3723 5.2527 5.3723在MATLAB命令窗口（Command Window）里输入gensurf(a)，可以得到模糊控制决策表的三维曲面图，如图1.14所示。
a ti m e a n g oo d f o r s o 图1.21 Fuzzy 控制加精确积分Simulink 仿真模型从图1.22可以看出，带积分作用的模糊控制系统可消除静差，系统输出稳图1.23 Fuzzy-PID 复合控制结构图heirbeingareg图1.24 Fuzzy-PID复合控制系统Simulink仿真模型oodf块通过编程，可以编写自定义的功能。
在MATLAB里通过编写S函数，新建一个输入输出自调整模块，由偏差Ke和偏差变化率Kec的大小自动调节输出比例因子Ku，实现参数自调整的目的。
根据上面所述参数调整规则编写如下S 函数：function [sys,x0] =fuzzypara(t,x,u,flag)global Ke Kec Ku;Ke=0.2;Kec=0.1;Ku=0.8;switch flag,case 0,sys=[0,0,3,2,0,1];x0=[];case 3,i f abs(u(1))>0.3 | abs(u(2))>0.1sys(1)=Ke;sys(2)=Kec;sys(3)=Ku;e lseif abs(u(1))>0.1 | abs(u(2))>0.05sys(1)=1.3*Ke;sys(2)=1.5*Kec;sys(3)=0.5*Ku;e lsesys(1)=1.4*Ke;sys(2)=1.6*Kec;sys(3)=0.2*Ku;e ndotherwisesys=[];end基此，可搭建如图1.26所示的自调整比例因子Fuzzy控制系统Simulink仿真模型，仿真得到系统阶跃响应曲线如图1.27所示。
从图1.27可以看出，自调整比例因子的Fuzzy控制系统与常规Fuzzy控制相比，响应速度加快，稳态精度有很大提升，对于时变、非线性、强干扰的控制对象，采用自调整比例因子Fuzzy控制是一个非常好的选择。
a ti m e a n dAl l 图1.26 自调整比例因子Fuzzy 控制系统Simulink 仿真模型11.21.4hingsinth图2.1 代码运行界面在MATLAB中运行，图1为代码运行界面，图4047次停止。
隐层单元数对BP神经网络的影响：增加训练时间。
学习因子对BP网络性能的影响：学习因子在标准BP算法中定为常数，然而在实际应用中，很难确定一个从始至终都合适的最佳学习率。
从BP网络误差曲面图可以看出，存在平坦区域，在平坦区域内若学习因子太小，会使训练次数大大增加；而在误差变化剧烈的区域，学习因子过大导致权值调整量过大，从而跨过较窄的“坑凹”处，使训练出现振荡，反而使迭代次数增加，严重时甚至使误差平方和发散，BP网络不稳定。