Final Report for CS5611 (Fuzzy Sets: Theory and Applications):

Neuro-Fuzzy Control(Inverse Learning and Specialized Learning) for Meglev System

陳昶佑 (g853746, 動機碩一)
范原章 (u821444, 動機大四)

報告大綱

摘要	問題描述	系統描述	步驟方法
模擬結果	結論與未來可作之處	模擬程式	工作分配
參考資料

1. Inverse Learning
   • 程式碼:線上學習模式的原始程式由老師提供，經過些許的修改 （將狀態空間系統表示法轉換成個別的函數）即可運用
   • 測試簡單的二階不穩定系統:
     
     1. 系統狀態
        
     2. Pole在 +3、+4
     3. 使用c2d（continuous to discrete）將系統數位化
     4. 在simulink中用兩個FCN來實現此model
     5. 結果("invl_2s.m")：成功
   • 測試三階不穩定系統
     
     1. 系統狀態
        
     2. Pole在 -10、3±2i
     3. step response
     4. 使用Inverse learning之步驟同前
     5. 結果("invl_3s.m")：成功
   • 控制磁浮系統
     
     1. 系統狀態
        
     2. Pole在 [37.97 -43.89-249.079 ]
     3. step response
     4. 使用Inverse learning之步驟同前
     5. 結果("invl_meg.m")：失敗
2. Specialized Learning
   • 程式碼: 使用ANFIS toolbox in matlab來實現ANFIS Controller
     模擬進行時，ANFIS Controller線上更新； 當desire model和plant的狀態輸出之間的差夠小，或plant的狀態輸出太大時， 結束模擬，並畫出結果。 When the difference between desired output state and the output state of the plant is small enough ,or the output state of the plant is too large, the simulation stop and plot the results.
   • 測試簡單的二階不穩定系統:
     
     1. 系統請參照前面
     2. 結果﹕成功
   • 測試三階不穩定系統
     
     1. 系統請參照前面
     2. 結果：失敗
   • 控制磁浮系統
     
     1. 系統請參照前面
     2. 結果：失敗

考慮是否為磁浮系統本身的問題，故暫且不考慮disturbance，使用state feedback來控制 磁浮系統，發現其step response相當不錯，所以事實 上此系統還是可控制的。

未來當然不可就此放棄使用Neuro-Fuzzy Control，畢竟其自動學習和 模糊控制，對於系統鑑別和非線性系統相當有用。只要有時間、精力，應該再多嘗試 其他Neuro-Fuzzy Control的方式（如:回授線性化控制），甚至本報告中的 Inverse learning和 Specialized learning所模擬的程式改變一下（如:求最佳解的方法）， 相信可以獲得良好的結果。

• 所有在Matlab中的模擬程式在此
• 主要為兩個程式：inverse learning和specialized learning
  有各個系統模擬的結果。

• 陳昶佑: 資料(model)尋找　模擬程式撰寫, 測試
• 范原章: 模擬程式撰寫, 測試 　寫報告　Present

• [Jang97] J.-S. R. Jang, C.-T. Sun, and E. Mizutani, `` Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence,'' Prentice Hall, 1997.