被控对象为G(s)=1000/(s^3+87.35s^2+10470s)的基于RBF神经网络的监督控制MATLAB代码设计

以下是基于RBF神经网络的监督控制MATLAB代码设计：

首先，我们需要导入系统模型，定义控制器和误差权重：

% 导入系统模型
sys = tf([1000],[1,87.35,10470,0]);

% 定义控制器
hidden_layer_size = 10; % 隐藏层节点数
net = newrb(zeros(3,1000),zeros(1,1000),zeros(1,hidden_layer_size),1,hidden_layer_size); % 创建RBF神经网络控制器

% 定义误差权重
Q = eye(4); % 状态误差权重
R = 1; % 控制输入误差权重

接着，我们可以进行控制器训练：

% 定义仿真参数
dt = 0.01; % 采样时间
t_final = 10; % 仿真时间
t = 0:dt:t_final; % 时间向量
N = length(t); % 仿真步数

% 定义初始状态和目标状态
x0 = [0;0;0;0]; % 初始状态
x_des = [1;0;0;0]; % 目标状态

% 训练控制器
for i=1:1000
    u = net(x0); % 计算控制输入
    x_dot = sys.A*x0 + sys.B*u; % 计算状态变化率
    x1 = x0 + x_dot*dt; % 计算下一个状态
    e = x_des - x1; % 计算状态误差
    net = adapt(net,x0,u,[],e); % 训练控制器
    x0 = x1; % 更新状态
end

最后，我们可以进行仿真：

% 进行仿真
x = zeros(4,N); % 状态向量
x(:,1) = x0; % 初始状态

for i=2:N
    u = net(x(:,i-1)); % 计算控制输入
    x_dot = sys.A*x(:,i-1) + sys.B*u; % 计算状态变化率
    x(:,i) = x(:,i-1) + x_dot*dt; % 计算下一个状态
end

% 绘制图形
figure;
plot(t,x(1,:),'b',t,x_des(1)*ones(1,N),'r--');
xlabel('时间 (s)');
ylabel('状态 x_1');
legend('实际状态','目标状态');
title('基于RBF神经网络的监督控制仿真结果');

这样，我们就完成了基于RBF神经网络的监督控制MATLAB代码设计。