完整版智能控制习题参考答案doc.docx

完整版智能控制习题参考答案doc.docx

《完整版智能控制习题参考答案doc.docx》由会员分享，可在线阅读，更多相关《完整版智能控制习题参考答案doc.docx（14页珍藏版）》请在冰豆网上搜索。

完整版智能控制习题参考答案doc

1．递阶智能控制系统的主要结构特点有哪些。

答：

递阶智能控制是在研究早期学习控制系统的基础上，从工程控制论角度总结人工智能与自适应控制、自学习控制和自组织控制的关系后逐渐形成的。

递阶智能控制系统是由三个基本控制级（组织级、协调级、执行级）构成的。

如下所

示：

1.组织级

组织级代表控制系统的主导思想，并由人工智能起控制作用。

根据贮存在长期存储交换单元内的本原数据集合，组织器能够组织绝对动作、一般任务和规则的序列。

其结构如下：

2．协调级

协调级是组织级和执行级间的接口，承上启下，并由人工智能和运筹学共同作用。

协

调级借助于产生一个适当的子任务序列来执行原指令，处理实时信息。

它是由不同的协调器组成，每个协调器由计算机来实现。

下图是一个协调级结构的候选框图。

该结构在横向上能够通过分配器实现各协调器之间的数据共享。

3.执行级

执行级是递阶智能控制的最底层，要求具有较高的精度但较低的智能；它按控制论进

行控制，对相关过程执行适当的控制作用。

其结构模型如下：

2．信息特征，获取方式，分层方式有哪些？

答：

一、信息的特征

1，空间性：

空间星系的主要特征是确定和不确定的（模糊）、全空间和子空间、同步和

非同步、同类型和不同类型、数字的和非数字的信息，比传统系统更为复杂的多源多维信息。

2，复杂性：

复杂生产制造过程的信息往往是一类具有大滞后、多模态、时变性、强干

扰性等特性的复杂被控对象，要求系统具有下层的实时性和上层的多因素综合判断决策能力，以保证现场设备局部的稳定运行和在复杂多变的各种不确定因素存在的动态环境下，获得整个系统的综合指标最优。

3，污染性：

复杂生产制造过程的信息都会受到污染，但在不同层次的信息受干扰程度

不同，层次较低的信号受污染程度较大。

二、获取方式

信息主要是通过传感器获得，但经过传感器后要经过一定的处理来得到有效的信息，具体处理方法如下：

1，选取特征变量

可分为选择特征变量和抽取特征变量。

选择特征变量直接从采集样本的全体原始工艺参数中选择一部分作为特征变量。

抽取特征变量对所选取出来的原始变量进行线性或非线性

组合，形成新的变量，然后去其中一部分作为特征变量。

2，滤波的方法

数字滤波用计算机软件滤波，通过一定的计算程序对采样信号进行平滑加工，

比，消除和减少干扰信号，以保证计算机数据采集和控制系统的可靠性。

模拟滤波用硬件

滤波。

3，剔除迷途样本

提高信噪

使用计算机在任意维空间自动识别删除迷途样本。

三、分层方式

1，通过计算机系统进行信号分层

2，人工指令分层

3，通过仪器设备进行测量，将数据进行分层

4，先归类，后按照一定的规则集合分层

3．详细描述数据融合的流程和方法

答：

数据融合是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理。

一、数据融合的流程：

分析数据融合目的和融合层次→→智能地选择合适的融合算法→→将空间配准的数据

（或提取数据的特征或模式识别的属性说明）进行有机合成→→准确表示或估计。

有时还

需要做进一步的处理，如"匹配处理"和"类型变换"等，以便得到目标的更准确表示或估计。

具体可分为：

1，特征级融合

经过预处理的数据→→特征提取→→特征级融合→→融合属性说明

2，像元级融合

经过预处理的数据→→数据融合→→特征提取→→融合属性说明

3，决策级融合

经过预处理数据→→特征提取→→属性说明→→属性融合→→融合属性说明二、数据融合方法：

1，代数法

主要包括：

加权融合法，单变量图象差值法，图象比值法

2，图像回归法

首先假定影像的像元值是另一影像的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去影像的原始像元值，从而获得二影像的回归残差图像。

经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正，因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。

3，主成分变换

也称为W-L变换，数学上称为主成分分析（PCA）。

PCT是应用于遥感诸多领域的一

种方法，包括高光谱数据压缩、信息提取与融合及变化监测等。

PCT使用相关系数阵或协

方差阵来消除原始数据的相关性，以达到去除冗余的目的。

对于融合后的数据来说各波段

的信息所作出的贡献能最大限度地表现出来。

4，K-T变换

即Kauth-Thomas变换，简称K-T变换，又形象地成为"缨帽变换。

它是线性变换的一种，它能使座标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外

的方向。

5，小波变换

小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。

小波变换是一种全局

变换，在时间域和频率域同时具有良好的定位能力，从而被誉为"数学显微镜"。

6，IHS变换

3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取

出物体的亮度I，色度H，饱和度S，它们分别对应3个波段的平均辐射强度、3个波段的

数据向量和的方向及3个波段等量数据的大小。

RGB颜色空间和IHS色度空间有着精确的

转换关系。

7，贝叶斯（Bayes）估计

8，D-S推理法

9，人工神经网络（ANN）

10，专家系统

4．详细描述递阶智能控制系统的优化算法模型

答：

递阶智能控制系统是在研究早期学习控制系统的基础上，从工程控制论角度总结人工智能和自适应控制、自学习控制和自组织控制的关系之后逐渐形成的，是智能控制的最早理论之一。

递阶智能控制系统结构图

如结构图所示，递阶智能控制系统可分为现场级、控制级、局部优化级、全局优化级四个部位。

具体优化算法：

现场级通过数据采集系统与分布式控制系统将现场状态信号传递给控制级，控制级通过聚合器将各个信号经过一个个子过程完成数据融合，并将融合估值反馈给局部优化级，局部优化级对数据进行决策后将信息反馈给全局优化级并对下一级传达指令，全局优化级通过知识库对数据进行比较、推理、排序。

预测之后作出决策，从而使整个系统总熵最小，实现全局最优。

5.比较模糊集合和普通集合的异同。

答：

集

异

同

合

普通集合

模糊集合

点

1，基本概念相同：

具有某种特定属性的对象的全体。

相同点

2，分类方法大致一样，如：

列举法，描述法，特征函数法

3，运算规律大致相同，如：

恒等律，交换律，结合律，分配律，吸收

律，同一律，对偶律

元素的范围有个清晰的界限

集合的界限是模糊的，不明确的

互补律仍然适用

互补律不适用于模糊集合

不同点

元素一定在集合里面

元素和集合之间直接没有绝对的隶属

关系

支撑集等概念是模糊集合所特有的

拥有更多的表示方法，如扎德表示法

6．确定“高智商”、“正常智商”和“低智商”的合理的隶属函数。

解：

①由互联网搜索，调查的“高智商”的范围如下表

1：

95—200

95—200

120—200

105—200

95—200

100—200

140—200

120—200

125—200

105—200

120—200

125—200

120—200

115—200

110—200

100—200

105—200

115—200

135—200

100—200

115—200

130—200

120—200

125—200

105—200

115—200

115—200

110—200

120—200

115—200

由上表可求出各点的隶属度如下：

u（95）=3/30=0.1u（100）=6/30=0.2

u（105）=10/30=0.333u（110）=12/30=0.4

u（115）=18/30=0.6u（120）=24/30=0.8

u（125）=27/30=0.9u（130）=28/30=0.933

u（135）=29/30=0.967u（140）=30/30=1

高智商曲线：

图1：

高智商曲线

隶属函数的确定:

把高智商曲线图与常用隶属函数相匹配，可知，高智商的隶属函数应是梯形隶属函数模型，如下：

0,x

（x-a）/（b-a）,a<=x

UA（x）=1,b<=x<=c

（d-x）/（d-c）,c

0,x>d

由高智商曲线知，a=90，b=140，c为无穷大，

所以高智商隶属函数为：

d无意义。

0,x<90

UA（x）=（x-90）/50,90<=x<140

1,140<=x

②由互联网搜索，调查的“正常智商”的范围如下：

75—100

70—105

75—110

80—100

80—120

85—120

90—120

70—100

80—115

85—115

90—120

90—120

95—120

90—120

90—115

80—115

70—120

80—110

80—115

85—120

80—110

80—110

75—105

85—120

95—120

75—115

85—120

80—120

90—115

95—120

由上表可求出各点的隶属度如下：

u（70）=3/30=0.1u（75）=6/30=0.2

u（80）=16/30=0.533u（85）=21/30=0.7

u（90）=27/30=0.9u（95）=30/30=1

u（100）=30/30=1u（105）=27/30=0.9

u（110）=25/30=0.833u（115）=21/30=0.7

u（120）=14/30=0.467

正常智商曲线：

图2：

正常智商曲线

隶属函数的确定:

把正常智商曲线图与常用隶属函数相匹配，可知，正常智商的隶属函数应是正态隶属函数模型，如下：

UA（x）=exp[-（（x-a）/b）2]

由正常智商曲线并计算知：

a=98，b=607

所以正常智商隶属函数为：

UA（x）=exp[-（（x-98）/607）2]

③由互联网搜索，调查的“低智商”的范围如下：

40—70

35—65

40—75

45—75

35—70

40—75

35—70

35—65

30—70

30—65

35—75

30—70

30—75

40—75

40—75

35—70

30—70

30—70

30—75

30—65

30—60

35—75

35—75

35—70

30—70

45—70

45—75

35—75

30—65

30—70

由上表可求出各点的隶属度如下：

u（30）=12/30=0.4u（35）=22/30=0.733

u（40）=27/30=0.9u（45）=30/30=1

u（50）=30/30=1u（55）=30/30=1

u（60）=30/30=1u（65）=29/30=