智能控制考试题库文档格式.docx

智能控制考试题库文档格式.docx

《智能控制考试题库文档格式.docx》由会员分享，可在线阅读，更多相关《智能控制考试题库文档格式.docx（11页珍藏版）》请在冰豆网上搜索。

5、神经网络在智能控制中的应用主要有神经网络辨识技术和神经网络控制技术。

6、在一个神经网络中，常常根据处理单元的不同处理功能，将处理单元分成输入单元、输出单元和隐层单元三类。

7、分级递阶控制系统：

主要有三个控制级组成，按智能控制的高低分为组织级、协调级、执行级，并且这三级遵循“伴随智能递降精度递增”原则。

传统控制方法包括经典控制和现代控制，是基于被控对象精确模型的控制方式，缺乏灵活性和应变能力，适于解决线性

、时不变性等相对简单的控制。

智能控制的研究对象具备以下的一些特点：

不确定性的模型、高度的非线性、复杂的任务要求。

IC（智能控制）=AC（自动控制）∩AI（人工智能）∩OR（运筹学）

AC：

描述系统的动力学特征，是一种动态反馈。

AI：

是一个用来模拟人思维的知识处理系统，具有记忆、学习、信息处理、形式语言、启发推理等功能。

OR：

是一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等。

智能控制：

即设计一个控制器，使之具有学习、抽象、推理、决策等功能，并能根据环境信息的变化作出适应性，从而实现由人来完成的任务。

智能控制的几个重要分支为模糊控制、神经网络控制和遗传算法。

智能控制的特点：

1，学习功能2，适应功能3，自组织功能4，优化功能

智能控制的研究工具：

1，符号推理与数值计算的结合2，模糊集理论3，神经网络理论4，遗传算法5，离散事件与连续时间系统的结合。

智能控制的应用领域，例如智能机器人控制、计算机集成制造系统、工业过程控制、航空航天控制和交通运输系统等。

10、专家系统：

是一类包含知识和推理的智能计算机程序，其内部包含某领域专家水平的知识和经验，具有解决专门问题的能力。

11、专家系统的构成：

由知识库和推理机（知识库由数据库和规则库两部分构成）

18、专家控制的特点：

灵活性、适应性和鲁棒性。

19、模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法。

，它从行为上模仿人的模糊推理和决策过程。

20、模糊控制理论具有一些明显的特点：

1，模糊控制不需要被控对象的数学模型2，模糊控制是一种反映人类智慧的智能控制方法3，模糊控制易于被人们接受4，构造容易5，鲁棒性和适应性好。

22、模糊逻辑中有哪些运算？

（列出5种）为什么模糊输出向量要进行解模糊计算？

1相等 

2包含 

3并运算 

4交运算 

5补运算 

因为所获得的推理结果是一个模糊矢量，不能直接用来作为控制量，还必须进行一次转换，求得清晰的控制量输出，即为解模糊计算。

23、Zadeh近似推理方法包含正向推理和逆向推理两类。

24、模糊控制器的设计步骤：

1，确定模糊控制器的结构2，定义输入输出模糊集3，定义隶属函数4，建立模糊控制规则5，建立模糊控制表6，模糊推理7，反模糊化

25、模糊控制系统可划分为单变量模糊控制和多变量模糊控制。

26、神经网络的发展经历了4个阶段：

启蒙期、低潮期、复兴期和新连接机制时期。

27、神经元由四部分构成：

细胞体、树突、轴突、突触。

28、从生物控制论的观点来看，神经元具有以下功能和特性：

兴奋与抑制、学习与遗忘和结构可塑性。

29、神经网络的分类：

1，前向网络2，反馈网络3，自组织网络

30、神经网络特征：

1，能逼近任意非线性函数2，信息的并行分布式处理与存储3，可以多输入，多输出4，便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现5，能进行学习，以适应幻境的变化。

31、神经网络三要素：

神经元的特性、神经元之间相互连接的拓扑结构、为适应幻境而改善性能的学习规则。

32、神经网络的研究领域：

1，机遇神经网络的系统辨识2，神经网络控制器3，神经网络与其他算法相结合4，优化算法

二、判断题：

（每题1分，共10分）

对反馈网络而言，稳定点越多，网络的联想与识别能力越强，因此，稳定点的数据目越多联想功能越好。

（错）

简单感知器仅能解决一阶谓词逻辑和线性分类问题，不能解决高阶谓词和非线分类问题。

（对）

BP算法是在无导师作用下，适用于多层神经元的一种学习，它是建立在相关规则的基础上的。

在误差反传训练算法中，周期性函数已被证明收敛速度比S型函数慢。

基于BP算法的网络的误差曲面有且仅有一个全局最优解。

对于前馈网络而言，一旦网络的用途确定了，那么隐含层的数目也就确定了。

对离散型HOPFIELD网络而言，如权矩阵为对称阵，而且对角线元素非负，那么网络在异步方式下必收敛于下一个稳定状态。

对连续HOPFIELD网络而言，无论网络结构是否对称，都能保证网络稳定。

竞争学习的实质是一种规律性检测器，即是基于刺激集合和哪个特征是重要的先验概念所构造的装置，发现有用的部特征。

人工神经元网络和模糊系统的共同之处在于，都需建立对象的精确的数学模型，根据输入采样数据去估计其要求的决策，这是一种有模型的估计。

智能控制与传统控制的特点。

传统控制：

经典反馈控制和现代理论控制。

它们的主要特征是基于精确的系统数学模型的控制。

适于解决线性、时不变等相对简单的控制问题。

以上问题用智能的方法同样可以解决。

智能控制是对传统控制理论的发展，传统控制是智能控制的一个组成部分，在这个意义下，两者可以统一在智能控制的框架下。

智能控制系统的结构一般有哪几部分组成，它们之间存在什么关系？

答：

智能控制系统的基本结构一般由三个部分组成：

人工智能（AI）：

是一个知识处理系统，具有记忆、学习、信息处理、形式语言、启发式推理等功能。

自动控制（AC）：

描述系统的动力学特性，是一种动态反馈。

运筹学（OR）：

智能控制的基本特点 

（1）分层递阶的组织结构；

（2）多模态控制 

；

（3）自学习能力 

（4）自适应能力 

（5）自组织能力 

（6） 

优化能力

试画出三层BP网络结构图，并阐述BP网络算法的进本思想，最后论述对BP网络算法的改进。

参考答案：

学习的基本思想是：

误差反传算法调整网络的权值，使网络的实际输出尽可能接近期望的输出。

改进1：

增加动量项：

提出的原因：

标准BP算法只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。

基本思想：

从前一次权值调整量中取出一部分迭加到本次权值调整量中。

其作用是动量项反映了以前积累的调整经验，对于t时刻的调整起阻尼作用。

当误差曲面出现骤然起伏时，可减小振荡趋势，提高训练速度。

改进2：

自适应调节学习率：

标准BP算法中，学习率η也称为步长，确定一个从始至终都合适的最佳学习率很难。

平坦区域内，η太小会使训练次数增加；

在误差变化剧烈的区域，η太大会因调整量过大而跨过较窄的“坑凹”处，使训练出现振荡，反而使迭代次数增加。

自适应改变学习率，使其根据环境变化增大或减小。

改进3：

引入陡度因子：

误差曲面上存在着平坦区域。

权值调整进入平坦区的原因是神经元输出进入了转移函数的饱和区。

如果在调整进入平坦区后，设法压缩神经元的净输入，使其输出退出转移函数的不饱和区，就可以改变误差函数的形状，从而使调整脱离平坦区。

一、比较智能控制与传统控制的区别。

传统控制方法包括经典控制和现代控制，是基于被控对象精确模型的控制方式，缺乏灵活性和应变能力，适于解决、线性、时不变性等相对简单的控制。

智能控制是控制理论发展的高级阶段，其核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。

它主要用来解决那些传统控制方法难以解决的复杂系统的控制问题。

二、智能控制系统的结构一般有哪几部分组成，它们之间存在什么关系？

三、智能控制系统有哪些类型，各自的特点是什么？

1）、专家控制系统

专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验。

它具有启发性、透明性、灵活性、符号操作、不一确定性推理等特点。

2）、神经控制系统

神经网络具有某些智能和仿人控制功能。

学习算法是神经网络的主要特征。

3）、模糊控制系统

在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。

4）遗传算法

遗传算法是以达尔文的自然选择学说为基础发展起来的，模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。

四、模糊控制器的组成？

五、神经网络分类、特点、区别？

根据神经网络的连接方式，神经网络可分为：

1）前向网络：

神经元分层排列，组成输入层、隐含层、输出层。

每一层的神经元只接受前一层神经元的输入。

在各神经元之间不存在反馈。

2）反馈网络：

该网络是一种反馈动力学习系统，需要工作一段时间才能达到稳定。

3）自组织网络：

神经网络在接受外界输入时，网络将会分成不同的区域，不同的区域具有不同的响应特性，即不同的神经元以最佳方式相应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。

六、神经网络控制按结构分类，特点？

1）神经网络监督控制：

不仅可以确保控制系统的稳定系和鲁棒性，而且可有效的提高系统的精度和自适应能力。

2）神经网络直接逆控制：

神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。

由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。

3）神经网络自适应控制：

分为神经自校正控制和神经网络模型参考自适应控制两种。

4）神经网络内模控制：

内模控制是一种基于模型逆的控制方法，其设计思路是将对象模型与实际对象相并联，控制器逼近模型的动态逆。

5）神经网络预测控制：

其特征是预测模型、滚动优化和反馈校正。

6）神经网络自适应评判控制：

神经网络自适应评判控制通常由自适应