智能控制习题答案 2Word文档下载推荐.docx
《智能控制习题答案 2Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《智能控制习题答案 2Word文档下载推荐.docx（25页珍藏版）》请在冰豆网上搜索。
3.传统的自动控制系统对控制任务的要求要么使输出量为定值（调节系统），要么使输出量跟随期望的运动轨迹（跟随系统），因此具有控制任务单一性的特点，而智能控制系统的控制任务可比较复杂。
4.传统的控制理论对线性问题有较成熟的理论，而对高度非线性的控制对象虽然有一些非线性方法可以利用，但不尽人意.而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。
5.与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。
6.与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。
7.与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。
8.与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。
4．把智能控制看作是AI（人工智能）、OR（运筹学）、AC（自动控制）和IT（信息论）的交集，其根据和内涵是什么?
智能控制具有明显的跨学科特点，在最早傅金孙提出的二元论中，智能控制系统被认为是自动控制与人工智能的交互作用，随着认识的深入，萨瑞迪斯提出运筹学融入智能控制而提出三元结构，蔡自兴教授提出将信息论引入智能控制，其依据在于：
信息论是解释知识和智能的一种手段；
控制论、信息论和系统论是紧密相连的；
信息论已经成为控制智能机器的工具；
信息论参与智能控制的全过程并对执行级起到核心作用，因此最终确定了智能控制的四元结构。
5．智能控制有哪些应用领域？
试举出一个应用实例，并说明其工作原理和控制性能。
智能控制应用于机器人、汽车、制造业、水下和陆地自助式车辆、家用电器、过程控制、电子商务、医疗诊断、飞行器、印刷、城市铁路、电力系统等领域。
例如焊接机器人其基本工作原理是示教再现，即由用户导引机器人，一步步按实际任务操作一遍，机器人在导引过程中自动记忆示教的每个动作的位置、姿态、运动参数、焊接参数等，并自动生成一个连续执行全部操作的程序。
完成示教后，只需给机器人一个起动命令，机器人将精确地按示教动作，一步步完成全部操作，实际示教与再现。
控制性能为：
弧焊机器人通常有五个自由度以上，具有六个自由度的弧焊机器人可以保证焊枪的任意空间轨迹和姿态。
点至点方式移动速度可达60m/min以上，其轨迹重复精度可达到±
0.2mm。
这种弧焊机器人应具有直线的及环形内插法摆动的功能，共六种摆动方式，以满足焊接工艺要求，机器人的负荷为5kg。
第二章模糊控制的理论基础
1．举例说明模糊性的客观性和主观性。
模糊性起源于事物的发展变化性，变化性就是不确定定性；
模糊性是客观世界的普遍现象，世界上许多的事物都具有模糊非电量的特点。
例如：
年龄分段的问题；
如果一个人的年龄大于60岁算老年，45-59岁之间的岁中年，小于44岁的就算青年；
如果一个人的年龄是59岁零11个月零28天，那么他是属于中年还是老年呢？
理论上从客观的角度说他是中年人，但是与60岁只有两天区别，这区别我们是分辨不出来的。
从主观上我们认为他又是老年人。
这就是模糊性的主观性和客观性的体现。
2．模糊性与随机性有哪些异同？
模糊性处于过渡阶段的事物的基本特征，是性态的不确定性，类属的不清晰性，是一种内在的不确定性；
而随机性是在事件是否发生的不确定性中表现出来的不确定性，而事件本身的性态和类属是确定的，是一种外在的不确定性。
相同点是：
模糊性是由于事物类属划分的不分明而引起的判断上的不确定性；
而随机性是由于天剑不充分而导致的结果的不确定性。
但是他们都共同表现出不确定性。
异同点是：
模糊性反映的是排中的破缺，而随机性反映的是因果律的破缺；
模糊性现象则需要运用模糊数学，随机性现象可用概率论的数学方法加以处理。
3．比较模糊集合与普通集合的异同。
模糊集合用隶属函数作定量描述，普通集合用特征函数来刻划。
两者相同点：
都属于集合，同时具有集合的基本性质。
两者异同点：
模糊集合就是指具有某个模糊还年所描述的属性的对象的全体，由于概念本身不是很清晰，界限分明的，因而对象对集合的隶属关系也不是明确的；
普通集合是指具有某种属性的对象的全体，这种属性所表达的概念应该是清晰的，界限分明的，因而每个对象对于集合的隶属关系也就是明确的。
。
4.考虑语言变量：
“Old”，如果变量定义为：
确定“NOTSoOld”，“VeryOld”，“MOREOrLESSOld”的隶属函数。
解：
5.已知存在模糊向量A和模糊矩阵R如下：
计算
6.令论域
，给定语言变量“Small”=1/1+0.7/2+0.3/3+0.1/4和模糊关系R=“Almost相等”定义如下：
利用max-min复合运算，试计算：
7.已知模糊关系矩阵：
计算R的二至四次幂。
8.设有论域
，二维模糊条件语句为“若A且B则C”，其中
已知
由关系合成推理法，求得推理结论
令R表示模糊关系，则
.
将
按行展开写成列向量为
所以，
.又因为
，
，将
按行展开写成行向量，为
，则
即
9.已知语言变量x，y，z。
X的论域为{1,2,3}，定义有两个语言值：
“大”＝{0,0.5,1}；
“小”={1,0.5,0}。
Y的论域为{10,20,30,40,50}，语言值为：
“高”={0,0,0,0.5,1}；
“中”={0,0.5,1,0.5,0};
“低”={1,0.5,0,0,0}。
Z的论域为{0.1,0.2,0.3}，语言值为：
“长”={0,0.5,1}；
“短”={1,0.5,0}
则：
1）试求规则：
如果x是“大”并且y是“高”那么z是“长”；
否则，如果x是“小”并且y是“中”那么z是“短”。
所蕴涵的x，y，z之间的模糊关系R。
2）假设在某时刻，x是“略小”={0.7,0.25,0}，y是“略高”={0,0,0.3,0.7,1}
试根据R分别通过Zadeh法和Mamdani法模糊推理求出此时输出z的语言取值。
第三章模糊控制
1.模糊控制器有哪几部分组成？
各完成什么功能？
1:
模糊控制器由四个部分组成，这四个功能模块是模糊化、知识库、模糊推理和去模糊化。
（1）模糊化：
为实现模糊控制而将精确的输入量进行模糊化处理，是将精确量转化为模糊量的过程。
模糊化模块在不同的阶段有不同的作用：
a、确定符合模糊控制器要求的输入量和输出量。
b、对输入输出变量进行尺度变换，使之落于各自的论域范围内。
c、对已经论域变换的输入量进行模糊化处理，包括模糊分割和隶属函数的确定。
（2）知识库：
知识库通常由数据库和规则库组成，包含了具体应用领域的知识和要求。
其中，数据库主要包含输入输出变量的初度变换因子、输入输出空间的模糊分割以及模糊变量的模糊取值及相应的隶属度函数选择和形状等方面的内容。
规则库包含了用模糊语言描述专家的经验知识，来表示一系列控制规则。
它们反映了控制专家的经验和知识。
（3）模糊推理：
是一种近似推理，根据模糊控制规则库和当前系统状态推断出应施加的控制量的过程，由推理机完成。
（4）去模糊化：
由于控制器输出到具体地执行机构的信号必须是清晰的精确量。
因此，需要一个与输入模糊化相反的过程，即把模糊推理结果转变成清晰量，它实现从输出论域上输出模糊空间到输出精确空间的映射。
2.模糊控制器设计的步骤怎样？
2：
模糊控制器设计的步骤如下：
（1）：
输入变量和输出变量的确定。
（2）：
输入输出变量的论域和模糊分割，以及包括量化因子和比例因子在内的控制参数的选择。
（3）：
输入变量的模糊化和输出变量的清晰化。
（4）：
模糊控制规则的设计以及模糊推理模型的选择。
（5）：
模糊控制程序的编制。
3.清晰化的方法有哪些？
3：
清晰化的方法一般有四种：
最大隶属度法：
这种方法将模糊推理得到的结论中最大隶属度值最对应的元素作为控制器输出的精确值，如果有多个最大点，则取其平均值。
加权平均法：
这种方法是指以各条规则的前件和输入的模糊集按一定法则确定的值为权值，并对后件代表值加权平均计算输出的清晰值的方法。
面积等分法：
把输出的模糊集合所对应的隶属函数与横坐标之间围成的面子分成两部分，那么该方法得到的精确值应满足使该两部分的面积相等。
由于Tsukamoto模型和Takagi-Sugeno模型输出本身就是清晰量，则不需要去模糊化。
4.已知某一炉温控制系统，要求温度保持在600度恒定。
针对该控制系统有一下控制经验：
（1）若炉温低于600度，则升压；
低得越多升压就越高。
（2）若炉温高于600度，则降压；
高得越多降压就越低。
（2）若炉温等于600度，则保持不变。
设计模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。
输入、输出变量的量化等级为7级，取5个模糊集。
设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。
定义理想温度点的温度为
实际测量温度为
，温度差为
以为输入、输出变量的量化等级均为7级，5个模糊集，则
误差
变化划分表为：
隶属度
变化等级
-3
-2
-1
1
2
3
模
糊
集
PB
0.5
PS
ZE
NS
NB
控制电压
根据一上两表设计一下模糊规则：
若
负大，则
正大；
负小，则
正小；
为0，则
为0；
正小，则
负小；
正大，则
负大。
模糊控制规则表为：
若（if）
NLe
NSe
0e
PSe
PLE
则（then）
NLu
NSU
0u
PSu
PLu
第四章神经网络基础
1、生物神经元模型的结构功能是什么？
生物神经元结构：
（1）、细胞体：
由细胞核、细胞质和细胞膜等组成。
（2）、树突：
胞体上短而多分枝的突起。
相当于神经元的输入端，接受传入的神经冲动。
（3）、轴突：
胞体上最长枝的突起，也称神经纤维。
端部有很多神经末稍传出神经冲动。
（4）、突触：
神经元间的连接接口，每个神经元约有1万~10万个突触。
神经元通过其轴突的神经末稍，经突触与另一神经元的树突联接，实现信息的传递。
由于突触的信息传递特性是可变的，形成了神经元间联接的柔性，称为结构的可塑性。
（5）、细胞膜电位：
神经细胞在受到电的、化学的、机械的刺激后，能产生兴奋，此时，细胞内外有电位差，称膜电位。
电位膜内为正，膜外为负。
生物神经元功能：
（1）、兴奋与抑制
当传入神经元的冲动，经整合，使细胞膜电位升高，超过动作电位的阈值时，为兴奋状态，产生神经冲动，由轴突经神经末稍传出。
当传入神经元的冲动，经整合，使细胞膜电位降低，低于阈值时，为抑制状态，不产生神经冲动。
（2）、学习与遗忘
由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此，神经元有学习与遗忘的功能。
2、人工神经元模型的特点是什么？
人工神经元模型的特点：
（1）、神经元及其联接；
（2）、神经元间的联接强度决定信号传递的强弱；
（3）、神经元间的联接强度是可以随训练改变的；
（4）、信号是可以起刺激作用的，也可以起抑制作用；
（5）、一个神经元接受的信号的累积效果决定该神经元的状态；
（6）、每个神经元可以有一个“阈值”。
3、人工神经网络的特点是什么？
如何分类？
人工神经网络的特点：
（1）、非线性
（2）、分布处理（3）、学习并行和自适应（4）、数据融合（5）、适用于多变量系统
（6）、便于硬件实现
人工神经网络的分类：
根据神经网络的连接方式，神经网络可分为三种形式：
（1）、前向网络：
神经元分层排列，组成输入层、隐含层和输出层。
每一层的神经元只接受前一层神经元的输入。
输入模式经过各层顺次的变换后，由输出层输出。
在各神经元间不存在反馈。
感知器和误差反向传播网络采用前向网络形式。
（2）、反馈网络：
该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。
这种神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。
（3）、自组织网络：
当神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的响应特征，即不同的神经元以最佳方式响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。
这种映射是通过无监督的自适应过程完成的，所以也称为自组织特征图。
4、有哪几种常用的神经网络学习算法？
常用的神经网络学习算法：
（1）、有教师学习：
在学习过程中，网络根据实际输出与期望输出的比较，进行联接权系的调整，将期望输出称导师信号是评价学习的标准。
（2）、无教师学习：
无导师信号提供给网络，网络能根据其特有的结构和学习规则，进行联接权系的调整，此时网络学习评价的标准隐含于其内部。
（3）、再励学习:
把学习看为试探评价过程，学习及选择一动作作用于环境，环境的状态改变，并产生再励信号反馈至学习机，学习机依据再励信号与环境当前的状态，再选择下一动作作用于环境，选择的原则是使受到奖励的可能性增大。
（4）、Hebb学习规则
（5）、Delta学习规则
第五章典型神经网络
1、BP算法的特点是什么？
增大权值是否能够使BP学习变慢？
误差反向传播的BP算法简称BP算法，是有导师的学习，其基本思想是梯度下降法。
它采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差均方值为最小。
学习的过程由正向传播和反向传播组成，在正向过程中，输入信息由输入层经隐层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转至反向传播，将误差信号按连接通路反向计算，由梯度下降法来调整各层神经元的权值，使误差信号减小。
主要优点：
（1）非线性映射能力：
无需事先了解描述这种映射关系的数学方程，只要提供足够多的样本模式对BP网络进行详细训练，它便能完成由n维输入空间到m输出空间的非线性映射。
（2）泛化能力：
当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射，这种能力称为多层前馈网络的泛化能力。
（3）容错能力：
输入样本中带有较大的误差，甚至个别错误对网络的输入输出规律影响很小。
标准的BP算法内在的缺陷：
（1）易形成局部极小而得不到全局最优；
（2）训练次数多使得学习效率低，收敛速度慢；
（3）隐节点的选取缺乏理论指导；
（4）训练时学习新样本有遗忘旧样本的趋势。
增大权值不一定能够使BP学习变慢，由BP权值修正的原理可知，权值调整公式可汇总如下：
2、为什么说BP网络是全局逼近的，而RBF网络是局部逼近的？
它们各有突出的特点是什么？
BP网络的活化函数为S函数，其值在输入空间中无限大的范围内为非零值，因而是全局逼近的神经网络。
其突出特点如下：
1、是一种多层网络化，包括输入层、隐含层和输出层；
2、层与层之间采用全互联方式，同一层神经元不连接；
3、权值通过delta学习算法进行调节；
4、神经元活化（激发）函数为S函数；
5、学习算法由正向算法和反向算法组成；
6、层与层之间的连接时单向的，信息的传播史双向的。
RBF网络的活化函数为高斯基函数，其值在输入空间中有限范围内为非零值，并且RBF神经网络的神经元具有局部逼近的神经网络。
其输出特点如下：
1、RBF径向基函数是局部的，学习速度快；
2、已证明RBF网络具有唯一最佳逼近的特性，且无局部最小；
3、在函数创建过程中可以自动增加隐含层的神经元个数，直到满足均方差要求为止无需单独的代码来训练函数，网络的创建过程就是训练过程。
4、RBF网络用于非线性系统辨识与控制中，虽具有唯一最佳逼近特性，且无局部最小的优点，避免去确定隐层和隐层点数，网络可以根据具体问题自适应的调整，因此适应性更好。
3、何为神经网络的泛化能力？
影响泛化能力的因素有哪些？
泛化能力（综合能力、概括能力）：
用较少的样本进行训练，是网络能在给定的区域内达到要求的精度。
所以没有泛化能力的网络没有使用价值。
影响泛化能力的因素：
1、样本；
2、结构；
3、初始权值4、训练样本集；
5、需测试集。
4.已知一个非线性函数
，试用三层BP网络逼近输出y，画出网络的结构，写出网络各层节点的表达式以及各层节点输出值的范围。
非线性函数
画出三层BP网络的结构图
由输入得到两个隐节点、一个输出层节点的输出，输入层不考虑阈值
两个隐节点、一个输出层节点输出为
活化函数选择S型函数
如教材例6.1，取第一个输入、输出神经元与各隐含神经元的连接权均为1，第二个输入、输出神经元与各隐含层单元的连接权为2.则
由上式可得
第六章高级神经网络
1.PID控制器的一般形式为
，也可写成等价形式
，其中
为PID控制器
三个参数的线性表示。
这一形式可以看成以
为输入，
为权系数的神经网络结构，试推导出自适应神经网络PID控制器参数调整的学习算法。
自适应神经网络PID控制器结构如下图所示：
由图可知：
控制器由两部分组成，分别为常规PID控制和神经网络。
其中，常规PID直接对被控对象进行闭环控制，并且其控制参数kp、ki、kd为在线调整方式；
神经网络根据系统的运动状态，调节PID控制器的参数，使输出层神经元的输出对应于PID控制器的三个可调参数。
学习算法如下：
首先确定神经网络的结构，即确定输入节点数和隐含层节点数，并给出各层加权系数的初值w1和w2，并选定学习速率和惯性系数，令k=1；
采样得到r（k）和y（k）,计算当前时刻误差r（k）-y（k）；
计算各神经网络的输入和输出，其输出层的输出即为PID控制器的三个控制参数kp、ki、kd并计算PID控制器的输出进行神经网络学习，在线调整加权系数，实现PID控制参数的自适应调整；
令k=k1,进行上述步骤。
网络各层输入输出算法：
第八章专家控制
1.什么叫产生式系统？
它由哪些部分组成？
试举例略加说明。
如果满足某个条件，那么就应当采取某些行动，满足这种生产式规则的专家系统成为产生式系统。
产生式系统主要由总数据库，产生式规则和推理机构组成。
举例：
医疗产生式系统。
2.专家系统有哪些部分构成？
各部分的作用如何？
专家系统它具体有哪些特点和优点？
知识库：
知识库是知识的存储器，用于存储领域专家的经验性知识以及有关的事实、一般常识等。
知识库中的知识来源于知识获取机构，同时它又为推理提供求解问题所需的知识。
推理机：
推理机时专家系统的思维机构，实际上是求解问题的计算机软件系统，综合推理机的运行可以有不同的控制策略。
数据库：
它是用于存放推理的初始证据、中间结果以及最终结果等的工作存储器。
解释接口：
它把用户输入的信息转换成系统内规范化的表现形式，然后交给相应的模块去处理，把系统输出的信息转换成用户易于理解的外部形式显示给用户，回答提出的问题。
知识获取：
知识获取是指通过人工方法或机器学习的方法，将某个领域内的事实性知识和领域专家所特有的经验性知识转化成计算机程序的过程。
对知识库的修改和
升级会员 