智能控制理論與技術(shù)試題教學內(nèi)容

一、 簡答題（

分，每小題

分）

智能控制由哪幾部分組成？各自的作用是什么？認知部分、規(guī)劃和控制部分、常規(guī)控制器及執(zhí)行器。其作用如下：不完全任務(wù)描述任務(wù)協(xié)調(diào) 混合知識表示規(guī)劃/控制感知信息處理常規(guī)控制過程各種傳感器 執(zhí)行器廣義對象

廣義對象：通常意義下的控制對象和所處的環(huán)境。

感知信息處理

：將傳感器得到的原始信息加以處理，并與內(nèi)部環(huán)境模型產(chǎn)生的期望信息進行比較，完成信息的獲取、辨識、整理及更新的功能。

認知部分：主要用來接收和存儲信息、知識、經(jīng)驗和數(shù)據(jù)，并對他們進行分析、推理做出行動的決策，送至規(guī)劃和控制部分。

規(guī)劃和控制部分

：是整個系統(tǒng)的核心，它根據(jù)給定的任務(wù)要動作規(guī)劃，最終產(chǎn)生具體的控制作用。

常規(guī)控制器及執(zhí)行器：作用于控制對象。

智能控制和傳統(tǒng)控制差異是什么？雜系統(tǒng)控制問題。符號來描述系統(tǒng)。沒有統(tǒng)一的性能指標，而主要關(guān)注其目的和行為是否達到。補短，而并非互相排斥。基于智能控制與傳統(tǒng)控制在應(yīng)用領(lǐng)域方面、制之中，智能控制也利用常規(guī)控制的方法來解決“低級”的控制問題，力圖擴充常規(guī)控制方法并建立一系列新的理論與方法來解決更具有挑戰(zhàn)性的復(fù)雜控制問題?？刂品桨缚刂七^程控制模型

傳統(tǒng)控制較精確的模型，固定的控制算法模型框架

智能控制仿人智能控制決策控制理論的方法和人工智能的靈活框架結(jié)合起來改變控制策略去適應(yīng)控制性能 缺乏靈活性和應(yīng)變能力 對象的復(fù)雜性和不確定性控制對象

線性、時不變，簡單系統(tǒng)

復(fù)雜，包括不確定性的控制過程

人工神經(jīng)元網(wǎng)絡(luò)的拓撲結(jié)構(gòu)主要有哪幾種？①

相鄰層中神經(jīng)元單向聯(lián)接，一般同層內(nèi)神經(jīng)元不能聯(lián)接。

前向網(wǎng)絡(luò)：只有前后相鄰兩層之間神經(jīng)元相互聯(lián)接，各神經(jīng)元之間沒有反饋。每個神經(jīng)元從前一層接收輸入，發(fā)送輸出給下一層。②

網(wǎng)狀結(jié)構(gòu)：網(wǎng)絡(luò)中任何兩個神經(jīng)元之間都可能雙向聯(lián)接。

反饋網(wǎng)絡(luò)：從輸出層到輸入層有反饋，每一個神經(jīng)元同時接收外來輸入和來自其它神經(jīng)元的反饋輸入，其中包括神經(jīng)元輸出信號引回自身輸入的自環(huán)反饋。混合型網(wǎng)絡(luò)：前向網(wǎng)絡(luò)的同一層神經(jīng)元之間有互聯(lián)的網(wǎng)絡(luò)。

設(shè)計智能控制系統(tǒng)的主要步驟有哪些；答：建立被控系統(tǒng)的模型；如果需要，可以簡化模型；分析模型，確定其性質(zhì)；確定性能指標；確定所采用的控制器類型；如果可能，設(shè)計控制器滿足性能指標；不能的話，修改性能指標或者拓寬控制器的類型。二、 計算題（

分）設(shè)論域

{

,

,

,

,

}，且

試求

, ,（補集）答：三、 作圖題（

分）

畫出以下應(yīng)用場合下適當?shù)碾`屬函數(shù)：（

附近的

是“正小”

足夠遠離

時， 我們才失去

是“正小”的信心；（b）我們相信

附近的

是“正大”，而對于遠離

的

我們很快 失去信心；（）隨著

從

向左移動，我們很快失去信心，而隨著

從

向 右移動，我們較慢失去信心。答：假設(shè)偏離 算足夠遠離，選擇鐘形隸屬度函數(shù)，參數(shù)設(shè)為：

，圖像如圖

所示。圖

鐘形隸屬度函數(shù)曲線（b）假設(shè)“很快失去信心”表示偏離 處隸屬度降為零，選擇三角形隸屬度函數(shù)，參數(shù)設(shè)為

，圖像如圖

所示。圖

三角形隸屬度函數(shù)曲線“（“很快失去信心”表示偏離 處隸屬度降為零，較慢失去“信心”表示偏離 設(shè)置為

，圖像如圖

所示。（）精確集合

（）精確集合

{

}

的隸屬函數(shù)；

畫出以下兩種情況的隸屬函數(shù)： （b）寫出單一模糊（

）隸屬函數(shù)的數(shù)學表達形式，并畫出隸屬函數(shù)圖。（答：

（

曲線如圖

所示。圖

梯形隸屬度函數(shù)曲線（b）單一模糊的數(shù)學表達式如下：隸屬度函數(shù)圖像如圖

所示：圖

單一模糊隸屬度函數(shù)曲線四、利用靜態(tài)多層前向人工神經(jīng)網(wǎng)絡(luò)（BP

網(wǎng)絡(luò)）（

分）

實現(xiàn)

結(jié)合

研究變學習因子算法對網(wǎng)絡(luò)收斂性能的影響

此時

神經(jīng)網(wǎng)絡(luò)用作逼近器，可以取圖

所示的結(jié)構(gòu)。圖中

為網(wǎng)絡(luò)的迭代次數(shù)，為逼近器的輸入，為實際輸出， 為

網(wǎng)絡(luò)的輸出。誤差信號作為網(wǎng)絡(luò)的調(diào)整信號。

對象BP

圖

神經(jīng)網(wǎng)絡(luò)逼近

BP

算法的學習過程由前向傳播和反向傳播組成。①

前向傳播：計算網(wǎng)絡(luò)的輸出隱層神經(jīng)元的輸入為：采用

形激發(fā)函數(shù)，隱層神經(jīng)元的輸出為：則輸出層神經(jīng)元的輸出為（輸出層采用線性激發(fā)函數(shù)）誤差信號為：誤差性能指標函數(shù)為：②

反向傳播：采用

學習算法，并引入動量項，調(diào)整各層權(quán)系數(shù)輸出層及隱層的連接權(quán)系數(shù) 學習算法為：式中

為學習速率， 。時刻網(wǎng)絡(luò)的權(quán)值為：式中

為動量因子， 。隱層及輸入層連接權(quán)值學習算法為：式中時刻網(wǎng)絡(luò)的權(quán)值為：

神經(jīng)網(wǎng)絡(luò)算法的計算流程如圖

所示，MATLAB代碼參見附錄。 否是圖

神經(jīng)網(wǎng)絡(luò)計算流程選擇的

網(wǎng)絡(luò)逼近器結(jié)構(gòu)為

，如圖

所示，含有一個隱層，其中有

個神經(jīng)元。wij Wjkx

yxj Xj’j圖

用于逼近的

網(wǎng)絡(luò)程序中各參數(shù)設(shè)置如下:學習速率 ；動量因子 ；隱層神經(jīng)元個數(shù) ；訓(xùn)練樣本數(shù) ；最大訓(xùn)練代數(shù) ；期望訓(xùn)練誤差 ；程序運行結(jié)果如圖

和

所示。圖

神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線從上圖中可以看出，

網(wǎng)絡(luò)的輸出曲線和理想輸出曲線基本重合，訓(xùn)練誤差在第二代就已經(jīng)達到目標要求。訓(xùn)練網(wǎng)絡(luò)時的輸入數(shù)據(jù)，結(jié)果如圖

所示。圖

網(wǎng)絡(luò)測試結(jié)果從上圖可以看出，網(wǎng)絡(luò)輸出特性十分糟糕。

網(wǎng)絡(luò)實現(xiàn)非線性函數(shù)逼近要達到的效果我想是這樣的：對于便會產(chǎn)生期望的輸出，而不需要再去調(diào)整權(quán)值了。按這樣的理解，上述輸出結(jié)果很差的原因可能有：

網(wǎng)絡(luò)結(jié)構(gòu)不合適。只要有足夠多的隱層和隱層節(jié)點，

網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系

個比較好的測試結(jié)果，如圖

所示。圖

正弦函數(shù)的測試結(jié)果（前

秒為測試數(shù)據(jù)）

學習算法還有待改進，網(wǎng)絡(luò)的學習算法為最速梯度下降法，這里引入了動量項加以改進。可以改進的措施還有：）變尺度法，它采用的是二階梯度法，相較于一階梯度法收斂要快，因而可以選擇更小的誤差進行訓(xùn)練；）變步長法，這種方法的學習速率在訓(xùn)練過程中可以自適應(yīng)地調(diào)整，以比較合適的學習速率逼近目標，也可以加快算法收斂速度。

MATLAB如果使用

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱逼近所需的非線性函數(shù)，可以輸入以下代碼：

be

=

=

=

*

*

+

*

*

*

*

=

=

=

=

=

*

*

+

*

*

*

*

=

所采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖

所示。圖

MATLAB默認的網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)為

，每個神經(jīng)元還有一個基權(quán)值b，學習算法為算法，可以得到如下結(jié)果：圖

網(wǎng)絡(luò)訓(xùn)練誤差變化曲線圖

網(wǎng)絡(luò)測試結(jié)果（前

秒為訓(xùn)練數(shù)據(jù)）可以看出在第

代算法收斂，對于訓(xùn)練過的數(shù)據(jù)，網(wǎng)絡(luò)能給出很好的輸出結(jié)果。

學習率越大，收斂越快，但是有可能導(dǎo)致振蕩甚至發(fā)散。對于手寫代碼，