智能控制完整版本

智能控制7/76月27號晚27-2021、智能控制:即設計一個控制器（或系統(tǒng)），使之具有學習、抽象、推理、決策等功能，并能根據(jù)環(huán)境（包括被控對象或被控過程）信息的變化做出適應性反應，可以有各種人工智能的水平，從而實現(xiàn)由人來完成的任務。2、智能控制由哪幾部分組成？各自的特點是什么？①模糊控制（通過模擬人腦的思維方法設計控制器，可實現(xiàn)復雜系統(tǒng)的控制）

②神經(jīng)網(wǎng)絡控制（從機理上對人腦生理系統(tǒng)進行簡單結構的模擬，具有并行機制、模式識別、記憶和自學習能力的特點，能充分逼近任意復雜的非線性系統(tǒng)，能夠學習與適應不確定系統(tǒng)的動態(tài)特性，有很強的魯棒性和容錯性）

③遺傳算法（可用于模糊控制規(guī)則的優(yōu)化及神經(jīng)網(wǎng)絡參數(shù)及權值的學習）3、比較智能控制和傳統(tǒng)控制的特點傳統(tǒng)控制和智能控制的主要區(qū)別：

①傳統(tǒng)控制方法在處理復雜化和不確定性問題方面能力很低；智能控制在處理復雜性、不確定性方面能力較高。智能控制系統(tǒng)的核心任務是控制具有復雜性和不確定性的系統(tǒng)，而控制的最有效途徑就是采用仿人智能控制決策。

②傳統(tǒng)控制是基于被控對象精確模型的控制方式；智能控制的核心是基于知識進行智能決策，采用靈活機動的決策方式迫使控制朝著期望的目標逼近。傳統(tǒng)控制和智能控制的統(tǒng)一：

智能控制擅長解決非線性、時變等復雜控制問題，而傳統(tǒng)控制適于解決線性、時不變等相對簡單的控制問題。

智能控制的許多解決方案是在傳統(tǒng)控制方案基礎上的改進，因此，智能控制是對傳統(tǒng)控制的擴充和發(fā)展，傳統(tǒng)控制是智能控制的一個組成部分。

在這個意義上，傳統(tǒng)控制和智能控制可以統(tǒng)一在智能控制的框架下，而不是被智能控制所取代。智能控制研究對象的特點：(1)不確定性的模型(2)高度的非線性(3)復雜的任務要求智能控制的特點：(1)分層遞階的組織結構(2)自學習能力(3)自適應能力(4)自組織能力(5)優(yōu)化能力4、專家系統(tǒng)：是一類包含著知識和推理的智能計算機程序，其內(nèi)部含有大量的某個領域的專家水平的知識和經(jīng)驗，具有解決專門問題的能力。專家控制：是將專家系統(tǒng)的理論和技術同控制理論、方法與技術相結合，在未知環(huán)境下，仿效專家的經(jīng)驗，實現(xiàn)對系統(tǒng)的控制。5、專家控制與專家系統(tǒng)的區(qū)別：

①專家系統(tǒng)能完成專門領域的功能，輔助用戶決策；專家控制能進行獨立的、實時的自動決策。專家控制比專家系統(tǒng)對可靠性和抗干擾有著更高的要求。

②專家系統(tǒng)處于離線工作方式，而專家控制要求在線獲取反饋信息，即要求在線工作方式。6、專家控制器的分類

①直接型專家控制器：用于取代常規(guī)控制器，直接控制。具有模擬操作人工智能的功能。該控制器的任務和功能相對比較簡單，但需要在線、實時控制。②間接型專家控制器：用于和常規(guī)控制器相結合，間接控制。具有模擬控制工程師智能的功能。該控制器能夠實現(xiàn)優(yōu)化適應、協(xié)調(diào)、組織等高層決策的智能控制。通常優(yōu)化型、適應型專家控制器需要在線、實時、聯(lián)機運行；協(xié)調(diào)型、組織型專家控制器可以離線、非實時運行，作為相應的計算機輔助系統(tǒng)。7、正向推理（推理機的工作過程如下：①推理機將知識庫中的規(guī)則前提與這些事實進行匹配；一般是將每條規(guī)則的<前提>取出來，驗證這些前提是否在數(shù)據(jù)庫中，若都在，則匹配成功；不然的話，則取下一條規(guī)則進行匹配。②把匹配成功的規(guī)則的<結論>作為新的事實添加到綜合數(shù)據(jù)庫中。③用更新后的綜合數(shù)據(jù)庫中的事實，重復上面兩個步驟，直到某個事實就是意想中的結論或是不再有新的事實產(chǎn)生為止。）例：農(nóng)產(chǎn)品專家系統(tǒng)

規(guī)則庫：

R1:IF食物為綠色=TURETHEN它是農(nóng)產(chǎn)品=TURE.

R2:IF食物為精包裝=TURETHEN它是高檔食品=TURE.

R3:IF食物為冷凍食品或農(nóng)產(chǎn)品=TURETHEN它是易壞食品=TURE.

R4:IF食物重5KG且價廉又不易壞食品=TURETHEN它是家庭通用食品=TURE.

R5:IF食品易壞,食物重5KG=TURETHEN它是牛肉=TURE.

R6:IF食物重5KG,且為農(nóng)產(chǎn)品=TURETHEN它是西瓜=TURE.

數(shù)據(jù)庫初始值為“食物為綠色，重5KG”正向推理過程

（1）第一次匹配，R1觸發(fā)，綜合數(shù)據(jù)庫更新數(shù)據(jù)為W1“它是農(nóng)產(chǎn)品，食物為綠色，重5KG”；

（2）以W1為匹配數(shù)據(jù)，第二次匹配，R1、R3、R6觸發(fā)，R1已執(zhí)行，將其刪除，執(zhí)行R3，綜合數(shù)據(jù)庫更新數(shù)據(jù)為W2“它是農(nóng)產(chǎn)品，易壞食品，食物為綠色，重5KG”

（3）以W2為匹配數(shù)據(jù)，第三次匹配，R1、R3、R5、R6觸發(fā)，R1、R3已執(zhí)行，將它們刪除，執(zhí)行R5，綜合數(shù)據(jù)庫更新數(shù)據(jù)為W3“它是農(nóng)產(chǎn)品，它是牛肉，易壞食品，食物為綠色，重5KG”，得出結論是牛肉，與事實相違，此步因R5的不精確導致推理出錯；

（4）重復以W2為匹配數(shù)據(jù)，第三次匹配，R1、R3、R5、R6觸發(fā)，R1、R3、R5刪除，執(zhí)行R6，綜合數(shù)據(jù)庫更新數(shù)據(jù)為W4“它是農(nóng)產(chǎn)品，它是西瓜，易壞食品，食物為綠色，重5KG”；

（5）以W4為匹配數(shù)據(jù)，第四次匹配，R1、R3、R5、R6觸發(fā)，R1、R3、R5、R6都已執(zhí)行，全部刪除，所有規(guī)則匹配完畢，所以綜合數(shù)據(jù)庫W4“它是農(nóng)產(chǎn)品，它是西瓜，易壞食品，食物為綠色，重5KG”，得到問題的求解。8、寬度優(yōu)先搜索方法：搜索的節(jié)點是一層一層地檢查的，只有在上一層的每一個節(jié)點都檢查完畢之后，這一層的節(jié)點才能開始檢查，也就是說，節(jié)點的擴展是按它們接近起始節(jié)點的程度依次進行的。深度優(yōu)先搜索方法就是按“最晚產(chǎn)生（最深的）節(jié)點優(yōu)先擴展”的搜索方法，深度相等的節(jié)點其順序可以任意排列。也就是總是向親代到子代方向進行，直到不得不返回追蹤的搜索。從樹的觀點看，不是從左枝開始，就是從右枝開始。9、人工神經(jīng)網(wǎng)絡是模擬人腦思維方式的數(shù)學模型。神經(jīng)網(wǎng)絡是在現(xiàn)代生物學研究人腦組織成果的基礎上提出的，用來模擬人類大腦神經(jīng)網(wǎng)絡的結構和行為。神經(jīng)網(wǎng)絡反映了人腦功能的基本特征，如并行信息處理、學習、聯(lián)想、模式分類、記憶等。10、根據(jù)神經(jīng)網(wǎng)絡的連接方式，神經(jīng)網(wǎng)絡可分為3種形式：

（1）前向網(wǎng)絡:每一層的神經(jīng)元只接受前一層神經(jīng)元的輸入。輸入模式經(jīng)過各層的順次變換后，由輸出層輸出。在各神經(jīng)元之間不存在反饋。感知器和誤差反向傳播網(wǎng)絡采用前向網(wǎng)絡形式。

（2）反饋網(wǎng)絡:該網(wǎng)絡結構在輸出層到輸入層存在反饋。需要工作一段時間才能達到穩(wěn)定。Hopfield神經(jīng)網(wǎng)絡是其最典型的模型，它具有聯(lián)想記憶的功能

(3)自組織網(wǎng)絡:Kohonen網(wǎng)絡是最典型的自組織網(wǎng)絡。不同的神經(jīng)元以最佳方式響應不同性質的信號激勵，從而形成一種拓撲意義上的特征圖，該圖實際上是一種非線性映射。這種映射是通過無監(jiān)督的自適應過程完成的。11、神經(jīng)網(wǎng)絡的學習算法按有無導師分類：①有導師學習，網(wǎng)絡的輸出和期望的輸出（即教師信號）進行比較，然后根據(jù)兩者之間的差異調(diào)整網(wǎng)絡的權值，最終使差異變小。②無導師學習，輸入模式進入網(wǎng)絡后，網(wǎng)絡按照一預先設定的規(guī)則（如競爭規(guī)則）自動調(diào)整權值，使網(wǎng)絡最終具有模式分類等功能。③再勵學習，是介于上述兩者之間的一種學習方式。12、BP網(wǎng)絡的優(yōu)缺點

BP網(wǎng)絡的優(yōu)點為：

（1）只要有足夠多的隱層和隱層節(jié)點，BP網(wǎng)絡可以逼近任意的非線性映射關系；

（2）BP網(wǎng)絡的學習算法屬于全局逼近算法，具有較強的泛化能力。

（3）BP網(wǎng)絡輸入輸出之間的關聯(lián)信息分布地存儲在網(wǎng)絡的連接權中，個別神經(jīng)元的損壞只對輸入輸出關系有較小的影響，因而BP網(wǎng)絡具有較好的容錯性。

BP網(wǎng)絡的主要缺點為：

（1）待尋優(yōu)的參數(shù)多，收斂速度慢；

（2）目標函數(shù)存在多個極值點，按梯度下降法進行學習，很容易陷入局部極小值；

（3）難以確定隱層及隱層節(jié)點的數(shù)目。目前，如何根據(jù)特定的問題來確定具體的網(wǎng)絡結構尚無很好的方法，仍需根據(jù)經(jīng)驗來試湊。13、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡是具有單隱層的三層前饋網(wǎng)絡。由于它模擬了人腦中局部調(diào)整、相互覆蓋接收域的神經(jīng)網(wǎng)絡結構，因此，RBF網(wǎng)絡是一種局部逼近的神經(jīng)網(wǎng)絡，已證明它能以任意精度逼近任意連續(xù)函數(shù)。14、BP算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱層逐層處理，并傳向輸出層，每層神經(jīng)元（節(jié)點）的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉至反向傳播，將誤差信號（理想輸出與實際輸出之差）按聯(lián)接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權值，使誤差信號減小。

（待補全）15、如圖給出了一個單層感知器。

（1）試按圖中所給權值和閥值計算其輸出，并填入真值表；

（2）指出該感知器實現(xiàn)的是何種邏輯。該單層感知器輸出和真值表為從真值表可以看出，該感知器實現(xiàn)的是“或非”邏輯。16、從控制角度來看，神經(jīng)網(wǎng)絡用于控制的優(yōu)越性主要表現(xiàn)為：

（1）神經(jīng)網(wǎng)絡可以處理那些難以用模型或規(guī)則描述的對象；

（2）神經(jīng)網(wǎng)絡采用并行分布式信息處理方式，具有很強的容錯性；

（3）神經(jīng)網(wǎng)絡在本質上是非線性系統(tǒng)，可以實現(xiàn)任意非線性映射，神經(jīng)網(wǎng)絡在非線性控制系統(tǒng)中具有很大的發(fā)展前途。

（4）神經(jīng)網(wǎng)絡具有很強的信息綜合能力，它能夠同時處理大量不同類型的輸入，能夠很好地解決輸入信息之間的互補性和冗余性問題；

（5）神經(jīng)網(wǎng)絡的硬件實現(xiàn)愈趨方便。大規(guī)模集成電路技術的發(fā)展為神經(jīng)網(wǎng)絡的硬件實現(xiàn)提供了技術手段，為神經(jīng)網(wǎng)絡在控制中的應用開辟了廣闊的前景。17、神經(jīng)網(wǎng)絡控制的研究領域

(1)基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識：可在已知常規(guī)模型結構的情況下，估計模型的參數(shù)；或利用神經(jīng)網(wǎng)絡的線性、非線性特性，可建立線性、非線性系統(tǒng)的靜態(tài)、動態(tài)、逆動態(tài)及預測模型。

(2)神經(jīng)網(wǎng)絡控制器：神經(jīng)網(wǎng)絡作為控制器，可實現(xiàn)對不確定系統(tǒng)或未知系統(tǒng)進行有效的控制，使控制系統(tǒng)達到所要求的動態(tài)、靜態(tài)特性。

(3)神經(jīng)網(wǎng)絡與其他算法相結合：神經(jīng)網(wǎng)絡與專家系統(tǒng)、模糊邏輯、遺傳算法等相結合可構成新型控制器。

(4)優(yōu)化計算：在常規(guī)的控制系統(tǒng)中，常遇到求解約束優(yōu)化問題，神經(jīng)網(wǎng)絡為這類問題的解決提供了有效的途徑。

(5)

控制系統(tǒng)的故障診斷：利用神經(jīng)網(wǎng)絡的逼近特性，可對控制系統(tǒng)的各種故障進行模式識別，從而實現(xiàn)控制系統(tǒng)的故障診斷。18、神經(jīng)網(wǎng)絡控制的結構（填空題）

①通過對傳統(tǒng)控制器進行學習，然后用神經(jīng)網(wǎng)絡控制器逐漸取代傳統(tǒng)控制器的方法，稱為神經(jīng)網(wǎng)絡監(jiān)督控制。神經(jīng)網(wǎng)絡控制器實際上是一個前饋控制器，它建立的是被控對象的逆模型。

②神經(jīng)網(wǎng)絡直接逆控制就是將被控對象的神經(jīng)網(wǎng)絡逆模型直接與被控對象串聯(lián)起來，以便使期望輸出與對象實際輸出之間的傳遞函數(shù)為1。

③與傳統(tǒng)自適應控制相同，神經(jīng)網(wǎng)絡自適應控制也分為神經(jīng)網(wǎng)絡自校正控制和神經(jīng)網(wǎng)絡模型參考自適應控制兩種。19、RBF網(wǎng)絡監(jiān)督控制神經(jīng)網(wǎng)絡控制器是一個前饋控制器，它建立的是被控對象的逆模型。神經(jīng)網(wǎng)絡控制器通過對傳統(tǒng)控制器的輸出進行學習，在線調(diào)整網(wǎng)絡的權值，使反饋控制輸入趨近于零，從而使神經(jīng)網(wǎng)絡控制器逐漸在控制作用中占據(jù)主導地位，最終取消反饋控制器的作用，一旦系統(tǒng)出現(xiàn)干擾，反饋控制器重新起作用。在RBF網(wǎng)絡結構中，取網(wǎng)絡的輸入為r(k)，網(wǎng)絡的徑向基向量為H=[h1,…,hm]T，hj為高斯基函數(shù)：式中：j＝1,…,m，bj為節(jié)點j的基寬參數(shù)，bj>0，Cj為網(wǎng)絡第j個節(jié)點的中心矢量。

網(wǎng)絡的權向量為W=[w1,…,wm]T

RBF網(wǎng)絡的輸出為其中m為RBF網(wǎng)絡隱層神經(jīng)元的個數(shù)。

控制率為設神經(jīng)網(wǎng)絡調(diào)整的性能指標為：采用梯度下降法調(diào)整網(wǎng)絡的權值：

近似地取由此所產(chǎn)生的不精確通過權值調(diào)節(jié)來補償。則神經(jīng)網(wǎng)絡權值的調(diào)整過程為：其中η為學習速率，α為動量因子。20、基于RBF網(wǎng)絡直接模型參考自適應控制設參考模型輸出為ym(k)，控制系統(tǒng)要求對象的輸出y(k)能夠跟蹤參考模型的輸出ym(k)。則跟蹤誤差為控制目標函數(shù)為控制器為RBF網(wǎng)絡的輸出：其中m為RBF網(wǎng)絡隱層神經(jīng)元的個數(shù)，wj為第j個網(wǎng)絡隱層神經(jīng)元與輸出層之間的連接權，hj為第個j隱層神經(jīng)元的輸出。在RBF網(wǎng)絡結構中，X=[x1,…xn]T為網(wǎng)絡的輸入向量。RBF網(wǎng)絡的徑向基向量為H=[h1,…h(huán)m]T，hj為高斯基函數(shù)：

其中j=1,…m，bj為節(jié)點j的基寬度參數(shù)，bj>0，Cj為網(wǎng)絡第j個結點的中心矢量，

網(wǎng)絡的權向量為：按梯度下降法及鏈式法則，可得權值的學習算法如下：其中η為學習速率，α為動量因子。21、遺傳算法的基本原理：遺傳算法是以達爾文的自然選擇學說為基礎發(fā)展起來的。自然選擇學說包括以下三個方面：（1）遺傳（2）變異（3）生存斗爭和適者生遺傳算法的基本操作為：（1）復制：從舊種群中選擇出優(yōu)秀者（2）交叉：創(chuàng)造新的染色體，產(chǎn)生新的優(yōu)良品種。（3）變異：在盡可能大的空間中獲得質量較高的優(yōu)化解22、遺傳算法的特點

（1）遺傳算法是對參數(shù)的編碼進行操作，而非對參數(shù)本身，這就是使得我們在優(yōu)化計算過程中可以借鑒生物學中染色體和基因等概念，模仿自然界中生物的遺傳和進化等機理；

（2）遺傳算法同時使用多個搜索點的搜索信息。遺傳算法從由很多個體組成的一個初始群體開始最優(yōu)解的搜索過程，而不是從一個單一的個體開始搜索，這是遺傳算法所特有的一種隱含并行性，因此遺傳算法的搜索效率較高。（3）遺傳算法直接以目標函數(shù)作為搜索信息。遺傳算法僅使用由目標函數(shù)值變換來的適應度函數(shù)值，就可以確定進一步的搜索方向和搜索范圍，