1、智能控制智能控制與傳統(tǒng)控制的區(qū)別答：傳統(tǒng)控制方法包括經(jīng)典控制和現(xiàn)代控制，是基于被控對象精確模型的控制方式，缺乏 靈活性和應(yīng)變能力，適于解決線性、時(shí)不變性等相對簡單的控制問題，難以解決對復(fù)雜系統(tǒng)的 控制。智能控制能解決被控對象的復(fù)雜性、不確定性、高度的非線性，是傳統(tǒng)控制發(fā)展的高級階 段。智能控制的概念答：智能控制是人工智能、自動(dòng)控制、運(yùn)籌學(xué)的交叉。1986年美國的PDF研究小組提出了 BP網(wǎng)絡(luò)，實(shí)現(xiàn)了有導(dǎo)師指導(dǎo)下的網(wǎng)絡(luò)學(xué)習(xí)，為神 經(jīng)網(wǎng)絡(luò)的應(yīng)用開辟了廣闊的發(fā)展前景。(4)專家系統(tǒng)主要由知識庫和推理機(jī)構(gòu)成(核心)型：答：(1)直接型專家控制器：直接專家控制器用于取代常規(guī)控制器，直接控制生產(chǎn)過程或被控

2、 對象。具有模擬(或延伸，擴(kuò)展)操作工人智能的功能。該控制器的任務(wù)和功能相對比較簡單， 但是需要在線、實(shí)時(shí)控制。因此，其知識表達(dá)和知識庫也較簡單，通常由幾十條產(chǎn)生式規(guī)則構(gòu) 成，以便于增刪和修改。直接型專家控制器的示意圖見圖中的虛線所示。或被控對象進(jìn)行間接控制的智能控制系統(tǒng)。具有模擬(或延伸，擴(kuò)展)控制工程師智能的功能。該控制器能夠?qū)崿F(xiàn)優(yōu)化適應(yīng)、協(xié)調(diào)、組織等高層決策的智能控制。按照高層決策功能的性質(zhì)， 間接型專家控制器可分為以下幾種類型：優(yōu)化型專家控制器適應(yīng)型專家控制器協(xié)調(diào)型專家控制器組織型專家控制器 例3.4 設(shè)0.90.20.80.5A=+d _ 0.30.10.4B = 0.6+求 aU

3、B, aA b 則八r 0.90.2u30.8一+一 + 一u40.60.30.1u(7)在模糊控制中應(yīng)用較多的隸屬函數(shù)有以下6種隸屬函數(shù)。(1)高斯型隸屬函數(shù)* u2U40.40.5+ u3u4高斯型隸屬函數(shù)由兩個(gè)參數(shù)二和。確定：f(x,；其中參數(shù)b通常為正，參數(shù)c用于確定曲線的中心。c)=e(x_c) 22Mat l ab 表示為 gaussmf(x, o； c)(3) S形隸屬函數(shù)S形函數(shù)si gnf (x, a c)由參數(shù)a和c決定：f (x,a,c)1其中參數(shù)a的正負(fù)符號決定了 S形隸屬函數(shù)的開口朝左或朝右大”的概念。Mhtl ab表示為sigmf(x,a,c)(4)梯形隸屬函數(shù)+e

4、 a用來表示“正大”或“負(fù)xb a 、c梯形曲線可由四個(gè)參數(shù)a, b, c, d確定：f (x,a,b,c,d) = *1d x 只c _ x ddc其中參數(shù)a和d確定梯形的“腳”，而參數(shù)b和c確定梯形的“肩膀 x Mat l ab表示為：trapmf(x, a, b,c,d)a 弋x zbx MatFab 表(5)三角形隸屬函數(shù)三角形曲線的形狀由三個(gè)參數(shù)a, b, c確定 f(x,a,b,c) = b a c xc 一b0其中參數(shù)a和。確定三角形的“腳”，而參數(shù)b確定三角形的“峰” 為示imf(x,_a,b,c)(6) Z形隸屬函數(shù)這是基于樣條函數(shù)的曲線，因其呈現(xiàn)Z形狀而得名。參數(shù)a和b確定

5、了曲線的形狀Mat I ab 表示為 zmf(x, a, b)圖高斯型隸屬函數(shù)（M=1）圖S形隸屬函數(shù)（M=3）圖梯形隸屬函數(shù)（M=4）圖三角形隸屬函數(shù)（M=5）圖Z形隸屬函數(shù)（M=6）例3-10設(shè)07*0.4 0.W0.91 07 0.91A b 0.20.9.1 七 3 9A%004 0 w 010.3 八0.2 0.9 血 0.1 一 0.2 0.1Af1-0.10.3 0.91-0.31-0.9.7 0.1例3-9設(shè)論域z*,C,2xF氣, c3,已知0.5 10.1A0.11+ 0.6 +歸+ C1C2a1a2，3bib2 ay=b , b2,bs,試確定“ If A AND B t

6、hen C所決定的模糊關(guān)系R，以及A二型匹 2Jal a2 a3B bb1 TOC o 1-5 h z 0.51b2的時(shí)的輸出Gb30.50.60.1I,0.5A B= At B0.5I : i. 1.01- I- 0.1 HYPERLINK l bookmark16 o Current Document 0.1-將AX B矩陣擴(kuò)展成如下列向量：R= （A 心）=0.10.50.50.11.00.60.10.1T0.1 t . 10.4 1 p.10.40.40.10.40.40.10.10.10.10.50.50.110.60.10.10.1當(dāng)輸入為A和B時(shí)，有:（AxB）T2=b.1 0.

7、5 10.10.50.50.10.10.11 i0.10.511（A 正 B ） = A；正 B|0.5r0.51 0.10.50.5111 =0.1IAb.1-0.10.10.1將a X B矩陣擴(kuò)展成如下行向量：最后得I0O110 o450 o450 o1 O 4 10 o460 o11o On-b-4(8)模糊控制原理框圖模糊控制器的構(gòu)成(模糊控制器的組成框圖)皓挽禮.：& |(10)模糊控制器結(jié)構(gòu)類型1單變量模糊控制器(a) 一維模糊控制器如圖所示，一維模糊控制器的輸入變量往往選擇為受控 量和 輸入給定的偏差量E。由于僅僅采用偏差值，很難反映過程的動(dòng)態(tài)特性品質(zhì)，因此， 所能獲得的系統(tǒng)動(dòng)態(tài)

8、性能是不能令人滿意的。這種一維模糊控制器往往被用于一階 被控對象。(b)二維模糊控制器二維模糊控制器的兩個(gè)輸入變量基本上都選用受控變量和輸入 給定的偏差 和偏差變化EC，由于它們能夠較嚴(yán)格地反映受控過程中輸出變量的動(dòng)態(tài)特 性，因此，在控制 效果上要比一維控制器好得多，也是目前采用較廣泛的一類模糊控制 器(c)三維模糊控制器如圖所示，三維模糊控制器的三個(gè)輸入變量分別為系統(tǒng)偏差量E、偏差變化 量EC和偏差變化的變化率ECC。由于這些模糊控制器結(jié)構(gòu)較復(fù)雜，推理運(yùn)算時(shí)間長，因此除非 對動(dòng)態(tài)特性的要求特別高的場合，一般較少選用三維模糊控制器。d/dt 一供d/dtECC(11)將模糊推理結(jié)果轉(zhuǎn)化為精確值

9、的過程稱為反模糊化。常用的反模糊化有三種：最大隸屬度法_選取推理結(jié)果模糊集合中隸屬度最大的元素作為輸出值，即V) =max v(v) v V如果在輸出論域V中，其最大隸屬度對應(yīng)的輸出值多于一個(gè)，則取所有具有最大隸屬度輸出的平均值，即： NN為具有相同最大隸屬度輸出的總數(shù)。1百，、一 、,Vo =重心法N y為了獲得準(zhǔn)確的控制量，就要求模糊方法能夠很好的表達(dá)輸出隸屬度函數(shù)的計(jì)算結(jié)果。vj = max (s (v)重心法是取隸屬度函數(shù)曲線與橫坐標(biāo)圍成面積的重心為模糊推理的最終輸出即 vVov P ( v ) dvV對于具有m個(gè)輸出量化級數(shù)的離散域情況(V ) dv f VVVjvWk)與最大隸屬度

10、法相比較，重心法具有更平滑的輸出推理控制Jv) Jv kk -1即使對應(yīng)于輸入信號的微小變化，輸出也會發(fā)生變化(3)加權(quán)平均法工業(yè)控制中廣泛使用的反模糊方法為加權(quán)平均法，輸出值由下式?jīng)Q定v.k.vom疽ii 0其中系數(shù)ki的選擇根據(jù)實(shí)際情況而定。不同的系數(shù)決定系統(tǒng)具有不同的響應(yīng)特性。當(dāng)系數(shù)取隸屬度iV(v)時(shí)，就轉(zhuǎn)化為重心法神經(jīng)元/神經(jīng)細(xì)胞由三部分構(gòu)成：細(xì)胞體(主體部分)：包括細(xì)胞質(zhì)、細(xì)胞膜和細(xì)胞核；樹突：用于為細(xì)胞體傳入信息；軸突：為細(xì)胞體傳出信息，其末端是軸突末梢，含傳遞信息的化學(xué)物質(zhì)；突觸：是神經(jīng)元之間的接口( 1 0廣1 05個(gè)/每個(gè)神經(jīng)元)。一個(gè)神經(jīng)元通過其軸突的神經(jīng) 末梢，經(jīng)突觸與

11、另外一個(gè)神經(jīng)元的樹突連接，以實(shí)現(xiàn)信息的傳遞。由于突觸的信息傳遞特性是 可變的，隨著神經(jīng)沖動(dòng)傳遞方式的變化，傳遞作用強(qiáng)弱不同，形成了神經(jīng)元 之間連接的柔性， 稱為結(jié)構(gòu)的可塑性。神經(jīng)網(wǎng)絡(luò)的分類根據(jù)神經(jīng)網(wǎng)絡(luò)的連接方式，神經(jīng)網(wǎng)絡(luò)可分為兩種形式：前向網(wǎng)絡(luò)反饋網(wǎng)絡(luò)自組織網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法按有無導(dǎo)師分類可分為有教師學(xué)習(xí)、無教師學(xué)習(xí)和再勵(lì)學(xué)習(xí)等幾大類。最基本的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法：Hebb學(xué)習(xí)規(guī)則、Delta( S )學(xué)習(xí)規(guī)則、概率式學(xué)習(xí)規(guī)則、競爭式學(xué)習(xí)規(guī)則神經(jīng)網(wǎng)絡(luò)特征能逼近任意非線性函數(shù)；(2)信息的并行分布式處理 與存儲；便于用超大規(guī)模硬件實(shí)行并行處理(3)能進(jìn)行學(xué) 習(xí)，以適應(yīng)環(huán)境的變化神經(jīng)網(wǎng)絡(luò)要素神經(jīng)元(

12、信息處理單元)的特性；神經(jīng)元之間相互連接的形式一拓?fù)浣Y(jié)構(gòu)；為適應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)則。BP網(wǎng)絡(luò)特點(diǎn)是一種多層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層層與層之間采用全互連方式，同一層神經(jīng)元之間不連接；權(quán)值通過3學(xué)習(xí)算法進(jìn)行調(diào)節(jié)；神經(jīng)元激發(fā)函數(shù)為S函數(shù)；學(xué)習(xí)算法由正向傳播和反向傳播組成；層與層的連接是單向的，信息的傳播是雙向的。BP算法的學(xué)習(xí)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(diǎn))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(zhuǎn)至反向傳播，將誤差信號(理想 輸出與實(shí)際輸出之 差)按聯(lián)接通路反向計(jì)算，由梯度下

13、降法調(diào)整各層神經(jīng)元的權(quán) 值，使誤差信號減小。神經(jīng)網(wǎng)絡(luò)監(jiān)督控制（21）神經(jīng)網(wǎng)絡(luò)直接逆動(dòng)態(tài)控制均 t七。）叩）在e（t ） A=I NN2 y1Un（t ）（22）遺傳算法的基本原理（1）遺傳（2）變異（3）生存斗爭和適者生存（23）遺傳算法的基本操作為：（1）復(fù)制（2）交叉（3）變異（24）遺傳算法的構(gòu)成要素（1）染色體編碼方法（2）個(gè)體適應(yīng)度評價(jià)（3）遺傳算子 選擇運(yùn)算：使用比例選擇算子；交叉運(yùn)算:使用單點(diǎn)交叉算子；變異運(yùn)算:使用基本位變異算子或均勻變異算子。（4）基本遺傳算法的運(yùn)行參數(shù)（25）遺傳算法的應(yīng)用步驟第一步：確定決策變量及各種約束條件，即確定出個(gè)體的表現(xiàn)型X和問題的解空間；第二步: 建立優(yōu)化模型，即確定出目標(biāo)函數(shù)的類型及數(shù)學(xué)描述形式或量化方法；第三步：確定表示可行解的染色體編碼方法，即確定出個(gè)體的基因型*及遺傳算法的搜 索空 間；