智能控制技術(shù)(親自整理的知識(shí)點(diǎn))

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(duì)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(duì)簡(jiǎn)單的控制問題，難以解決對(duì)復(fù)雜系統(tǒng)的控制。智能控制能解決被控對(duì)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(jí)階段。(2)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。(3)1986年美國的PDPF究小組提出了BPW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(shí)庫和推理機(jī)構(gòu)成(核心)(5)專家控制的結(jié)構(gòu)(6)按專家控制在控制系統(tǒng)中的作用和功能，可將專家控制器分為以下兩

2、種類型：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)過程或被控對(duì)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(duì)比較簡(jiǎn)單，但是需要在線、實(shí)時(shí)控制。因此，其知識(shí)表達(dá)和知識(shí)庫也較簡(jiǎn)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?；虮豢貙?duì)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

3、.4求AUB,設(shè)0.90.20.80.5!AnBU1U2U3U4B0.90.20.80.6UiU2U3U40.30.10.4UiU2U30.30.1(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)U2o0.6U40.40.5U3U4高斯型隸屬函數(shù)由兩個(gè)參數(shù)和c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。(xc)2,c)e22Matlab表示為gaussmf(x,o；c)(3)S形隸屬函數(shù)S形函數(shù)sigmf(x,ac)由參數(shù)a和c決定：f(x,a,c)11ea(xc)其中參數(shù)a的正負(fù)符號(hào)決定了S形隸屬函數(shù)的開口朝左或朝右，用來表示“正大”或“負(fù)大”的概念

4、。Matlab表示為sigmf(x,a,c)(4)梯形隸屬函數(shù)0xaxa.axbba梯形曲線可由四個(gè)參數(shù)a,b,c,d確定：f(x,a,b,c,d)1bxcdx.cxddc0xd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”。Matlab表示為:trapmf(x,a,b,c,d)(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)0xabacxcb0xaaxbbxcxc其中參數(shù)a和c確定三角形的“腳”，而參數(shù)b確定三角形的“峰岫tlab表示為trimf(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確定了曲線

5、的形狀Matlab表示為zmf(x,a,b)1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）例3-10 設(shè)圖Z形隸屬函數(shù)(M=6)0.70.10.40.9AB0.30.90.20.1070.40.10.90.709例3-9試確定0.10.30.2090.10.3090.7AB0.30.40.10.20.90.90.10.40.20.10.10.70.3設(shè)論域x=a1,0.10.9a2,10.1_0.1Ba2a3bi“IfAANDBthenC0.5b2AB=AT解：b3時(shí)的輸出G。0.5B10.110.1將AXB矩陣擴(kuò)展成如下列向量:R=AT

6、1C=0.10.50.30.90.70.1a3,y=b1,b2a30.60.41C1C2C2,C3已知所決定的模糊關(guān)系R,以及A11.00.50.10.5a2a30.10.10.40.50.40.50.10.10.410.40.6當(dāng)輸入為A和B時(shí)，有:T20.10.510.10.5A1B11A1TB10.50.10.10.50.10.10.10.51.00.10.50.60.10.10.10.10.51.00.10.10.10.10.10.10.60.10.10.10.50.50.10.1T0.110.50.10.10.10.4將A1xB矩陣擴(kuò)展成如下行向量:最后得C10.10.510.10.

7、50.50.10.10.10.10.10.40.50.40.50.10.10.410.40.60.10.10.10.1T0.10.10.40.5C1即：0.40.5(8)模糊控制原理框圖A/D算制E模期控制器(微機(jī))(9)模糊控制器的構(gòu)成(模糊控制器的組成框圖)(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)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(duì)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

8、量和輸入給定的偏差E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(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ECm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(duì)動(dòng)態(tài)特性的要求特別高的場(chǎng)合，一般較少選用三維模糊控制器。ECC(11)將模糊推理結(jié)果轉(zhuǎn)化為精確值的過程稱為反模糊化。常用的反模糊化有三種：(1)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V0maxV(v)vV如果在輸出論域v中，其最大隸屬度對(duì)

9、應(yīng)的輸出NN為具有相同最大隸屬度輸出的總數(shù)。1V0Vi(2)重心法NVimax( v(v)v V值多于一個(gè)，則取所有具有最大隸屬度輸出的平均值，即：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。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vv(v)dvV對(duì)于具有m個(gè)輸出量化級(jí)數(shù)的離散域情況v(v)dvVmVkk 1V0(Vk )與最大隸屬度法相比較，重心法具有更平滑的輸出推理控制。V(Vk)k1即使對(duì)應(yīng)于輸入信號(hào)的微小變化，輸出也會(huì)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mVikiVo一其中系數(shù)k

10、i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mkii1同的響應(yīng)特性。當(dāng)系數(shù)取隸屬度V(vi)時(shí)，就轉(zhuǎn)化為重心法。(12)神經(jīng)元/神經(jīng)細(xì)胞由三部分構(gòu)成:(1)(2)(3)(4)細(xì)胞體(主體部分)：包括細(xì)胞質(zhì)、細(xì)胞膜和細(xì)胞核;樹突軸突突觸神經(jīng)末梢,用于為細(xì)胞體傳入信息；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)；是神經(jīng)元之間的接口(104105個(gè)/每個(gè)神經(jīng)元)。一個(gè)神經(jīng)元通過其軸突的 經(jīng)突觸與另外一個(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。(13)神經(jīng)網(wǎng)絡(luò)的分

11、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：(1)前向網(wǎng)絡(luò)(2)反饋網(wǎng)絡(luò)(3)自組織網(wǎng)絡(luò)(14)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。(15)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(B)學(xué)習(xí)規(guī)則、概率式學(xué)習(xí)規(guī)則、競(jìng)爭(zhēng)式學(xué)習(xí)規(guī)則(16)神經(jīng)網(wǎng)絡(luò)特征(1)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(chǔ)；(2)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(17)神經(jīng)網(wǎng)絡(luò)要素(1)神經(jīng)元(信息處理單元)的特性；(2)神經(jīng)元之間相互連接的形式一拓?fù)浣Y(jié)構(gòu)；(3)為適應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)則。(18)BP網(wǎng)絡(luò)特點(diǎn)(1

12、)是一種多層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層(2)層與層之間采用全互連方式，同一層神經(jīng)元之間不連接；(3)權(quán)值通過B學(xué)習(xí)算法進(jìn)行調(diào)節(jié)；(4)神經(jīng)元激發(fā)函數(shù)為S函數(shù)；(5)學(xué)習(xí)算法由正向傳播和反向傳播組成；(6)層與層的連接是單向的，信息的傳播是雙向的。(19)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(hào)(理想輸出與實(shí)際輸出之差)按聯(lián)接通路反向計(jì)算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號(hào)減小。(20)神經(jīng)網(wǎng)絡(luò)監(jiān)督控制y d(21)神經(jīng)網(wǎng)絡(luò)直接逆動(dòng)態(tài)控制yd tu ty t(22)遺傳算法的基本原理(1)遺傳(2)變異(3)生存斗爭(zhēng)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(píng)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