《神經(jīng)網(wǎng)絡(luò)》課件第1章

1.1智能控制的基本概念1.2智能控制系統(tǒng)的分類和發(fā)展

1.3用于神經(jīng)網(wǎng)絡(luò)控制或辨識建模的噪聲信號產(chǎn)生方法1.4偽隨機信號產(chǎn)生及MATLAB仿真舉例1.5語義網(wǎng)絡(luò)知識表示法及Petri網(wǎng)舉例1.6小結(jié)

習(xí)題神經(jīng)網(wǎng)絡(luò)是智能控制技術(shù)的主要分支之一。本章首先介紹智能控制技術(shù)的基本概念、智能控制系統(tǒng)的分類和發(fā)展。在非線性系統(tǒng)中，存在著各種干擾或噪聲信號，無論是基于非線性系統(tǒng)的辨識建模,還是建立系統(tǒng)的預(yù)測模型或控制，均需考慮系統(tǒng)的各種噪聲。換言之，噪聲及其產(chǎn)生方法是神經(jīng)網(wǎng)絡(luò)控制或辨識建模的先導(dǎo)知識。因此，本章接著討論了用于神經(jīng)網(wǎng)絡(luò)控制或辨識建模的噪聲信號產(chǎn)生方法、偽隨機信號產(chǎn)生方法，并給出三種MATLAB產(chǎn)生噪聲信號仿真的開發(fā)程序及其程序剖析。最后，介紹了語義網(wǎng)絡(luò)知識表示法并給出了Petri網(wǎng)舉例。

智能控制是控制科學(xué)發(fā)展的高級階段，是一門新興的交叉前沿學(xué)科。它具有極為廣泛的應(yīng)用領(lǐng)域，例如航空航天載人衛(wèi)星的精確導(dǎo)航控制、智能機器人柔性控制、深海石油鉆機的智能監(jiān)測監(jiān)控、智能過程控制、智能調(diào)度與規(guī)劃、專家控制系統(tǒng)、智能故障診斷與定位、醫(yī)療內(nèi)鏡監(jiān)控智能儀器及柔性自動制造系統(tǒng)的智能控制等。1.1智能控制的基本概念

1.智能控制的定義

智能控制有多種定義。從信息的角度來看，所謂智能，可具體地定義為能有效地獲取、傳遞、處理、再生和利用信息，從而在任意給定的環(huán)境下成功地達到預(yù)定目的的能力?？梢钥闯觯悄艿暮诵氖且环N思維的活動。

按照智能控制創(chuàng)始人K.S.Fu(傅京孫)和Saridis的觀點，智能控制的三元交結(jié)構(gòu)表示為式(1-1)和圖1-1：

IC=AI∩AC∩OR

(1-1)

其中：IC表示智能控制(IntelligentControl)；AI表示人工智能(ArtificialIntelligent)；AC表示自動控制(AutomaticControl)；

OR表示運籌學(xué)(OperationsResearch)。圖1-1智能控制的三元交結(jié)構(gòu)人工智能(AI)是一個知識處理系統(tǒng)，具有記憶、學(xué)習(xí)、信息處理、啟發(fā)式推理等功能。

自動控制(AC)描述系統(tǒng)的動力學(xué)特性，是一種動態(tài)反饋。

運籌學(xué)(OR)是一種定量優(yōu)化方法，包括線性規(guī)劃、網(wǎng)絡(luò)規(guī)劃、調(diào)度、管理、優(yōu)化決策和多目標(biāo)優(yōu)化方法等。

智能控制的定義可以有不同的描述，但從工程控制角度來看，它的三個基本要素是：智能信息、智能反饋、智能決策。從集合的觀點，可以把智能控制和它的三要素表示如下：

［智能信息］∩［智能反饋］∩［智能決策］智能控制

2.智能控制與傳統(tǒng)控制的區(qū)別

傳統(tǒng)控制是以古典的自動控制原理為理論基礎(chǔ)的控制，一般為單輸入單輸出(SISO)系統(tǒng)，必須在精確模型的基礎(chǔ)上設(shè)計控制器，故也稱之為基于模型的控制。智能控制是自動控制的最新發(fā)展階段，主要用來解決那些用傳統(tǒng)控制方法難以解決的復(fù)雜系統(tǒng)的控制問題。

智能控制把控制理論的方法和人工智能的靈活框架結(jié)合起來，改變控制策略以適應(yīng)對象的復(fù)雜性和不確定性，可以不過分地依賴系統(tǒng)模型實現(xiàn)控制。智能控制從根本上說是要仿效人的智能行為進行控制和決策，即在宏觀結(jié)構(gòu)上和行為功能上(仿人控制)對人的控制進行模擬。通過大量實驗發(fā)現(xiàn)，在得到必要的訓(xùn)練后，由人實現(xiàn)的控制方法是接近最優(yōu)的。這個方法不需要了解對象的結(jié)構(gòu)、參數(shù)，即不需要依據(jù)對象的數(shù)學(xué)模型，而是根據(jù)積累的經(jīng)驗和知識進行在線推理確定或者動態(tài)地變換控制策略。傳統(tǒng)的控制適于解決線性、時不變等相對簡單的控制問題。這些問題用智能的方法同樣也可以解決。智能控制是對傳統(tǒng)控制理論的發(fā)展，傳統(tǒng)控制是智能控制的一個組成部分，在這個意義下，兩者可以統(tǒng)一在智能控制的框架下。

一個單輸入單輸出控制系統(tǒng)的結(jié)構(gòu)如圖1-2所示。

圖1-2中，C是控制器(Controller)，S表示被控系統(tǒng)(System)，F(xiàn)表示測量元件的反饋(Feedback)。圖1-2單輸入單輸出控制系統(tǒng)的結(jié)構(gòu)智能控制系統(tǒng)和傳統(tǒng)控制系統(tǒng)的主要區(qū)別有：

(1)在智能控制系統(tǒng)中，C是被控系統(tǒng)

的控制軟件，該軟件是根據(jù)模糊控制或?qū)＜蚁到y(tǒng)理論建立的規(guī)則集，或是根據(jù)神經(jīng)網(wǎng)絡(luò)理論訓(xùn)練(離線仿真得到)的權(quán)值矩陣集，或是以上方法或加上其它搜索尋優(yōu)方法相互結(jié)合的算法，如模糊控制器、基于遺傳算法的模糊控制器、模糊神經(jīng)網(wǎng)絡(luò)控制器、基于遺傳算法的神經(jīng)網(wǎng)絡(luò)控制器等。而傳統(tǒng)控制的控制器是根據(jù)被控系統(tǒng)的模型整定的參數(shù)，一般采用硬件電路調(diào)節(jié)器，如比例積分(PI)調(diào)節(jié)器、比例積分微分(PID)調(diào)節(jié)器。

(2)智能控制系統(tǒng)在系統(tǒng)調(diào)節(jié)過程中能動態(tài)地改變控制器的參數(shù)或結(jié)構(gòu)，因此控制器有較強的自適應(yīng)能力。而傳統(tǒng)控制系統(tǒng)相對自適應(yīng)能力較差。另外，智能控制系統(tǒng)適應(yīng)于任何系統(tǒng)，包括復(fù)雜的非線性系統(tǒng)，而傳統(tǒng)控制系統(tǒng)適應(yīng)于模型確定的線性系統(tǒng)。

3.智能控制系統(tǒng)的特征

1)智能控制系統(tǒng)的一般結(jié)構(gòu)

智能控制系統(tǒng)是實現(xiàn)某種控制任務(wù)的一種智能系統(tǒng)，其一般結(jié)構(gòu)如圖1-3所示。圖1-3智能控制系統(tǒng)的一般結(jié)構(gòu)

2)智能系統(tǒng)的主要功能特征

一個理想的智能控制系統(tǒng)應(yīng)具備如下性能：

(1)自學(xué)習(xí)及組織能力；

(2)自適應(yīng)性；

(3)基于自診斷能力的容錯性；

(4)魯棒性；

(5)實時性；

(6)人機交互。

20世紀(jì)末，研究智能控制的學(xué)者把智能控制的內(nèi)容分為三大分支，即神經(jīng)網(wǎng)絡(luò)、模糊控制和專家系統(tǒng)。隨著對不確定性系統(tǒng)處理的需求，適應(yīng)于全局尋優(yōu)的遺傳算法、處理海量數(shù)據(jù)的粗糙集理論、處理小樣本數(shù)據(jù)的支持向量機等理論為智能控制系統(tǒng)的發(fā)展增加了新的研究方法。1.2智能控制系統(tǒng)的分類和發(fā)展

基于智能理論和技術(shù)已有的研究成果，以及當(dāng)前智能控制系統(tǒng)的研究現(xiàn)狀，可把智能控制系統(tǒng)分為分級遞階智能控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)、專家控制系統(tǒng)、模糊控制系統(tǒng)、基于規(guī)則的仿人智能控制系統(tǒng)、集成智能控制系統(tǒng)、基于智能信息融合的監(jiān)測監(jiān)控系統(tǒng)等。

控制科學(xué)的發(fā)展進程示意圖如圖1-4所示。圖1-4控制科學(xué)的發(fā)展進程示意圖

K.S.Fu(傅京孫)在1971年指出，為了解決智能控制的問題，應(yīng)用嚴格的數(shù)學(xué)方法研究發(fā)展新的工具，對復(fù)雜的“環(huán)境-對象”進行建模和識別，以實現(xiàn)最優(yōu)控制，或者用人工智能的啟發(fā)式思想建立不能精確定義的環(huán)境和任務(wù)的控制設(shè)計方法。

G.N.saridis在學(xué)習(xí)控制系統(tǒng)研究的基礎(chǔ)上，提出了分級遞階和智能控制結(jié)構(gòu)，整個結(jié)構(gòu)自上而下分為組織級、協(xié)調(diào)級和執(zhí)行級三個層次，如圖1-5所示。圖1-5分層遞階結(jié)構(gòu)

1985年8月，IEEE在美國紐約召開了第一屆智能控制學(xué)術(shù)研討會。1993年8月中國自動化學(xué)會在北京召開了第一屆全球華人智能控制與智能自動化大會，1995年8月在天津召開了智能自動化專業(yè)委員會成立大會及首屆中國智能自動化學(xué)術(shù)會議，1997年6月在西安召開了第二屆全球華人智能控制與智能自動化大會。以后幾乎每兩年召開一次全球華人智能控制與智能自動化大會。近年來，智能控制技術(shù)在國內(nèi)外已有了較大的發(fā)展，已進入工程化、實用化的階段。但作為一門新興的理論技術(shù)，它還處于發(fā)展時期。隨著人工智能技術(shù)、計算機技術(shù)的迅速發(fā)展，智能控制必將迎來新的挑戰(zhàn)。神經(jīng)網(wǎng)絡(luò)是智能控制技術(shù)的重要分支之一，主要用于非線性系統(tǒng)的辨識建模、非線性過程的預(yù)測、神經(jīng)網(wǎng)絡(luò)控制及故障診斷等。在非線性系統(tǒng)中，存在著各種干擾或噪聲信號。無論是基于非線性系統(tǒng)的辨識建模，還是建立系統(tǒng)的預(yù)測模型或控制，均需考慮系統(tǒng)的各種噪聲。因此，討論噪聲及其產(chǎn)生方法是神經(jīng)網(wǎng)絡(luò)控制或辨識建模的基礎(chǔ)之一。1.3用于神經(jīng)網(wǎng)絡(luò)控制或辨識建模的噪聲信號產(chǎn)生方法

如果能夠在計算機上比較經(jīng)濟地產(chǎn)生統(tǒng)計上理想的各種不同分布的白噪聲序列，則對系統(tǒng)辨識仿真研究會提供極大的方便。為了簡單起見，常把各種不同分布的白噪聲序列稱為隨機數(shù)。從理論上講，只要有一種具有連續(xù)分布的隨機數(shù)，就可以通過函數(shù)變換的方法產(chǎn)生其它任意分布的隨機數(shù)。顯然，在具有連續(xù)分布的隨機數(shù)中，(0，1)均勻分布的隨機數(shù)是最簡單、最基本的一種，有了(0，1)均勻分布的隨機數(shù)，便可以產(chǎn)生其它任意分布的隨機數(shù)和白噪聲。因此，下面著重討論(0，1)均勻分布隨機數(shù)、(-1，1)白噪聲的產(chǎn)生方法及其MATLAB仿真。

1.(0，1)均勻分布隨機數(shù)的產(chǎn)生方法

在計算機上產(chǎn)生(0，1)均勻分布隨機數(shù)的方法主要有三類。一類是把已有的(0，1)均勻分布隨機數(shù)放在數(shù)據(jù)庫中，使用時訪問數(shù)據(jù)庫，這類方法雖然簡單但占用存儲空間大；另一類是物理方法，用硬件實現(xiàn)；第三類是利用數(shù)學(xué)方法產(chǎn)生(0，1)均勻分布隨機數(shù)，該方法經(jīng)濟實用，主要包括乘同余法和混合同余法。下面介紹簡單實用的乘同余法。用如下遞推同余式產(chǎn)生正整數(shù)序列{xi}：

xi=Axi-1(modM)

i=1,2,3,…(1-2)

其中：mod表示取M的余數(shù)，M為2的方冪，即M=2k，k為大于2的整數(shù)；A應(yīng)取適中的值，如3<A<10；初值x0取正奇數(shù)，如x0=1。再令

i=1,2,3,…(1-3)可以證明序列{ξi}是偽隨機數(shù)序列［HammrsleyandHandscomb,1964］。將式(1-2)和式(1-3)合并為

ξi={Aξi-1}

i=1,2,3,…(1-4)

其中，初值為ξ0=x0/M。

2.(0，1)均勻分布隨機數(shù)的產(chǎn)生仿真舉例

【例1-1】利用乘同余法，選R=2，A=6，k=8，M=2k=256，遞推100次，采用MATLAB的仿真語言(m軟件)編程，產(chǎn)生(0，1)均勻分布隨機數(shù)。

解

(光盤上的程序名為FLch1eg1.m，可直接MATLAB6.1下運行。)

(1)編程如下：A=6;N=100;x0=1;M=255;

%初始化

fork=1:N

%乘同余法遞推100次開始

x2=A*x0;

%x2和x0分別表示xi和xi-1

x1=mod(x2,M);

%將x2存儲器的數(shù)除以M，取

余數(shù)放x1中；

v1=x1/256;

%將x1存儲器的數(shù)除以256得

到小于1的隨機數(shù)放v1中；

v(:,k)=v1;%將v1中的數(shù)(ξi)存放在矩陣

存儲器v的第k列中，

%v(:,k)表示行不變、列隨遞

推循環(huán)次數(shù)變化；x0=x1;%xi-1=x1，x1中存放第i時刻的余數(shù)；

v0=v1;

end%遞推100次結(jié)束；

v2=v%該語句末無‘；’，實現(xiàn)矩陣存儲器v中隨機

數(shù)放在v2中

%且可直接顯示在MATLAB的window中；

k1=k;

%grapher%繪圖；

k=1:k1;

plot(k,v,k,v,‘r’);

xlabel(‘k’),ylabel(‘v’);title(‘(0-1)均勻分布的隨機序列’)

(全書程序中的“，”和“；”均應(yīng)為西文(半角)格式，否則無法在MATLAB下運行。)

(2)程序運行結(jié)果如圖1-6所示。圖1-6采用MATLAB產(chǎn)生的(0,1)均勻分布的隨機序列

(3)在程序運行結(jié)束后，產(chǎn)生的(0，1)均勻分布的隨機序列直接從MATLAB的窗口界面中復(fù)制出來(v2中每行存6個隨機數(shù),v2(j,k),j=1,2,…,13;k=1,2,…,6)：

v2=

0.02340.1406

0.8438

0.0820

0.4922

0.9609

0.78520.72660.37500.25780.5508

0.3164

0.90230.43360.60940.66800.02340.1406

0.8438

0.0820

0.4922

0.9609

0.7852

0.7266

0.3750

0.2578

0.5508

0.3164

0.9023

0.4336

0.60940.66800.02340.14060.84380.0820

0.49220.96090.78520.72660.37500.2578

0.55080.31640.90230.43360.60940.6680

0.02340.14060.84380.08200.49220.9609

0.78520.72660.37500.25780.55080.3164

0.90230.43360.60940.66800.02340.1406

0.84380.08200.49220.96090.78520.7266

0.37500.25780.55080.31640.90230.4336

0.60940.66800.02340.14060.84380.0820

0.49220.96090.78520.72660.37500.2578

0.55080.31640.90230.43360.60940.6680

0.02340.14060.84380.0820

3.白噪聲產(chǎn)生舉例

【例1-2】利用乘同余法，仍選R=2，A=6，k=8，M=2k=256，遞推100次，采用MATLAB的仿真語言編程，產(chǎn)生(－1，1)均勻分布的白噪聲。

解:①只要將產(chǎn)生的(0，1)均勻分布的隨機序列的程序梢加改動，將產(chǎn)生(0，1)均勻分布的隨機數(shù)統(tǒng)統(tǒng)減去0.5，相當(dāng)于將原隨機序列圖的橫坐標(biāo)向上平移0.5，原隨機序列變成了(－0.5，0.5）的白噪聲，然后乘以存儲器f中預(yù)置的系數(shù)，便可得到任意幅值的白噪聲，這里取f=2，得到了產(chǎn)生(－1，1）均勻分布的白噪聲的程序如下(附光盤上的該程序：FLch1eg2.m)：A=6;x0=1;f=2;N=100；%初始化；

x0=1;M=255;

fork=1:N

%乘同余法遞推100次；

x2=A*x0;

%分別用x2和x0表示xi和xi-1；

x1=mod(x2,M);

%取x2存儲器的數(shù)除以M的余數(shù)放x1中；

v1=x1/256;

%將x1存儲器中的數(shù)除以256得到小于1的隨機數(shù)放v1中；

v(:,k)=(v1-0.5)*f;

%將v1中的數(shù)（）減去0.5再乘以存儲器f中的系數(shù)，

%存放在矩陣存儲器v的第k列中;

x0=x1;%xi-1=x1，x1中存放第i時刻的余數(shù)；

v0=v1;end%遞推100次結(jié)束；

v2=v

%該語句末無‘；’，實現(xiàn)矩陣存儲器v中隨機數(shù)放在v2中，

%且可直接顯示在MATLAB的window中；

k1=k;

%grapher

%繪圖；

k=1:k1;

plot(k,v,k,v,'r');

xlabel('k'),ylabel('v');title('(-1,+1)均勻分布的白噪聲')

(2)程序運行結(jié)果如圖1-7所示。圖1-7采用MATLAB產(chǎn)生的(－1,1)均勻分布的白噪聲序列

(3)在程序運行結(jié)束后，產(chǎn)生的(-1，1)均勻分布的白噪聲序列直接從MATLAB的窗口界面中復(fù)制出來(v2中每行存6個隨機數(shù)v2(j,k),j=1,2,…,13;k=1,2,…,6)：

v2=

-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359-0.9531-0.71880.6875-0.8359-0.01560.92190.57030.4531-0.2500-0.48440.1016-0.36720.8047-0.13280.21880.3359

-0.9531-0.71880.6875-0.8359顯然，只要在例1-2程序的初始化部分中使N=300，f=10，運行程序就可以得到(－5，5)的白噪聲，如圖1-8所示。圖1-8

(-5,5)白噪聲

1.基本概念

從辨識的概念可知，若系統(tǒng)的模型結(jié)構(gòu)正確，系統(tǒng)模型的辨識精度直接通過Fisher信息函數(shù)矩陣依賴于輸入來確定。因此，合理選擇系統(tǒng)辨識的輸入信號是保證辨識精度的重要環(huán)節(jié)。前面已經(jīng)討論了白噪聲的產(chǎn)生,但工業(yè)設(shè)備，如閥門、鏟車、提升機等不可能按白噪聲的變化動作。而線性移位寄存器序列(M序列)可以很好地模擬工業(yè)設(shè)備動態(tài)運行中的辨識輸入信號。M序列具有接近白噪聲的性質(zhì)，因此稱為偽隨機信號。

1.4偽隨機信號產(chǎn)生及MATLAB仿真舉例

2.用移位寄存器產(chǎn)生M序列

四級移位寄存器產(chǎn)生M序列的結(jié)構(gòu)如圖1-9所示。圖1-9四級移位寄存器產(chǎn)生M序列的結(jié)構(gòu)圖中，⊕表示模2和（異或）運算，C1、C2、C3和C4表示四個移位寄存器，x1、x2、x3和x4分別表示各移位寄存器的輸出，x4的輸出為產(chǎn)生的M序列。四級移位寄存器的連接方式可用(1-5)表示。(1-5)從而可知，x1第(k+1)時刻的狀態(tài)由x3和x4第k時刻狀態(tài)的異或運算結(jié)果決定；x2第(k+1)時刻的狀態(tài)由x1第k時刻的狀態(tài)決定；x3第(k+1)時刻的狀態(tài)由x2第k時刻的狀態(tài)決定；x4第(k+1)時刻的狀態(tài)由x3第k時刻的狀態(tài)決定。設(shè)置初始狀態(tài)為1010，在移位脈沖CP作用下，寄存器各級狀態(tài)的變化如表1-1所示。表1-1四級移位寄存器產(chǎn)生M序列的工作狀態(tài)

從表1-1可知M序列為：

該M序列可表示為

式中，sk表示狀態(tài)在第k位為1；表示模2和(異或)。該M序列有以下特點：

(1-6)

(1)M序列的循環(huán)長度為Np=2N－1=15，其中N為寄存器的個數(shù)；

(2)邏輯為1的次數(shù)為2N/2=2N－1=(Np+1)/2；

(3)邏輯為0的次數(shù)為2N/2－1=2N－1－1=(Np－1)/2；

(4)游程的特點。對四級移位寄存器產(chǎn)生M序列而言，每周期有15位(bit)。狀態(tài)連續(xù)出現(xiàn)的段稱為游程，該15個bit分為8段。其中0游程和1游程各有4個；長度為1個bit的段有4個，占總段數(shù)的1/2；長度為2個bit的段有2個，占總段數(shù)的1/4；長度為3個bit的段有1個(邏輯0)，占總段數(shù)的1/8；長度為4個bit的段有1個(邏輯1)，占總段數(shù)的1/8。

3.用MATLAB軟件實現(xiàn)移位寄存器產(chǎn)生M序列

【例1-3】現(xiàn)仍以四級移位寄存器產(chǎn)生M序列為例，在

實際中,常把M序列的邏輯0和邏輯1變換成a和-a的序列，這里取a=1，用軟件實現(xiàn)。

解

(1)編程如下(光盤上該程序名為FLchleg3.m)：X1=1;X2=0;X3=1;X4=0;%移位寄存器輸入Xi初態(tài)(0101)，

m=60;%置M序列總長度m值；

fori=1:m%開始循環(huán)

Y4=X4;Y3=X3;Y2=X2;Y1=X1;%Yi為移位寄存器各級

輸出，

%在移位之前先將各自的輸入傳給輸出；

X4=Y3;X3=Y2;X2=Y1;%實現(xiàn)移位寄存器的連接方式；

X1=xor(Y3,Y4);%異或運算，實現(xiàn)；

ifY4==0%將輸出‘0’態(tài)轉(zhuǎn)換成‘-1’態(tài)；U(i)=-1;

else

U(i)=Y4;

end%轉(zhuǎn)換結(jié)束；

end%60次循環(huán)結(jié)束；

M=U

%繪圖

i1=i

k=1:1:i1;

plot(k,U,k,U,'rx')

xlabel('k')

ylabel('M序列')

title('移位寄存器產(chǎn)生的M序列')

(2)程序運行結(jié)果如圖1-10所示。圖1-10軟件實現(xiàn)的移位寄存器產(chǎn)生的M序列

(3)用軟件實現(xiàn)的移位寄存器產(chǎn)生的M序列，在程序運行結(jié)束后，產(chǎn)生的(-1，1)M序列，直接從MATLAB的窗口界面中復(fù)制出來(M中每行存10個數(shù)(k=1~10)，在程序中置M序列

總長度值m=60，所以共60個數(shù),M(j,k),j=1,2,…,6;k=1,2,…,10)：M=

-11-11111-1-1-1

1-1-111-11-111

11-1-1-11-1-111

-11-11111-1-1-1

1-1-111-11-111

11-1-1-11-1-111在實際中，可根據(jù)所需M序列的周期長度的不同，選擇移位寄存器的級數(shù)N，只要適當(dāng)連接其結(jié)構(gòu)，便可以得到滿意的Np。在其結(jié)構(gòu)中，決定x1第(k+1)時刻狀態(tài)的第k時刻狀態(tài)異或運算結(jié)果是關(guān)鍵。下面將常用的N級產(chǎn)生M序列移位寄存器的連接方式列于表1-2。表1-2

N級產(chǎn)生M序列移位寄存器的連接方式

任何M序列均具有“移位相加”的性質(zhì)。除了上述用軟件直接實現(xiàn)實用的N級移位寄存器M序列外，還可以將N級移位寄存器M序列各級移位寄存器的狀態(tài)任意組合成實用的

M序列，例如：

式中，s2為“01”狀態(tài)，系數(shù)b和周期Np的循環(huán)次數(shù)有關(guān)，可表示為(1-7)IM(k)為由狀態(tài)“01”、寄存器C1的輸出x1(k)和寄存器C4的輸出x4(k)在每個采樣點上的狀態(tài)模2和(異或)運算形成的序列。顯然，對于式(1-7)也可以編程用軟件來實現(xiàn)。(1-8)智能控制技術(shù)的知識表示有多種方法，如語義網(wǎng)絡(luò)知識表示法和框架知識表示法。

1.語義網(wǎng)絡(luò)知識表示法

語義網(wǎng)絡(luò)(SematicNetwork)是通過概念及其語義關(guān)系來表示知識的一種網(wǎng)絡(luò)圖，由節(jié)點和連接節(jié)點的弧構(gòu)成，其基礎(chǔ)是一種三元組結(jié)構(gòu)(節(jié)點1、弧、節(jié)點2)。1.5語義網(wǎng)絡(luò)知識表示法及Petri網(wǎng)舉例例如，對于“獵狗是一種狗”這一事實，其語義網(wǎng)絡(luò)如圖1-11所示。圖1-11一種語義網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)用連接式的網(wǎng)絡(luò)知識表示法來表達神經(jīng)元之間的連接形式，其連接方式在第2章神經(jīng)網(wǎng)絡(luò)的分類中將詳細討論。

2.框架知識表示法

框架有一個框架名，指出所表達的內(nèi)容：某個概念、對象或