《智能控制技术(亲自整理的知识点)》由会员分享，可在线阅读，更多相关《智能控制技术(亲自整理的知识点)（15页珍藏版）》请在金锄头文库上搜索。
1、智能控制(1) 智能控制与传统控制的区别 答：传统控制方法包括经典控制和现代控制，是基于被控对象精确模型的控制方式, 缺乏 灵活性和应变能力，适于解决线性、时不变性等相对简单的控制问题，难以解决对 复杂系统的 控制。智能控制能解决被控对象的复杂性、不确定性、高度的非线性，是传统控制发展的 高级阶 段。(2) 智能控制的概念答：智能控制是人工智能、自动控制、运筹学的交叉。(3) 1986 年美国的 PDF 研究小组提出了 BP 网络，实现了有导师指导下的网络学习，为神 经网络的应用开辟了广阔的发展前景。(4)专家系统主要由知识库和推理机构成(核心)型:答：(1)直接型专家控制器：直接专家控制器用
2、于取代常规控制器，直接控制生产过程 或被控 对象。具有模拟(或延伸，扩展)操作工人智能的功能。该控制器的任务和功能 相对比较简单， 但是需要在线、实时控制。因此，其知识表达和知识库也较简单，通常 由几十条产生式规则构 成，以便于增删和修改。直接型专家控制器的示意图见图中的虚线所示。信息获取推理控制1被控，与处理机构规则库对象(2)间接型专家控制器：间接型专家控制器用TW规控制器相结合,组成对生产过程 或被控对象进行间接控制的智能控制系统。具有模拟(或延伸，扩展)控制工程师智能的功能。该控制器能够实现优化适应、协调、组织等高层决策的智能控制。按照高层决 策功能的性质， 间接型专家控制器可分为以下
3、几种类型： 优化型专家控制器 适应型专家控制器协调型专家控制器组织型专家控制器例3.4 设0.90.20.8 0.5 A=+0.3 0.1 0.40.6+-求 aU B, aA B则 r 0.9八 A B=0.2u30.8一+一+u40.6UiU2U30.30.1u(7)在模糊控制中应用1较多的2 隶属3函数有4以下6种隶属函数 (1)高斯型隶属函数高斯型隶属函数由两个参数二和c确定：f(x,； 其中参数b通常为正，参数c用于确定曲线的中心。u u12U40.4 0.5+U3U4c)=e(x_c)2Mat l ab 表示为 gaussmf(x, o；c)(3) S形隶属函数S形函数si gnf
4、 (x, a c)由参数a和c决定：f (x,a,c)+e a1其中参数a的正负符号决定了S形隶属函数的开口朝左或朝右，用来表示“正大”或“负 大”的概念。Mhtl ab表示为sigmf(x,a,c)(4)梯形隶属函数ba梯形曲线可由四个参数a, b, c, d确定：f (x,a,b,c,d)二*1dx三角形曲线的形状由三个参数a, b,x axa乞a x bc 确定 f(x,a,b,c) ba弐玄c xb _ x _cbc0dc其中参数a和d确定梯形的“脚”，而参数b和c确定梯形的“肩膀x Mat l ab 表示 为:trapmf(x, a, b, c,d) (5)三角形隶属函数其中参数a和
5、c确定三角形的“脚”，而参数b确定三角形的“峰”。xmtcab表 为 trimf(x,a,b,c)(6) Z形隶属函数这是基于样条函数的曲线，因其呈现Z形状而得名。参数a和b确定了曲线的形状Mat I ab 表示为 zmf (x, a, b)io.g0.60.60.70.60.60.5026810236810O0trimf,P=2 4trirrrf.P=3 6 3图咼斯型隶属函数（M=1）图S形隶属函数（M=3）0.800.3I0.110aa2&681034 S 67 fi9trimf,P=3 6 8triinfbP=n 5 7 30.6 _0.5 -0.4 -0 2图梯形隶属函数（M=4）图
6、三角形隶属函数（M=5）例3-10设图Z形隶属函数（M=6）0翼B弍跖07*0.4 0.W0.91 07 0.91A B ”030.20 91 七 3 9A%004 019LF4 0103八02 09血01一 02 01Af1-0103 091-03_ o7 011-09-11丄例 3-9设论域x=a, a,12z*1,C2,2c，已知30.5 10.10.1 10.60.4 +1A十+Ca1 a2 a3bib2aC1C2asy=b ,b, b1 2 s试确定 “ If A AND B then C所决定的模糊关系R,以及a二型匹 2Ja1 a2 a3丿Bib1 10.51+ 时的输出G10.
7、50.1b2A B= At B0.6=0.51.00.10.50.60.1将 AX B 矩阵扩展成如下列向量:R= （A 心）=p.10.40.10.5当输入为A和B时，(AxB)T2=b .1 0.5 1(A1 疋 B1)= A；疋 B1 =0.10.50.50.11.00.60.10.40.40.10.10.10.110.60.10.10.1有:0.10.50.50.10.11 i0.10.50.5r0.51 0.10.5iAb.10.1-0.10.10.50.10.40.50.10.10.1 T 10.4 1 T0111b-4a 4 + a 5(8)模糊控制原理框图D/A模糊 屋化 处理
8、(9)模糊控制器的构成(模糊控制器的组成框图)(10)模糊控制器结构类型1 单变量模糊控制器(a) 一维模糊控制器 如图所示，一维模糊控制器的输入变量往往选择为受控 量和 输入给定的偏差量E。由于仅仅采用偏差值，很难反映过程的动态特性品质，因此， 所能获得的系统动态性能是不能令人满意的。这种一维模糊控制器往往被 用于一阶 被控对象。(b)二维模糊控制器二维模糊控制器的两个输入变量基本上都选用受控变量和输入 给定的偏差 E和偏差变化EC,由于它们能够较严格地反映受控过程中输出变量的动态特 性，因此，在控制 效果上要比一维控制器好得多，也是目前采用较广泛的一类模糊控制 器(c)三维模糊控制器如图所
9、示，三维模糊控制器的三个输入变量分别为系统偏差量E、偏差变化 量 EC 和偏差变化的变化率 ECCo 由于这些模糊控制器结构较复杂，推理运算时 间长，因此除非 对动态特性的要求特别高的场合，一般较少选用三维模糊控制器。EUd/dt d/dtECC(11)将模糊推理结果转化为精确值的过程称为反模糊化。常用的反模糊化有 三 种：(1) 最大隶属度法选取推理结果模糊集合中隶属度最大的元素作为输出值，即 V)=max v(v) v V如果在输出论域V中，其最大隶属度对应的输出值多于一个，则取所有具有最大隶属度输出的平均值，即:N为具有相同最大隶属度输出的总数。(2) 重心法NVo = 1百Vo =N
10、yvi = max(s(v)为了获得准确的控制量，就要求模糊方法能够很好的表达输出隶属度函数的计 算结果。重心法是取隶属度函数曲线与横坐标围成面积的重心为模糊推理的最终输出值，即vVov 卩(v ) dvv对于具有m个输出量化级数的离散域情况f v( v ) dvfvV叽)与最大隶属度法相比较，重心法具有更平滑的输出推理控制Jv(vk)k -1即使对应于输入信号的微小变化，输出也会发生变化 (3)加权平均法工业控制中广泛使用的反模糊方法为加权平均法，输出值由下式决定m、vkii其中系数ki的选择根据实际情况而定。不同的系数决定系统具有不mk送i 0同的响应特性。当系数取隶属度i(v)时，就转化
11、为重心法V(12) 神经元/神经细胞由三部分构成：(1) 细胞体(主体部分)：包括细胞质、细胞膜和细胞核；(2) 树突：用于为细胞体传入信息；(3) 轴突：为细胞体传出信息，其末端是轴突末梢，含传递信息的化学物质；(4) 突触：是神经元之间的接口( 1 041 05个/每个神经元)。一个神经元通过其轴突的神经 末梢，经突触与另外一个神经元的树突连接，以实现信息的传递。由于突触的信息 传递特性是 可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元 之间连接的柔性， 称为结构的可塑性。(13) 神经网络的分类根据神经网络的连接方式，神经网络可分为两种形式：(1) 前向网络(2)反馈
12、网络(3)自组织网络(14) 神经网络学习算法按有无导师分类可分为有教师学习、无教师学习和再励学习等几大类。(15) 最基本的神经网络学习算法：Hebb学习规则、Delta( S )学习规则、概率式学习规则、竞争式学习规则(16) 神经网络特征(1) 能逼近任意非线性函数； (2) 信息的并行分布式处理 与存储；(2) 便于用超大规模硬件实行并行处理 (3)能进行学 习，以适应环境的变化(17) 神经网络要素(1) 神经元(信息处理单元)的特性；(2) 神经元之间相互连接的形式一拓扑结构；(3) 为适应环境而改善性能的学习规则。(18) BP 网络特点(1) 是一种多层网络，包括输入层、隐含层和输出层(2) 层与层之间采用全互连方式，同一层神经元之间不连接；(3) 权值通过3 学习算法进行调节；(4) 神经元激发函数为S函数；(5) 学习算法由正向传播和反向传播组成；(6) 层与层的连接是单向的，信息的传播是双向的。(19) BP 算法的学习过程由正
