智能控制复习(已整理)

1、1，模糊集合正态性定义如果模糊集合的核非空，则A是正态的。换句话说，我们总可以找到一个点 X ,使 MA（x）=1.2模糊集合补定义模糊集合A的补表示（A，非A）定义为13Kohonen自组织网络，CMAC，有监督学习？Kohonen自组织网络无监督学习的神经网络，CMAC有监督学习。4遗传算法的图式定理在选择、交换、变异运算的作用下，确定位数少、定义长度短和适应度高的图式（也称组块）将按指数增长的规律，一代一代地增长。5感知器与BAM网络层数感知器是多层的网络层数，BAM是由两层神经元网络组成6.在选择、交换、变异的作用下，若含图式H的染色体平均适应度高于当前种群的平均适应度，则图式H在下一

2、代染色体中出现的机会将变大。（对）7.遗传算法二进制编码比十进制编码所包含的图式信息多。（对）8.神经元有强大的数据处理能力。（对）9.模糊控制的输出是一个模糊量。（错）10.遗传算法的重组运算降低了处于相近区域的个体的平均适应度值。（对）11.Kohonen自组织网络可用来数据聚类。（对）二1 语言变量是多元组1 语言变量是多元组：其中x是变量的名称；T（x）是x的术语的集合，即x的语言值名称的集合，每一个值定义在论域X中；G是产生x值名称的句法规则；M是与各值含义有关的语法规则。2 P57模糊推理 这里，接近于A，B接近于B。当A，B，A和B是适当论域中的模糊集合时，上述推理过程称之为近似

3、推理或模糊推理，也称作广义的假言推理。3 精英选择法是把群种中最优秀的个体直接复制到下一代.可以提高优秀个体对群种控制的速度,从而改善局部搜索,但损害了全局搜索能力.4 Hopfield网络结构形式离散时间形式；连续时间形式5 神经网络特征P103(1)非线性;(2)平行分布处理;(3)硬件实现;(4)学习和自适应性;(5)数据融洽;(6)多变量系统6、单片机中应用模糊控制一般不进行的操作是(B)A、标度变换 B、模糊推理 C、数字滤波 D、查表7、神经元模型中不包括（B）A、加法器 B、 除法器 C、静态非线性函数 D、线性动态SISO系统8、神经元模型中没有的部分是（A）A、轴突 B、权

4、C、静态非线性函数 D、线性动态SISO系统9、多点交换的描述正确的是（C）A、交换点为奇数 B、交换点为偶数 C、减少优良组块损失 D、交换点越多越好三、1、模糊集合和经典集合的区别，举一例说明模糊概念答：经典集合具有精确的边界；而模糊集合没有精确地边界，它体现了用语言表达一种事物的灵活性很多样性。经典集合到模糊集合是从“属于一个集合”到“不属于一个集合”的逐渐过渡。比如我们说一个人个儿高或个儿矮，它没有精确的界限，不能说身高1.80米的人是高，而1.79米的人是矮，高与矮之间的界限是模糊的、平滑的。2、请说出模糊控制系统的模糊处理过程答： 1）计算兼容度； 2）求激励强度； 3）求定性（演

5、译）结果； 4）求总输出结果。3、解释CMAC网络的泛化及泛化对基于CMAC网络的控制系统的的影响答：4、BP网络说明其逼近非线性函数的原理答：具有至少一个隐层的多层前馈网络，如果隐层单元足够多，那么，利用扁平激励函数和线性多项式集成函数，可以对任意感兴趣的函数逼成到任意精度。5、说出微种群算法和双种群算法相对于简单遗传算法的优越性答：(速度与全局性兼顾 ）用小规模的种群进行有效的多次全局搜索，避免早熟收敛，使算法以比较快的速度收敛到全局最优解。双种群算法:运算量小,而且几乎不陷入局部极小点,确实做到了全局搜索和局部化的平衡.6、说明微种群遗传算法原理答:随机产生小群种,对它进行遗传运算并收敛

6、之后,把最好的个体传至下一代,产生新的群种,再进行遗传算法,如此反复,直到完成总体收敛.四、模糊集合运算已知成年男子身高论域U=130,140,150,160,170,180,190,200,210=则有模糊集合个子高和个子矮求模糊集合个子不高，个子高或个子矮，个子不高且个子不矮五、模糊集合复合计算一个模糊系统输入输出关系由模糊关系R(X,Y)来描述，式中X=0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9，Y=0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9这个模糊关系由模糊隐含来实现，式中。现在给定A和B如下： 输入为: 如果采用max-

7、min复合规则，确定模糊系统输出（即）六、BP网络仿真程序分析rands(S1,R);可得到一个S1*R的矩阵，其元素为（1，1）均匀分布随机数，w,b=rands(S1,R)可得到一个S1*R矩阵和S1*1列矢量b, 其元素为（1，1）均匀分布随机数，W1,B1=rands(S1,R); W2,B2=rands(S2,S1); 得到 W1：S1R矩阵,输入层的权值矩阵 W2：S2S1矩阵，输出层的权值矩阵 及两个列向量B1：S1* B2：S2*1b1=B1*ones(1,21);把列向量B1的每一行扩展成121向量，数值重复，net=newcf(minmax(P),5,1,tansig,pu

8、relin,traingd); %创建两层前向回馈网络net.trainParam.epochs=7000; %初始化训练次数net.trainParam.goal=9.5238e-004; % sse=0.02 %初始化误差值net.trainParam.lr = 0.15; net,tr=train(net,P,T); %训练网络Y=sim(net,P) ; %计算结果plot(P,Y,r-) holdplot(P,T,r+);hold off七、简单遗传算法 问题抽象成遗传算法问题（1）这是一个最优的问题，初步判断可以抽象成一个遗传算法问题（2）把x看成染色体，0，31就是解空间; 把 看作适应度函数（3）染色体编码 : x在0，31，所以可取五位2进制数作为编码方式步骤1）编码：确定二进制的位数；组成个体（染色体）步骤2）选择种群数P 和初始个体，计算适应度值，P = 20；步骤3）确定选择方法；交换率PC；变异率Pm。选择方法用竞争法； PC = 0.7