智能控制技术亲自整理的知识点

1、精品文档智能限制(1)智能限制与传统限制的区别答：传统限制方法包括经典限制和现代限制,是基于被控对象精确模型的限制方式, 缺乏灵活性和应变水平,适于解决线性、时不变性等相对简单的限制问题,难以解决对 复杂系统的限制.智能限制能解决被控对象的复杂性、不确定性、高度的非线性,是传统限制开展的 高级阶段.(2)智能限制的概念答：智能限制是人工智能、自动限制、运筹学的交叉.(3) 1986年美国的PDPF究小组提出了 BFW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开展前景.(4)专家系统主要由知识库和推理机构成(核心)(5)专家限制的结构(6)按专家限制在限制系统中的作用和功能

2、,可将专家限制器分为以下两种类 型：答：(1)直接型专家限制器：直接专家限制器用于取代常规限制器,直接限制生产过程 或被控对象.具有模拟(或延伸,扩展)操作工人智能的功能.该限制器的任务和功能 相比照拟简单,但是需要在线、实时限制.因此,其知识表达和知识库也较简单,通常 由几十条产生式规那么构成,以便于增删和修改.直接型专家限制器的示意图见图中的虚线所示.或被控对象进行间接限制的智能限制系统.具有模拟(或延伸,扩展)限制工程师智能 的功能.该限制器能够实现优化适应、协调、组织等高层决策的智能限制.根据高层决 策功能的性质,间接型专家限制器可分为以下几种类型： 优化型专家限制器 适应型专家限制器

3、1欢立下载精品文档 协调型专家限制器 组织型专家限制器例3.4设0.90.20.80.5A二一一一求AU B,AC Bu1u2u3u4那么 人 0 0.90.20.80.6A B U1U2U3U4c 0.30.1B =u 1 u 20.40.6+U3U4Ac 0.30.1AB = 0.4U1(7)在模糊限制中应用较多的隶属函数有以下6种隶属函数 (1)高斯型隶属函数U2oU30.5+U4(x c)2高斯型隶属函数由两个参数仃和c确定：f (x,o,c) =e-2°2 其中参数b通常为正,参数c用于确定曲线的中央.Mat l ab表示为 gaussmf(x, o；c)(3) S形隶属函

4、数1S形函数si gmf (x, a c)由参数a和c决je: f (x,a,c)=1 一e ()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.Mat l ab表示为 sigmf(x,a,c)(4)梯形隶属函数x -a b - a 梯形曲线可由四个参数a, b, c, d确定：f (x,a,b,c,d) = «1d -xd -c0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Mat l ab表示为:trapmf(x, a, b, c,d)(5)三角形隶属函数三角形曲线的形状由三个参数a, b, c确定f(x,a,b,c) =x -

5、a b - a c - x c -b 0其中参数a和c确定三角形的“脚,而参数b确定三角形的“峰Mat l ab表示为 trimf(x, a,b,c)(6) Z形隶属函数2欢立下载精品文档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 l ab表示为 zmf(x, a, b)1图高斯型隶属函数M=1 图S形隶属函数M=3图 Z形隶属函数M=6 A17 |0.30.10.9B _ O, 0.93 欢92 0.1图 梯形隶属函数M=4图 三角形隶属函数M=5例3-10 设精品文档一07+0.4 0.1 ¥0.91.7 0.91A1B=i=113*0.2 0

6、.9v0,1 103 090.7 0.4 0.1 0.90.40.3 0.2 0.9 0.10.20.10.1例3-90.5A =a1试确定0.1B =b11 -0.71 -0.10.3 0.9I= I1 -0.31-0.9-10.70.1设论域 x=a1,a3), y=b 1, b2, th, z=c 1, C2, C3,10.10.1B =a2a3bi“If A AND B then C0.51十十一b2b3时的输出G.A B= At B解：0.510.110.60.41C 二b2a3C1C2所决定的模糊关系R,以及A ="囚aia2a30.6,.1,.1,.10.51.00.1

7、0.50.60.1 J将AX B矩阵扩展成如以下向量:R= A_ 0.1= 0.1T1B C=0.40.40.50.50.10.10.1当输入为A和B时,有:(AMB=b.1 0.5 1=A1TB10.50.50.11.00.410.40.60.10.10.10.10.60.10.10.1 T0.10.1T 0.40.10.50.50.10.10.11一11人=0.5 |A 0.10.1 J0.5-0.10.1a0.50.50.110.50.1将A X B矩阵扩展成如下行向量: 最后得,5 O,5 Oo O-,5 O,5 O,5 Ob-,5 O4b-巧O十,4O(8)模糊限制原理框图4欢立下载

8、精品文档校尚控犯监,制机)算制运汁投变糊化理模量处糊制那么模糊决%非糊处(9)模糊限制器的构成(模糊限制器的组成框图)(10)模糊限制器结构类型1单变量模糊限制器(a) 一维模糊限制器 如下图,一维模糊限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.这种一维模糊限制器往往被 用于一阶被控对象.(b)二维模糊限制器二维模糊限制器的两个输入变量根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,在限制效果上要比一维限制器好得多,也

9、是目前采用较广泛的一类模糊限制 器(c)三维模糊限制器如下图,三维模糊限制器的三个输入变量分别为系统偏差量E、 偏差变化量EC偏差变化的变化率ECCo由于这些模糊限制器结构较复杂,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限制器.5欢立下载精品文档ECC(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v0 = maxV(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,那么取所有具有最大隶属度输出的平均值,即：N*M<tmM*aMmM0 .(

10、2)重心法为了获得准确的限制量,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v 口 v ( v ) dv值,即“ V对于具有m个输出量化级数的离散域情况v 0=J v ( v ) dvm' vjk .1v0 二V(vk ) 与最大隶属度法相比拟,重心法具有更平滑的输出推理限制.二 v (vk) k T即使对应于输入信号的微小变化,输出也会发生变化.(3)加权平均法工业限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, viki=j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m“ ki

11、 i W同的响应特性.当系数取隶属度NV(vj)时,就转化为重心法(12)神经元/神经细胞由三局部构成：(1)细胞体(主体局部)：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(104105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

12、种形式：(1)前向网络(2)反应网络(3)自组织网络6欢立下载精品文档(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)最根本的神经网络学习算法：Hebb学习规那么、Delta( B)学习规那么、概率式学习规那么、竞争式学习规那么(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那么.(18)BP网络特点(1)是一种多层

13、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B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向传播和反向传播组成. 在正向传播过程中,输入信息从输入层经隐层逐层处理,并传向输出层,每层神经元(节点)的状态只影响下一层神经元的 状态.如果在输出层不能得到期望的输出,那么转至反向传播,将误差信号(理想 输出与实际输出之差)按联接通路反向计算,由梯度下降法调整各层神经元的权 值,使误差信号减小.(20)神经网络监督限制y d

14、(21)神经网络直接逆动态限制7欢立下载精品文档yd t(22)遗传算法的根本原理(1)遗传(2)变异(3)生存斗争和适者生存(23)遗传算法的根本操作为：(1)复制(2)交叉(3)变异(24)遗传算法的构成要素(1)染色体编码方法(2)个体适应度评价(3)遗传算子 选择运算：使用比例选择算子； 交叉运算：使用单点交叉算子； 变异运算：使用根本位变异算子或均匀变异算子.(4)根本遗传算法的运行参数(25)遗传算法的应用步骤第一步：确定决策变量及各种约束条件,即确定出个体的表现型X和问题的解空间；第二步：建立优化模型,即确定出目标函数的类型及数学描述形式或量化方法；第三步：确定表示可行解的染色体编码方法,即确定出个体的基因型x及遗传算法的搜 索空间；第四