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,那么A是正态的.换句话说,我们总可以找到一个点xex,使MAX=1.2 .模糊集合补定义模糊集合A的补表示彳-A,非A定义为x=%"3 .Kohonen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,假设含图式H的染色体平均适应度高于当前种群的

2、平均适应度,那么图式H在下一代染色体中出现的时机将变大.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水平.对9 .模糊限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.对自组织网络可用来数据聚类.对1 语言变量是多元组x,Tx,XC“1语言变量是多元组x,7x,X,GM：其中x是变量的名称：Tx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值名称的句法规那么：M是与各值含义有关的语法规那么.2 P57模糊推理前提1事实X是4前提2规那么ifx是A是8结果结论丁是&这里,A

3、'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.可以提升优秀个体对群种限制的速度,从而改善局部搜索,但损害了全局搜索水平.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P1031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、单片机中应用模糊限制一般不进行的操作是BA、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BA、加法器B、除法器C、静态非线性函

4、数D、线性动态SISO系统8、神经元模型中没有的局部是AA、轴突B、权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选项是CA、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,它表达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.比方我们说一个人个儿高或个儿矮,它没有精确的界限,不能说身高米的人是'高',而米的人是矮,高与矮之间的界限是模糊的、平滑的.2、请说出模糊限制系统的模糊处

5、理过程答：1计算兼容度；2求鼓励强度；3求定性演译结果；4求总输出结果.3、解释CMAC网络的泛化及泛化对基于CMAC网络的限制系统的的影响答：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,利用扁平鼓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屡次全局搜索,防止早熟收敛,使算法以比拟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

6、机产生小群种,对它进行遗传运算并收敛之后,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、模糊集合运算成年男子身高论域U=130,140,150,160,170,180,190,200,210=«1,“2,“3,"4,"5,“6,8,9,那么有模糊集合人工占10.00.00.00.20.40.60.81.01.01n个子同=+一和u2u34u5«6ill89人7佚i1°0.70.50.30.10.00.00.00.0uu2u3u4h5i/6«78i/9求模糊集合个子不高,个子高或个子矮,个子不高且

7、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RX,Y来描述,式中X=0,Y=0,这个模糊关系由模糊隐含A-8=minA,8来实现,式中AuXuV.现在给定A和B如下：A=0.5/0.2+0.6/0.5+l/0.7B=0.8/0.2+0.5/0.5+0.7/0.7输入为4:A'=0.2/0.2+0.9/0.5如果采用max-min复合规那么,确定模糊系统输出(即B')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(Sl,R)可得到一个S1*R矩阵和Sl*l列矢量b,其元素为(-1,

8、1)均匀分布随机数,W1,B1brands(SI,R);W2,B2=rands(S2,SI);得到Wl：SIXR矩阵,输入层的权值矩阵W2：S2XS1矩阵,输出层的权值矩阵及两个列向量Bl：SI*B2：S2*lbl=Bl*ones(1,21);把列向量Bl的每一行扩展成1X21向量,数值重复,net=newcf(minmax(P),5,1,'tansig','purelin,'traingd');%创立两层前向回馈网络%初始化练习次数%sse二初始化误差值fnet,tr二train(net,P,T);%练习网络Y=sim(net,P);%计算结果Plot

9、(P,YJr)holdPlot(P,T,'r+');holdoff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/=x2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；组成个体染色体二进制位数取决于运算精度=g=见2“也+为而2"-1I2n-l；怎q是X或9max和4min是9的最大值和最小值.max和min分别为8和0.么是相应于4的第位的二进制的值,步骤2选择种群数户和初始个体,计算适应度值,P=20；步骤3确定选择方法；

10、交换率尸G变异率为.选择方法用竞争法；PC=fPm=计算结果：8代后,fxfy二,41代后,fx,y=,x=,y=.1、根本模糊运算个子不高=1.0-0.01.0-0.01.0-0.01.0-0.21.0-0.41.0-0.61.0-0.81.0-1.01.0-1.0+H+ddwlm2m3w4u5“6u7“8u9_1.01.01.00.80.60.40.20.00.0-+H+H+m234u5u6u7“8u9个子不矮=1.0-1.01.0-0.71.0-0.51.0-0.31.0-0.11.0-0.01.0-0.01.0-0.01.0-0.0+Hd+wlu2u3z/4u5i(6u7u8u9_0.

11、00.30.50.70.91.01.01.01.0-H+H+d+wlu2u3“4u5ubillz/8«9个子高或个子矮=1.0v0.00.7v0.00.5v0.00.3v0.20.1v0.40.0v0.60.0v0.80.0v1.00.0v1.0+FH+uu2u34u567“8u91.00.70.50.30.40.60.81.01.0十H+F+m23i/4u5u67黑8«9个子不高且个子不矮二1.0A0.01.0A0.31.0A0.50.8a0.70.6a0.90.4a1.00.2a1.00.0a1.00.0a1.01-+uu2u34u5u6u7uSu90.00.30.50

12、.70.60.40.20.00.0d+F+H+wlw23z/4u561/78u92、习题与思考题9R(y)=(乂是574).相等)T0.60.10'0.6I0.60.1=(1,0.7,0.3,0.1).=(1,070.6,0,3)0.10.610.6、00.10.61;3、习题与思考题13(1)模糊隐含采用A->8=max(瓦B)A=(110.5110.41011)8=(000.8000.500.700)(Ky)=max(1-4(x),为(y)111111111111111111110.50.50.80.50.50.50.50.70.50.51111111111111111111

13、10.40.40.80.40.40.50.40.70.40.41111111111000.8000.500.700111111111111111111118=Ao(A-8)B(y)=maxmin.(x),Mi(x,y)11111111111111111110.50.50.80.50.50.50.50.70.50.511111111111111111111=(000.2000.90000)0.40.40.80.40.40.50.40.70.40.41111111111000.8000.500.7001111111111111111111=(0.40.40.80.40.40.50.40.70.40.4)(o09000009000)=000000000k000000LO0009000000ro000000000GO000GO0000oao00000000000000000000080000009000000000GO0000000(00006000ZO00)=)U!IUXUIU=(Q(gv)