智能控制

1、智能控制: 即设计一个控制器（或系统），使之具有学习、抽象、推理、决策等功能，并能根据环境（包括被控对象或被控过程）信息的变化做出适应性反应，可以有各种人工智能的水平，从而实现由人来完成的任务。

2、智能控制由哪几部分组成？各自的特点是什么？①模糊控制（通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制）②神经网络控制（从机理上对人脑生理系统进行简单结构的模拟，具有并行机制、模式识别、记忆和自学习能力的特点，能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性）③遗传算法（可用于模糊控制规则的优化及神经网络参数及权值的学习）3、比较智能控制和传统控制的特点传统控制和智能控制的主要区别：①传统控制方法在处理复杂化和不确定性问题方面能力很低；智能控制在处理复杂性、不确定性方面能力较高。

智能控制系统的核心任务是控制具有复杂性和不确定性的系统，而控制的最有效途径就是采用仿人智能控制决策。

②传统控制是基于被控对象精确模型的控制方式；智能控制的核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。

传统控制和智能控制的统一：智能控制擅长解决非线性、时变等复杂控制问题，而传统控制适于解决线性、时不变等相对简单的控制问题。

智能控制的许多解决方案是在传统控制方案基础上的改进，因此，智能控制是对传统控制的扩充和发展，传统控制是智能控制的一个组成部分。

在这个意义上，传统控制和智能控制可以统一在智能控制的框架下，而不是被智能控制所取代。

智能控制研究对象的特点：(1)不确定性的模型 (2)高度的非线性 (3)复杂的任务要求智能控制的特点：(1)分层递阶的组织结构 (2)自学习能力 (3)自适应能力 (4)自组织能力(5)优化能力4、专家系统：是一类包含着知识和推理的智能计算机程序，其内部含有大量的某个领域的专家水平的知识和经验，具有解决专门问题的能力。

专家控制：是将专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下，仿效专家的经验，实现对系统的控制。

5、专家控制与专家系统的区别：①专家系统能完成专门领域的功能，辅助用户决策；专家控制能进行独立的、实时的自动决策。

专家控制比专家系统对可靠性和抗干扰有着更高的要求。

②专家系统处于离线工作方式，而专家控制要求在线获取反馈信息，即要求在线工作方式。

6、专家控制器的分类①直接型专家控制器：用于取代常规控制器，直接控制。

具有模拟操作人工智能的功能。

该控制器的任务和功能相对比较简单，但需要在线、实时控制。

②间接型专家控制器：用于和常规控制器相结合， 间接控制。

具有模拟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。

通常优化型、适应型专家控制器需要在线、实时、联机运行；协调型、组织型专家控制器可以离线、非实7、正向推理（推理机的工作过程如下：① 推理机将知识库中的规则前提与这些事实进行匹配；一般是将每条规则的<前提>取出来，验证这些前提是否在数据库中，若都在，则匹配成功；不然的话，则取下一条规则进行匹配。

②把匹配成功的规则的<结论>作为新的事实添加到综合数据库中。

③ 用更新后的综合数据库中的事实，重复上面两个步骤，直到某个事实就是意想中的结论或是不再有新的事实产生为止。

）例：农产品专家系统 规则库：R1: IF 食物为绿色 = TURE THEN 它是农产品 = TURE . R2: IF 食物为精包装 = TURE THEN 它是高档食品 = TURE .R3: IF 食物为冷冻食品或农产品 = TURE THEN 它是易坏食品 = TURE .R4: IF 食物重5KG 且价廉又不易坏食品 = TURE THEN 它是家庭通用食品 = TURE . R5: IF 食品易坏,食物重5KG = TURE THEN 它是牛肉 = TURE . R6: IF 食物重5KG,且为农产品 = TURE THEN 它是西瓜 = TURE. 数据库初始值为“食物为绿色，重5KG ”正向推理过程（1）第一次匹配，R1触发，综合数据库更新数据为W1“它是农产品，食物为绿色，重5KG ”；（2）以W1为匹配数据，第二次匹配，R1、R3、R6触发，R1已执行，将其删除，执行R3，综合数据库更新数据为W2“它是农产品，易坏食品，食物为绿色，重5KG ”（3）以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发，R1、R3已执行，将它们删除，执行R5，综合数据库更新数据为W3“它是农产品，它是牛肉，易坏食品，食物为绿色，重5KG ”，得出结论是牛肉，与事实相违，此步因R5的不精确导致推理出错；（4）重复以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发， R1、R3、R5删除，执行R6，综合数据库更新数据为W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG ”；（5）以W4为匹配数据，第四次匹配， R1、R3、R5、R6触发， R1、R3、R5、R6都已执行，全部删除，所有规则匹配完毕，所以综合数据库W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG ”，得到问题的求解。

8、宽度优先搜索方法：搜索的节点是一层一层地检查的，只有在上一层的每一个节点都检查完毕之后，这一层的节点才能开始检查，也就是说，节点的扩展是按它们接近起始节点的程度依次进行的。

控制算法专家控制器检测器特征提取被控对象EμRy－＋智能控制深度优先搜索方法就是按“最晚产生（最深的）节点优先扩展”的搜索方法，深度相等的节点其顺序可以任意排列。

也就是总是向亲代到子代方向进行，直到不得不返回追踪的搜索。

从树的观点看，不是从左枝开始，就是从右枝开始。

9、人工神经网络是模拟人脑思维方式的数学模型。

神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。

神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。

10、根据神经网络的连接方式，神经网络可分为3种形式：（1）前向网络:每一层的神经元只接受前一层神经元的输入。

输入模式经过各层的顺次变换后，由输出层输出。

在各神经元之间不存在反馈。

感知器和误差反向传播网络采用前向网络形式。

（2）反馈网络:该网络结构在输出层到输入层存在反馈。

需要工作一段时间才能达到稳定。

Hopfield 神经网络是其最典型的模型，它具有联想记忆的功能2 3 4 1 8 7 6 5 2 8 3 7 1 4 6 5 2 8 3 1 6 7 5 4 2 8 3 6 4 1 7 5 1 2 3 8 4 7 6 5 8 3 2 1 4 7 6 5 2 8 1 4 3 7 6 52 83 145 7 62 3 1 8 4 7 6 5 2 8 3 7 1 4 6 5 2 8 3 1 6 4 7 5 2 8 3 1 6 4 7 5 2 3 1 8 4 7 6 5 8 3 2 1 4 7 6 5 2 8 1 4 3 7 6 5 2 8 3 1 4 5 7 6 2 8 3 7 1 4 6 58 1 3 2 4 7 6 51 2 3 8 4 7 6 51 2 3 7 8 4 6 52 83 74 6 1 58 3 2 1 4 7 6 52 83 14 7 6 52 83 1 64 7 52 3 1 8 4 7 6 52 83 14 7 6 52 83 14 7 6 5(3) 自组织网络:Kohonen 网络是最典型的自组织网络。

不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。

这种映射是通过无监督的自适应过程完成的。

11、神经网络的学习算法按有无导师分类：①有导师学习，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。

② 无导师学习，输入模式进入网络后，网络按照一预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。

③再励学习，是介于上述两者之间的一种学习方式。

12、BP 网络的优缺点 BP 网络的优点为：（1）只要有足够多的隐层和隐层节点，BP 网络可以逼近任意的非线性映射关系； （2）BP 网络的学习算法属于全局逼近算法，具有较强的泛化能力。

（3）BP 网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP 网络具有较好的容错性。

BP 网络的主要缺点为：（1）待寻优的参数多，收敛速度慢；（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；（3）难以确定隐层及隐层节点的数目。

目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。

13、径向基函数(RBF)神经网络是具有单隐层的三层前馈网络。

由于它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，因此，RBF 网络是一种局部逼近的神经网络，已证明它能以任意精度逼近任意连续函数。

14、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，则转至反向传播，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。

（待补全） 15、如图给出了一个单层感知器。

（1）试按图中所给权值和阀值计算其输出，并填入真值表； （2）指出该感知器实现的是何种逻辑。

该单层感知器输出和真值表为从真值表可以看出，该感知器实现的是“或非”逻辑。

16、从控制角度来看，神经网络用于控制的优越性主要表现为： （1）神经网络可以处理那些难以用模型或规则描述的对象；（2）神经网络采用并行分布式信息处理方式，具有很强的容错性；（3）神经网络在本质上是非线性系统，可以实现任意非线性映射，神经网络在非线性控制系统中具有很大的发展前途。

（4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题；x 1x 2y-112121212121 x =0,x =00 x =0,x =1y=sgn(-0.5x -0.5x +0.25)=0 x =1,x =00 x =1,x =1⎧⎪⎪⎨⎪⎪⎩12001010100110（5）神经网络的硬件实现愈趋方便。

大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段，为神经网络在控制中的应用开辟了广阔的前景。

17、神经网络控制的研究领域(1)基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型。