西南大学网教智能控制答案

xj
为 输 入 信 号 ， j 1,, n ，
wij 为表示从单元 u j
ui
的连接权系数， s i 为外部输入信号
二、遗传算法有哪些基本运行参数，其值一般设为多少？（20 分）
基本遗传算法的运行参数 有下述 4 个运行参数需要提前设定：
图1 单神经元模型可描述为：
单神经元模型
Neti wij x j si i
O
（2）BP 神经网络 1986 年，Rumelhart 等提出了误差反向传播神经网络，简称 BP 网络（Back Propagation） ， 该网络是一种单向传播的多层前向网络。 误差反向传播的 BP 算法简称 BP 算法，其基本思想是梯度下降法。它采用梯度搜索技术， 以期使网络的实际输出值与期望输出值的误差均方值为最小。 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δ 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。 BP 网络结构
输入
定义隐层的 6 个节点的输入 定义隐层的 6 各节点的输出
Iout=[0,0,0,0,0,0]'; 采样时间
for
k=1:1:1000
time(k)=k*ts; u(k)=0.50*sin(3*2*pi*k*ts); y(k)=u_1^3+y_1/(1+y_1^2); for （3）BP 网络逼近仿真实例 仿真实例 使用 BP 网络逼近对象 j=1:1:6 I(j)=x'*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end yn(k)=w2'*Iout; e(k)=y(k)-yn(k);
西南大学网络与继续教育学院课程考试试题卷
类别： 网教 专业：电气工程及其自动化 2016 年 12 月 A卷 满分：100 分
课程名称【编号】 ： 智能控制 【1085】 大作业
一、试分析有导师学习和无导师学习算法的不同之处，并分别举例说明。 （20 分）
答：目前神经网络的学习算法有多种，按有无导师分类，可分为有导师学习
其中， wij (k ) 为连接从神经元 i 到神经元 j 水平。
的当前权值， I i
和
I j 为神经元的激活
Hebb 学习规则是一种无导师的学习方法，它只根据神经元连接间的激活水平改变权 值，因此，这种方法又称为相关学习或并联学习。 2、 Delta（δ ）学习规则 假设误差准则函数为：
P 1 P 2 E ( d p y p ) E p 2 p1 p 1
其中， d p 代表期望的输出（导师信号） ， y p 为网络的实际输出，
y p f (W T X p )
图 有导师指导的神经网络学习
W 为网络所有权值组成的向量，即
-1-
W w0, w1, , wn
X p 为输入模式：
T
（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。
五、解释题（请在以下三个名词解释中选择 2 个作答） （20 分）
1、恒值模糊控制系统：系统的指令信号为恒定值，通过模糊控制器消除外界对系统的扰 动作用，使系统的输出跟踪输入的恒定值。也称为“自镇定模糊控制系统” ，如温度模糊 控制系统。 2、随动模糊控制系统：系统的指令信号为时间函数，要求系统的输出高精度、快速地跟 踪系统输入。也称为“模糊控制跟踪系统”或“模糊控制伺服系统” 。 3、遗传操作中的交叉操作：交叉（Crossover Operator） ，交叉模拟了生物进化过程中的 繁殖现象，它是指通过两个染色体的交换组合，来产生新的优良品种的过程。
图
无导师指导的神经网络学习
最基本的神经网络学习算法： 1、Hebb 学习规则 Hebb 学习规则是一种联想式学习算法。 生物学家 D.O.Hebbian 基于对生物学和心理学 的研究，认为两个神经元同时处于激发状态时，它们之间的连接强度将得到加强，这一论 述的数学描述被称为 Hebb 学习规则，即
（ Supervised Learning ） 、 无 导 师 学 习 （ Unsupervised Learning ） 和 再 励 学 习 （Reinforcement Learning）等几大类。 在有导师的学习方式中，网络的输出和期望的输出（即导师信号）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。 在无导师的学习方式中，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。再励学习是介于上述两者之间 的一种学习方式。
RBF 网络结构 RBF 网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到 输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。
-5-
ห้องสมุดไป่ตู้
通常情况下，取
g (ui ) ui
即
yi f ( Neti )
采样时间取 1ms，输入信号为 ，神经网络采用 2—6—1 结构，权 。BP 网路逼近程序如下： 值 W1，W2 的初始值取[-1,+1]之间的随机值，取 %BP identification clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1); w2_1=w2;w2_2=w2_1; w1=rands(2,6); w1_1=w1;w1_2=w1; dw1=0*w1; x=[0,0]'; u_1=0; y_1=0; I=[0,0,0,0,0,0]'; FI=[0,0,0,0,0,0]'; ts=0.001;
X p x p 0 , x p1 , , x pn
其中训练样本数为 p 1,2,, P 。
T
四、请举例说明有哪些典型的神经网路？（20 分）
答： （1）单神经元网络 单神经元模型 图 1 中 为神经元的 内部状态， i 为阈值， 到单元
神经网络学习的目的是通过调整权值 W，使误差准则函数最小。权值的调整采用梯度 下降法来实现，其基本思想是沿着 E 的负梯度方向不断修正 W 值，直到 E 达到最小。数学 表达式为：
j
ui f ( Neti )
三、专家系统与专家控制有何区别？（20 分）
答：专家控制引入了专家系统的思想，但与专家系统存在区别： （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性有着更高的要求。
-2-
yi g (ui )
-3-
通过 S 激发函数之后的 6 个隐层节点输出值
% Output of NNI networks，网络的输出 % Error calculation，误差
w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); 输出层和隐层的权值算法 for j=1:1:6 FI(j)=exp(-I(j))/(1+exp(-I(j)))^2; end for i=1:1:2 for j=1:1:6 dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); end end w1=w1_1+dw1+alfa*(w1_1-w1_2); yu=0; for j=1:1:6 yu=yu+w2(j)*w1(1,j)*FI(j); end dyu(k)=yu; x(1)=u(k); x(2)=y(k); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; u_1=u(k); y_1=y(k); end figure(1); plot(time,y,'r',time,yn,'b'); xlabel('times');ylabel('y and yn'); figure(2); plot(time,y-yn,'r'); xlabel('times');ylabel('error'); figure(3); plot(time,dyu); xlabel('times');ylabel('dyu'); 仿真结果：
-4-
隐层和输入层权值算法
隐层和输入层权值算法
逼近效果图
%%%%%%%%%%%%%%Jacobian%%%%%%%%%%%%以下是求辨识
逼近误差
Jacobian 信息的辨识 （4）RBF 神经网络 径向基函数(RBF-Radial Basis Function)神经网络是由 J.Moody 和 C.Darken 在 80 年代末提出的一种神经网络,它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（或称感受野-Receptive Field）的神经网络结构，因此，RBF 网 络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数。