歷 年 題 庫一 、填空題1、模糊控制器由 模糊化接口、解模糊接口 、 知識庫 和 模糊推理機(jī) 組成2、一個單神經(jīng)元的輸入是1.0 ，其權(quán)值是1.5，閥值是-2，則其激活函數(shù)的凈輸入是 -0.5 ，當(dāng)激活函數(shù)是階躍函數(shù)，則神經(jīng)元的輸出是 1 3、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式有 導(dǎo)師監(jiān)督學(xué)習(xí) 、 無導(dǎo)師監(jiān)督學(xué)習(xí) 和 灌輸式學(xué)習(xí) 4、清晰化化的方法有三種： 平均最大隸屬度法 、 最大隸屬度取最小/最大值法 和 中位數(shù)法，加權(quán)平均法 5、模糊控制規(guī)則的建立有多種方法，是： 基于專家經(jīng)驗和控制知識 、 基于操作人員的實際控制過程 和 基于過程的模糊模型，基于學(xué)習(xí) 6、神經(jīng)網(wǎng)絡(luò)控制的結(jié)構(gòu)歸結(jié)為 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制 、 神經(jīng)網(wǎng)絡(luò)直接逆動態(tài)控制 、 神網(wǎng)自適應(yīng)控制 、神網(wǎng)自適應(yīng)評判控制 、神網(wǎng)內(nèi)?？刂?、神網(wǎng)預(yù)測控制 六類7傅京遜首次提出智能控制的概念，并歸納出的3種類型智能控制系統(tǒng)是 、 和 。7、人作為控制器的控制系統(tǒng)、人機(jī)結(jié)合作為控制器的控制系統(tǒng)、無人參與的自主控制系統(tǒng)8、智能控制主要解決傳統(tǒng)控制難以解決的復(fù)雜系統(tǒng)的控制問題，其研究的對象具備的3個特點為 、 和 。8、 不確定性、高度的非線性、復(fù)雜的任務(wù)要求9智能控制系統(tǒng)的主要類型有 、 、 、 、 和 。9、分級遞階控制系統(tǒng)，專家控制系統(tǒng)，神經(jīng)控制系統(tǒng)，模糊控制系統(tǒng)，學(xué)習(xí)控制系統(tǒng)，集成或者（復(fù)合）混合控制系統(tǒng)10智能控制的不確定性的模型包括兩類：(1) ；(2) 。10、(1)模型未知或知之甚少；(2)模型的結(jié)構(gòu)和參數(shù)可能在很大范圍內(nèi)變化。11控制論的三要素是： 信息 、 反饋 和 控制 。12建立一個實用的專家系統(tǒng)的步驟包括三個方面的設(shè)計，它們分別是、和。知識庫的設(shè)計 推理機(jī)的設(shè)計 人機(jī)接口的設(shè)計13專家系統(tǒng)的核心組成部分為 和 。知識庫、推理機(jī)14專家系統(tǒng)中的知識庫包括了3類知識，它們分別為 、 、和 。判斷性規(guī)則控制性規(guī)則數(shù)據(jù)15專家系統(tǒng)的推理機(jī)可采用的3種推理方式為 推理、 和 推理。15、正向推理、反向推理和雙向推理16根據(jù)專家控制器在控制系統(tǒng)中的功能，其可分為 和 。16、直接型專家控制器、間接型專家控制器17普通集合可用 函數(shù)表示,模糊集合可用 函數(shù)表示。特征、隸屬18某省兩所重點中學(xué)在(x1x5)五年高考中，考生“正常發(fā)揮”的隸屬函數(shù)分別為0.85、0.93、0.89、0.91、0.96和0.92、0.96、0.87、0.93、0.94。則在研究該省重點中學(xué)高考考生水平發(fā)揮的狀況時，論域應(yīng)為 ，若分別用、表示兩個學(xué)?？荚嚒罢０l(fā)揮”的狀況，則用序偶表示法分別表示為 ， ；“未正常發(fā)揮”模糊子集（用行向量表示）分別為 和 ；而該省兩所重點中學(xué)每年高考考生“正常發(fā)揮”的模糊子集應(yīng)該是 （用Zadeh法表示）。， 19.確定隸屬函數(shù)的方法大致有 、 和 。19、模糊統(tǒng)計法 主觀經(jīng)驗法 神經(jīng)網(wǎng)絡(luò)法20在模糊控制中應(yīng)用較多的隸屬函數(shù)有6種，它們分別為高斯型隸屬函數(shù)、 、 、 、 和 。20、廣義鐘形隸屬函數(shù)S形隸屬函數(shù)梯形隸屬函數(shù)三角形隸屬函數(shù)Z形隸屬函數(shù)21在天氣、學(xué)問、晴朗、表演和淵博中可作為語言變量值的有 和 。21、晴朗、淵博23模糊控制是以、和為基礎(chǔ)的一種智能控制方法。模糊集理論，模糊語言變量，模糊邏輯推理24模糊控制的數(shù)學(xué)基礎(chǔ)為 。24、模糊集合25模糊控制中，常用的語言變量值用,等表示,其中代表 , 代表 。25、正中、負(fù)零26. 在模糊控制中，模糊推理的結(jié)果是 量。26、模糊27. 在模糊控制中，解模糊的結(jié)果是 量。確定量28. 基本模糊控制器的組成包括知識庫以及 、和。模糊化接口、推理機(jī)、解模糊接口29. 在模糊控制中，實時信號需要 才能作為模糊規(guī)則的輸入，從而完成模糊推理。29、 模糊化30模糊控制是建立在 基礎(chǔ)之上的，它的發(fā)展可分為三個階段，分別為 、 、 和 。30、人工經(jīng)驗 模糊數(shù)學(xué)發(fā)展和形成階段 產(chǎn)生了簡單的模糊控制器 高性能模糊控制階段31模糊集合邏輯運算的模糊算子為 、 和 。31、交運算算子 并運算算子 平衡算子32在溫度、成績、暖和、口才和很好中可作為語言變量值的有 和 32.暖和、很好33在水位、壓力、暖和、表演、中年人和比較好中可作為語言變量值的有 、 和 。33、暖和、中年人和比較好34在水位、寒冷、溫度、表演和偏高中可作為語言變量值的有 和 。34.寒冷、偏高35. 模糊控制的基本思想是把人類專家對特定的被控對象或過程的 總結(jié)成一系列以“ ”形式表示的控制規(guī)則。35、控制策略 “IF條件THEN 作用”36神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程經(jīng)歷了4個階段，分別為 、 、 和 。36、啟蒙期、低潮期、復(fù)興期、新連接機(jī)制期37神經(jīng)元由4部分構(gòu)成，它們分別為 、 、 和突觸。37、細(xì)胞體、樹突、軸突38根據(jù)神經(jīng)網(wǎng)絡(luò)的連接方式，神經(jīng)網(wǎng)絡(luò)的種形式為： 、 和 。38、 前向網(wǎng)絡(luò) 反饋網(wǎng)絡(luò) 自組織網(wǎng)絡(luò)39神經(jīng)網(wǎng)絡(luò)的3個要素為： 、 和 。39、神經(jīng)元的特性 拓?fù)浣Y(jié)構(gòu) 學(xué)習(xí)規(guī)則41.目前神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有多種，按有無導(dǎo)師分類，可分為、和。41、有導(dǎo)師學(xué)習(xí) 無導(dǎo)師學(xué)習(xí) 再勵學(xué)習(xí)42.神經(jīng)網(wǎng)絡(luò)的研究主要分為3個方面的內(nèi)容，即 、 和 。42.神經(jīng)元模型、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法43.神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要由 正向傳播 和 反向傳播 兩個階段組成。44神經(jīng)網(wǎng)絡(luò)控制是將 和 相結(jié)合而發(fā)展起來的智能控制方法。神經(jīng)網(wǎng)絡(luò)，控制理論45. 遺傳算法的主要用途是 。45、尋優(yōu)（優(yōu)化計算）46常用的遺傳算法的染色體編碼方法有二種，它們分別為實數(shù)編碼和。46、二進(jìn)制編碼47.遺傳算法的3種基本遺傳算子 、 和 。 47、比例選擇算子 單點交叉算子 變異算子48遺傳算法中，適配度大的個體有 被復(fù)制到下一代。更多機(jī)會49. 遺傳算法中常用的3種遺傳算子（基本操作）為 、 、和 。49、復(fù)制、交叉和變異二、簡答題：1. 試說明智能控制的的基本特點是什么？（1）學(xué)習(xí)功能（1分）（2）適應(yīng)功能（1分） （3）自組織功能（1分） （4）優(yōu)化能力（2分）2、試簡述智能控制的幾個重要分支。 專家控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制和遺傳算法。3、試說明智能控制研究的數(shù)學(xué)工具。智能控制研究的數(shù)學(xué)工具為：（1）符號推理與數(shù)值計算的結(jié)合；（2）離散事件與連續(xù)時間系統(tǒng)得結(jié)合；（3）模糊集理論；（4）神經(jīng)網(wǎng)絡(luò)理論；（5）優(yōu)化理論4.智能控制系統(tǒng)有哪些類型，各自的特點是什么？（1）專家控制系統(tǒng)（1分）專家系統(tǒng)主要指的是一個智能計算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗。它具有啟發(fā)性、透明性、靈活性、符號操作、不一確定性推理等特點。 （2）模糊控制系統(tǒng)（1分） 在被控制對象的模糊模型的基礎(chǔ)上，運用模糊控制器近似推理手段，實現(xiàn)系統(tǒng)控制的一種方法模糊模型是用模糊語言和規(guī)則描述的一個系統(tǒng)的動態(tài)特性及性能指標(biāo)。 （3）神經(jīng)控制系統(tǒng)（1分） 神經(jīng)網(wǎng)絡(luò)具有某些智能和仿人控制功能。學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)的主要特征。（4）遺傳算法（2分） 遺傳算法是基于自然選擇和基因遺傳學(xué)原理的搜索算法,是基于進(jìn)化論在計算機(jī)上模擬生命進(jìn)化論機(jī)制而發(fā)展起來的一門學(xué)科. 遺傳算法可用于模糊控制規(guī)則的優(yōu)化及神經(jīng)網(wǎng)絡(luò)參數(shù)及權(quán)值的學(xué)習(xí),在智能控制領(lǐng)域有廣泛的應(yīng)用。5、簡述專家控制與專家系統(tǒng)存在的區(qū)別。專家控制引入了專家系統(tǒng)的思想，但與專家系統(tǒng)存在區(qū)別： （1）專家系統(tǒng)能完成專門領(lǐng)域的功能，輔助用戶決策；專家控制能進(jìn)行獨立的、實時的自動決策。專家控制比專家系統(tǒng)對可靠性和抗干擾性有著更高的要求。（2）專家系統(tǒng)處于離線工作方式，而專家控制要求在線獲取反饋信息，即要求在線工作方式。6、試說明智能控制的三元結(jié)構(gòu)，并畫出展示它們之間關(guān)系的示意圖。把智能控制擴(kuò)展為三元結(jié)構(gòu)，即把人工智能、自動控制和運籌學(xué)交接如下表示：（2分）IC=AIACOR OR一運籌學(xué)（Operation research） IC一智能控制( intelligent control); Al一人工智能(artificial intelligence); AC一自動控制(automatic Colltrol);一表示交集.7比較智能控制與傳統(tǒng)控制的特點。傳統(tǒng)控制：經(jīng)典反饋控制和現(xiàn)代理論控制。它們的主要特征是基于精確的系統(tǒng)數(shù)學(xué)模型的控制。適于解決線性、時不變等相對簡單的控制問題。（2分）智能控制：以上問題用智能的方法同樣可以解決。智能控制是對傳統(tǒng)控制理論的發(fā)展，傳統(tǒng)控制是智能控制的一個組成部分，在這個意義下，兩者可以統(tǒng)一在智能控制的框架下。8. 簡述智能控制系統(tǒng)較傳統(tǒng)控制的優(yōu)點。 在傳統(tǒng)控制的實際應(yīng)用遇到很多難解決的問題，主要表現(xiàn)以下幾點：（1）實際系統(tǒng)由于存在復(fù)雜性、非線性、時變性、不確定性和不完全性等，無法獲得精確的數(shù)學(xué)模型。(1分)（2）某些復(fù)雜的和包含不確定性的控制過程無法用傳統(tǒng)的數(shù)學(xué)模型來描述，即無法解決建模問題。(1分)（3）針對實際系統(tǒng)往往需要進(jìn)行一些比較苛刻的線性化假設(shè)，而這些假設(shè)往往與實際系統(tǒng)不符合。(1分)（4）實際控制任務(wù)復(fù)雜，而傳統(tǒng)的控制任務(wù)要求低，對復(fù)雜的控制任務(wù)，如機(jī)器人控制、CIMS、社會經(jīng)濟(jì)管理系統(tǒng)等復(fù)雜任務(wù)無能為力。(1分) 智能控制將控制理論的方法和人工智能技術(shù)靈活地結(jié)合起來，其控制方法適應(yīng)對象的復(fù)雜性和不確定性,能夠比較有效的解決上述問題,具有較大的優(yōu)越性。( 1分)9、智能控制與傳統(tǒng)控制的主要區(qū)別如何？傳統(tǒng)控制：經(jīng)典反饋控制和現(xiàn)代理論控制。它們的主要特征是基于精確的系統(tǒng)數(shù)學(xué)模型的控制。適于解決線性、時不變等相對簡單的控制問題。 智能控制：以上問題用智能的方法同樣可以解決。智能控制是對傳統(tǒng)控制理論的發(fā)展，能夠解決傳統(tǒng)控制方法難以解決的復(fù)雜系統(tǒng)的控制問題，如：對象的不確定性、高度的非線性和復(fù)雜的任務(wù)要求。傳統(tǒng)控制是智能控制的一個組成部分，在這個意義下，兩者可以統(tǒng)一在智能控制的框架下。10在模糊控制器的設(shè)計中，常用的反模糊化的方法有哪幾種？最大隸屬度法、中心法和加權(quán)平均法。11.簡述將模糊控制規(guī)則離線轉(zhuǎn)化為查詢表形式的模糊控制器的設(shè)計步驟。(1)確定模糊控制器的結(jié)構(gòu); (2)定義輸入、輸出模糊集； (3) 定義輸入、輸出隸屬函數(shù)； (4)建立模糊控制規(guī)則； (5)建立模糊控制表； (6)模糊推理； (7)反模糊化。12.簡述模糊控制的發(fā)展方向模糊控制的發(fā)展方向有：（）Fuzzy-PID復(fù)合控制（2）自適應(yīng)模糊控制（3）專家模糊控制（4）神經(jīng)模糊控制（5）多變量模糊控制13、模糊控制系統(tǒng)一般由幾個部分組成？1）模糊控制器 2）輸入/輸出接口裝置3）廣義對象4）傳感器14、比較模糊集合與普通集合的異同。比較模糊集合與普通集合的異同。相同點：都表示一個集合； 不同點：普通集合具有特定的對象。而模糊集合沒有特定的對象，允許在符合與不符合中間存在中間過渡狀態(tài)。15簡述模糊集合的概念。設(shè)為某些對象的集合,稱為論域,可以是連續(xù)的或離散的；論域到0,1區(qū)間的任一映射 : 0,1 確定了的一個模糊子集；稱為的隸屬函數(shù)，表示論域的任意元素屬于模糊子集F的程度。模糊子集F的表示方法有幾種，如：向量表示法、Zadeh表示法、序偶表示法等。16、請畫出模糊控制系統(tǒng)的組成框圖，并結(jié)合該圖說明模糊控制器的工作原理。 模糊控制器的工作原理為:(1)模糊化接口測量輸入變量(設(shè)定輸入)和受控系統(tǒng)的輸出變量,并把它們映射到一個合適的響應(yīng)論域的量程,然后,精確的輸入數(shù)據(jù)被變換為適當(dāng)?shù)恼Z言值或模糊集合的標(biāo)識符。本單元可視為模糊集合的標(biāo)記。(2)知識庫涉及應(yīng)用領(lǐng)域和控制目標(biāo)的相關(guān)知識,它由數(shù)據(jù)庫和語言(模糊)控制規(guī)則庫組成。數(shù)據(jù)庫為語言控制規(guī)則的論域離散化和隸屬函數(shù)提供必要的定義。語言控制規(guī)則標(biāo)記控制目標(biāo)和領(lǐng)域?qū)＜业目刂撇呗浴?3)推理機(jī)是模糊控制系統(tǒng)的核心。以模糊概念為基礎(chǔ),模糊控制信息可通過模糊蘊涵和模糊邏輯的推理規(guī)則來獲取,并可實現(xiàn)擬人決策過程。根據(jù)模糊輸入和模糊控制規(guī)則,模糊推理求解模糊關(guān)系方程,獲得模糊輸出。(4)模糊判決接口起到模糊控制的推斷作用,并產(chǎn)生一個精確的或非模糊的控制作用。此精確控制作用必須進(jìn)行逆定標(biāo)(輸出定標(biāo)),這一作用是在對受控過程進(jìn)行控制之前通過量程變換來實現(xiàn)的17試寫出3種常用模糊條件語句及對應(yīng)的模糊關(guān)系的表達(dá)式。（1）設(shè)、分別是論域、上的模糊集合， 則模糊條件語句“if then ” 所決定的二元模糊關(guān)系為： （1分）（2）設(shè)、和分別是論域、和上的模糊集合， 則模糊條件語句“if then else ” 所決定的二元模糊關(guān)系為： （2分）（3） 設(shè)、和分別是論域、和上的模糊集合， 則模糊條件語句“if and then ”所決定的二元模糊關(guān)系為： 18人工神經(jīng)網(wǎng)絡(luò)有哪些主要的結(jié)構(gòu)特征？（1）并行處理；（2分）（2）信息分布式存儲；（2分）容錯性。（1分）19簡述神經(jīng)元模型并畫出結(jié)構(gòu)圖。和神經(jīng)生理學(xué)類似,人工神經(jīng)網(wǎng)絡(luò)的的基本處理單元稱為神經(jīng)元，每個神經(jīng)元模型模擬一個生物神經(jīng)元,如圖所示：神經(jīng)元模型該神經(jīng)元單元由多個輸入,i=1, 2, ., n和一個輸出y組成。中間狀態(tài)由輸入信號加權(quán)和表示,其輸出為:式中,為神經(jīng)元單元的閾值),為連接權(quán)系數(shù)(對于激發(fā)狀態(tài),取正值,對于抑制狀態(tài),取負(fù)值),n為輸入信號數(shù)目,為神經(jīng)元輸出,t為時間,f()為輸出變換函數(shù),有時叫做激發(fā)或激勵函數(shù),往往采用0和1二值函數(shù)、S形函數(shù)和高斯函數(shù)等。20、神經(jīng)網(wǎng)絡(luò)應(yīng)具備的四個基本屬性是什么？1）并行分布式處理2）非線性處理 3）自學(xué)習(xí)功能 4）可通過硬件實現(xiàn)并行處理21簡述誤差反向傳播學(xué)習(xí)算法的主要思想 誤差反傳算法的主要思想是把學(xué)習(xí)過程分為兩個階段（1分）：第一階段（正向傳播過程）給出輸入信息通過輸入層經(jīng)隱含層逐層處理并計算每個單元的實際輸出值（2分）；第二階段（反向過程），若在輸出層未能得到期望輸出值，則逐層遞歸的計算實際輸出與期望輸出之差值（誤差）以便根據(jù)此差值調(diào)節(jié)權(quán)值。22簡述前向(多層)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并畫出結(jié)構(gòu)圖。前向(多層)神經(jīng)網(wǎng)絡(luò)具有遞階分層結(jié)構(gòu),由一些同層神經(jīng)元間不存在互連的層組成。從輸入層至輸出層的信號通過單向連接流通；神經(jīng)元從一層連接至下一層,不存在同層神經(jīng)元間的連接,如圖所示。前向(多層)神經(jīng)網(wǎng)絡(luò)具有形式，如：多層感知器、BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)等。 前向(多層)神經(jīng)網(wǎng)絡(luò)23.簡述專家系統(tǒng)與專家控制的區(qū)別。專家控制引入了專家系統(tǒng)的思想，但與專家系統(tǒng)存在區(qū)別：（1）專家系統(tǒng)能完成專門領(lǐng)域的功能，輔助用戶決策；專家控制能進(jìn)行獨立的、實時的自動決策。專家控制比專家系統(tǒng)對可靠性和抗干擾性有著更高的要求。（2）專家系統(tǒng)處于離線工作方式，而專家控制要求在線獲取反饋信息，即要求在線工作方式。24試比較特征函數(shù)和隸屬函數(shù)。特征函數(shù)用來表示某個元素是否屬于普通集合，而隸屬函數(shù)則用來表示某個元素屬于模糊集合的程度，特征函數(shù)的取值0，1，而隸屬函數(shù)的取值0，1，特征函數(shù)可以看作特殊的隸屬函數(shù)25.請畫出直接型專家控制器的結(jié)構(gòu)圖并說明其設(shè)計思想。圖略 直接型專家控制器用于取代常規(guī)控制器，直接控制生產(chǎn)過程。具有模擬操作工人智能的功能。這種類型的控制器任務(wù)和功能相對簡單，但需要在線、實時控制。26.畫出間接型專家控制器的結(jié)構(gòu)圖并說明其設(shè)計思想。圖略 設(shè)計思想：間接型專家控制器用于和常規(guī)控制器相結(jié)合，組成對生產(chǎn)過程或被控對象進(jìn)行間接控制的智能控制系統(tǒng)。具有模擬（或延伸，擴(kuò)展）控制工程師智能的功能。該控制器能夠?qū)崿F(xiàn)優(yōu)化適應(yīng)、協(xié)調(diào)、組織等高層決策的智能控制。27. 簡述專家系統(tǒng)的基本構(gòu)成。 知識庫和推理機(jī)，具體略。28.簡述直接型專家控制器的主要設(shè)計內(nèi)容。直接型專家控制器的主要設(shè)計內(nèi)容： 建立知識庫； 控制知識的獲?。?選擇合適的推理方法。29.根據(jù)高層決策功能的性質(zhì)，簡述間接型專家控制器的分類。按照高層決策功能的性質(zhì)，間接型專家控制器可分為以下幾種類型： 優(yōu)化型專家控制器 ； 適應(yīng)型專家控制器 ； 協(xié)調(diào)型專家控制器 ； 組織型專家控制器 。30. 試述何為有導(dǎo)師學(xué)習(xí)？何為為無導(dǎo)師學(xué)習(xí)？有導(dǎo)師學(xué)習(xí)也稱為有監(jiān)督學(xué)習(xí)，這種學(xué)習(xí)模式采用的是糾錯規(guī)則。在學(xué)習(xí)訓(xùn)練過程中需要不斷給網(wǎng)絡(luò)成對提供一個輸入模式和一個期望網(wǎng)絡(luò)正確輸出的模式，稱為“教師信號”。將神經(jīng)網(wǎng)絡(luò)的實際輸出同期望輸出進(jìn)行比較，當(dāng)網(wǎng)絡(luò)的輸出與期望輸出不符時，根據(jù)差錯的方向和大小按一定的規(guī)則調(diào)整權(quán)值，以使下一步網(wǎng)絡(luò)的輸出更接近期望結(jié)果。無導(dǎo)師學(xué)習(xí)也稱為無監(jiān)督學(xué)習(xí)，學(xué)習(xí)過程中，需要不斷給網(wǎng)絡(luò)提供動態(tài)輸入信息，網(wǎng)絡(luò)能根據(jù)特有的內(nèi)部結(jié)構(gòu)和學(xué)習(xí)規(guī)則，在輸入信息流中發(fā)現(xiàn)任何可能存在的模式和規(guī)律，同時能根據(jù)網(wǎng)絡(luò)的功能和輸入信息調(diào)整權(quán)值，這個過程稱為網(wǎng)絡(luò)的自組織，其結(jié)果是使網(wǎng)絡(luò)能對屬于同一類的模式進(jìn)行自動分類。31簡述間接型專家控制器的概念及其分類。間接型專家控制器用于和常規(guī)控制器相結(jié)合，組成對生產(chǎn)過程或被控對象進(jìn)行間接控制的智能控制系統(tǒng)。具有模擬（或延伸，擴(kuò)展）控制工程師智能的功能。該控制器能夠?qū)崿F(xiàn)優(yōu)化適應(yīng)、協(xié)調(diào)、組織等高層決策的智能控制(1分)。按照高層決策功能的性質(zhì)，間接型專家控制器可分為以下幾種類型： 優(yōu)化型專家控制器(1分)； 適應(yīng)型專家控制器(1分)； 協(xié)調(diào)型專家控制器(1分)； 組織型專家控制器(1分)。32. 簡述基本遺傳算法的構(gòu)成要素。（1）染色體編碼方法，基本遺傳算法使用固定長度的二進(jìn)制來表示群體中的個體，其等位基因是由二值符號集0，1所組成的，其中個體的基因值可用均勻分布的隨機(jī)值來生成。 (2)個體適應(yīng)度評價，基本遺傳算法與個體適應(yīng)度成正比的概率來決定當(dāng)前群體中每個個體遺傳到下一代群體的概率多少。為正確計算這個概率必須先確定出由目標(biāo)函數(shù)值J(x)到個體適應(yīng)度函數(shù)F(x)的轉(zhuǎn)換規(guī)則； (3)遺傳算子，即選擇運算、交叉運算和變異運算的基本遺傳算子； (4)基本遺傳算法的運行參數(shù)，即、和等參數(shù)。33. 簡述遺傳算法的應(yīng)用領(lǐng)域。遺傳算法的應(yīng)用領(lǐng)域：（ 1）函數(shù)優(yōu)化；（2）組合優(yōu)化；（3）生產(chǎn)調(diào)度問題；（4）自動控制；（5）機(jī)器人；（6）圖像處理；（）人工生命（）遺傳編程（）機(jī)器學(xué)習(xí)。34. 簡述基本遺傳算法的特點。見書P201頁35. 簡述基本遺傳算法的應(yīng)用步驟。（1）確定決策變量及各種約束條件,即確定出個體的表現(xiàn)型和問題的解空間； (2)建立優(yōu)化模型，即確定出目標(biāo)函數(shù)的類型及數(shù)學(xué)描述形式或量化方法；（3）確定表示可行解的染色體編碼方法，即確定出個體的基因型及遺傳算法的搜索空間； (4)確定個體適應(yīng)度的量化評價方法，即確定出由目標(biāo)函數(shù)值J(x)到個體適應(yīng)度函數(shù)F(x)的轉(zhuǎn)換規(guī)則； (5)設(shè)計遺傳算子，即確定選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法； (6)確定遺傳算法的有關(guān)運行參數(shù)，即、和等參數(shù)； (7)確定解碼方法，即確定出由個體表現(xiàn)型到個體基因型x的對應(yīng)關(guān)系或轉(zhuǎn)換方法。36簡述神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程。神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程經(jīng)過4個階段。 （1 ）啟蒙期（1890-1969年）( 1分) （2 ）低潮期（1969-1982）( 1分) （3） 復(fù)興期（1982-1986）( 2分)1982年，物理學(xué)家Hoppield提出了Hoppield神經(jīng)網(wǎng)絡(luò)模型，該模型通過引入能量函數(shù)，實現(xiàn)了問題優(yōu)化求解，1984年他用此模型成功地解決了旅行商路徑優(yōu)化問題(TSP)。在1986年，在Rumelhart和McCelland等提出了一種著名的多層神經(jīng)網(wǎng)絡(luò)模型，即BP網(wǎng)絡(luò)。該網(wǎng)絡(luò)是迄今為止應(yīng)用最普遍的神經(jīng)網(wǎng)絡(luò)。（4） 新連接機(jī)制時期（1986-現(xiàn)在）( 1分) 神經(jīng)網(wǎng)絡(luò)從理論走向應(yīng)用領(lǐng)域。37簡述神經(jīng)網(wǎng)絡(luò)具備的特征。（1）能逼近任意非線性函數(shù)；( 1分)（2）信息的并行分布式處理與存儲；( 1分) (3) 可以多輸入、多輸出；( 1分)（4）便于用超大規(guī)模集成電路或光學(xué)集成電路系統(tǒng)實現(xiàn)，或用現(xiàn)有的計算機(jī)技術(shù)實現(xiàn)；( 1分)（5）能進(jìn)行學(xué)習(xí)，以適應(yīng)環(huán)境的變化。( 1分)38簡述BP基本算法的優(yōu)缺點。BP網(wǎng)絡(luò)的優(yōu)點為： （1）只要有足夠多的隱層和隱層，BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系；(2) BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近算法，具有較強(qiáng)的泛化能力；（3）BP網(wǎng)絡(luò)輸入輸出之間的關(guān)聯(lián)信息分布地存儲在網(wǎng)絡(luò)的連接權(quán)中，個別神經(jīng)元的損壞對輸入輸出關(guān)系有較小的影響，因而BP網(wǎng)絡(luò)具有較好的容錯性。 BP網(wǎng)絡(luò)的主要缺點為：（1）待尋優(yōu)的參數(shù)較多，收斂速度較慢；(2)目標(biāo)函數(shù)函數(shù)存在多個極值點，按梯度下降法進(jìn)行學(xué)習(xí)，很容易陷入局部極小值；（3）難以確定隱層和隱層節(jié)點的數(shù)目。39.簡述RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的主要區(qū)別。RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程和BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程類似，二者的主要區(qū)別在于各使用不同的作用函數(shù)。BP神經(jīng)網(wǎng)絡(luò)中隱層使用的Sigmoid是函數(shù)，其值在輸入空間中無限大的范圍內(nèi)為非零值，因而是一種全局逼近的神經(jīng)網(wǎng)絡(luò)（分）；而RBF神經(jīng)網(wǎng)絡(luò)的作用函數(shù)是高斯函數(shù)，其值在輸入空間中有限的范圍內(nèi)為非零值，因而是一種局部逼近的神經(jīng)網(wǎng)絡(luò)（分），采用RBF神經(jīng)網(wǎng)絡(luò)可大大加快學(xué)習(xí)的速度，適合于實時控制的要求。（分）40簡述BP神經(jīng)網(wǎng)絡(luò)中，BP算法的基本思想。誤差反向傳播的學(xué)習(xí)算法簡稱BP算法，其基本思想是按梯度下降法進(jìn)行學(xué)習(xí)。 它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值與期望的輸出值的誤差均方值為最小。41、模糊控制與傳統(tǒng)控制的不同之處：傳統(tǒng)控制方法均是建立在被控對象精確數(shù)學(xué)模型基礎(chǔ)上的，然而，隨著系統(tǒng)復(fù)雜程度的提高，將難以建立系統(tǒng)的精確數(shù)學(xué)模型；模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎(chǔ)，從行為上模仿人的模糊推理和決策過程的一種智能控制方法。該控制方法適應(yīng)對象的復(fù)雜性和不確定性，不需要依賴對象的精確數(shù)學(xué)模型可實現(xiàn)復(fù)雜系統(tǒng)的控制。42、模糊控制器設(shè)計包括幾項內(nèi)容？1（本題5分）模糊控制器設(shè)計包括幾項內(nèi)容？1）確定模糊控制器的輸入變量和輸出變量(即控制量)2）設(shè)計模糊控制器的控制規(guī)則3）確立模糊化和非模糊化（又稱清晰化）的方法4）選擇模糊控制器的輸入變量及輸出變量的論域并確定模糊控制器的參數(shù)（如量化因子、比例 因子）5）編制模糊控制算法的應(yīng)用程序6）合理選擇模糊控制算法的采樣時間三、作圖題1. 分別畫出以下應(yīng)用場合下適當(dāng)?shù)碾`屬函數(shù)：（a）我們絕對相信附近的e(t)是“正小”，只有當(dāng)e(t)足夠遠(yuǎn)離時，我們才失去e(t)是“正小”的信心；（4分）（b）我們相信附近的e(t)是“正大”，而對于遠(yuǎn)離的e(t)我們很快失去e(t)是“正大”的信心；（4分）（c）隨著e(t)從向左移動，我們很快失去e(t)是“正小”的信心，而隨著e(t)從向右移動，我們較慢失去e(t)是“正小”的信心。（4分）1 (a) (b) (c)2. 分別畫出以下應(yīng)用場合下適當(dāng)?shù)碾`屬函數(shù)：（a）我們絕對相信附近的e(t)是“正小”，只有當(dāng)e(t)足夠遠(yuǎn)離時，我們才失去e(t)是“正小”的信心；（4分）（b）我們相信附近的e(t)是“正大”，而對于遠(yuǎn)離的e(t)我們很快失去e(t)是“正大”的信心；（4分）（c）隨著e(t)從向左移動，我們很快失去e(t)是“正小”的信心，而隨著e(t)從向右移動，我們較慢失去e(t)是“正小”的信心。（4分） (a) (b)3.論域X=0，100上的模糊集合代表“偏大”，在0，80區(qū)間上，在（80，100區(qū)間上。（1）寫出的隸屬度函數(shù)的解析表達(dá)式（2）畫出的隸屬度函數(shù)曲線答 0.0125x 1 （2分） 圖略（2分）4.設(shè)實數(shù)論域X上的模糊集 “大約是5”采用高斯型隸屬函數(shù)表示，其中參數(shù)（1）寫出的隸屬度函數(shù)的解析表達(dá)式 （2分）（2）畫出的隸屬度函數(shù)曲線 （2分）答（1） （2分） （2） 圖略（2分）5.設(shè)實數(shù)論域X上的模糊集 “大約是6”采用三角形隸屬函數(shù)表示，其中參數(shù)a=3; b=6;C=8（1）寫出的隸屬度函數(shù)的解析表達(dá)式（2）畫出的隸屬度函數(shù)曲線答 （2分） 圖略（2分）6. 畫出以下兩種情況的隸屬函數(shù)圖：（a）畫出精確集合 的隸屬函數(shù)圖；（4分）（b）寫出單點模糊（singleton fuzzification）隸屬函數(shù)的數(shù)學(xué)表達(dá)形式，并畫出隸屬函數(shù)圖。（4分）（c）畫出精確集合 的隸屬函數(shù)圖；（4分） (a) (b) (c)7. 某模糊控制系統(tǒng)的輸入語言變量E和輸出語言變量U的語言值均為：NB、NS、O、PS、PB，E的論域為X3，2，1，0，1，2，3，U的論域為Y3，2，1，0，1，2，3。設(shè)語言變量E和U的賦值表為：量化等級語言變量值3210123PB000O0051PS00011050OOO0510500NS0051l000NB10500000試給出以上論域中各元素對各語言變量值所確定的模糊子集的隸屬函數(shù)曲線。 8. 一個模糊系統(tǒng)的輸入和輸出的隸屬函數(shù)如圖1所示。試計算以下條件和規(guī)則的隸屬函數(shù)：（a）規(guī)則1：If error is zero and chang-in-error is zero Then force is zero。 均使用最小化操作表示蘊含(using minimum opertor)；（5分）（b）規(guī)則2：If error is zero and chang-in-error is possmall Then force is negsmall。 均使用乘積操作表示蘊含(using product opertor)；（5分）假定當(dāng)前的輸入條件為：error= 0 , chang-in-error=3 (a) (b) 9. 一個模糊系統(tǒng)的輸入和輸出的隸屬函數(shù)如下圖所示。試通過作圖法分別推理每條規(guī)則的輸出隸屬度函數(shù)：（a）規(guī)則1：If error is zero and chang-in-error is zero Then force (u)is zero。 使用最小化操作表示蘊含（using product opertor）（4分）（b）規(guī)則2：If error is zero and chang-in-error is possmall Then force(u) is negsmall。 使用乘積操作表示蘊含（using product opertor）（4分）假定當(dāng)前的輸入條件為：error= 0 , chang-in-error= 3 (a) (b) 10. 一個模糊系統(tǒng)的輸入和輸出的隸屬函數(shù)如圖1所示。試計算以下條件和規(guī)則的隸屬函數(shù)：（a）規(guī)則1：If error is negsmall and chang-in-error is possmall Then force is zero。 均使用最小化操作表示蘊含(using minimum opertor)；（5分）(b) 規(guī)則2：If error is negsmall and chang-in-error is zero Then force is possmall。均使用乘積操作表示蘊含(using product opertor)；（5分）假定當(dāng)前的輸入條件為：error= , chang-in-error=(a)略(b)略四、計算題1. 設(shè)論域，且試求（補(bǔ)集），（補(bǔ)集） 3分 3分 2分 2分2. 設(shè)有下列兩個模糊關(guān)系: 試求出R1與R2的復(fù)合關(guān)系R1R2R1R2=3. 設(shè)有下列兩個模糊關(guān)系: R1= R2=試求出R1與R2的復(fù)合關(guān)系R1R2R1R2=4.已知子女與父母的相似關(guān)系模糊矩陣為父 母父母與祖父母的相似關(guān)系模糊矩陣為：祖父 祖母 求：子女與祖父祖母的相似關(guān)系模糊矩陣。( 4 分)答 5 、設(shè)論域X=Y=1，2，3，4，5，X、Y上的模糊子集“大”、“小”、“較小”分別定義為： 已知：規(guī)則若x小，則y大問題：當(dāng)x=較小時，y=？(采用Mamdani推理法)( 5 分)答 6. 設(shè)論域X=Y=1,2,3,4,5，以下為X、Y上的模糊集合設(shè)=“低”則，已知“較低”，問如何?答 = 7 、對于一個系統(tǒng)，當(dāng)輸入A時，輸出為B，否則為C,且有：已知當(dāng)前輸入。求輸出D。( 5 分)答 8. 設(shè)模糊集合A、B和C的論域分別為：X=，Y=和Z=，且 ,。試確定”IF A and B then C”所決定的模糊關(guān)系R，以及輸入為,時的輸出C1 答 C1= 9.已知,。試確定”IF A and B then C”所決定的模糊關(guān)系R，以及輸入為,時的輸出C1。答 C1=10.已知,。試確定”IF A and B then C”所決定的模糊關(guān)系R，以及輸入為,時的輸出C1。答 C1=11. 設(shè)x表示轉(zhuǎn)速，y表示控制電壓。轉(zhuǎn)速和控制電壓的論域分別為X=100，200，300，400，500，Y=1，2，3，4，5已知在X 、Y上的模糊子集為XY上的模糊關(guān)系為“若轉(zhuǎn)速高，則控制電壓高；否則控制電壓不很高”。現(xiàn)在轉(zhuǎn)速不很高，控制電壓如何？( 7 分)答1） （2） （3）與模糊控制規(guī)則“若轉(zhuǎn)速高，則控制電壓高；否則控制電壓不很高。”對應(yīng)的模糊關(guān)系矩陣為 （4） 12. 假設(shè)遺傳算法的染色體編碼方法為：用長度為10位的二進(jìn)制編碼串來分別表示兩個決策變量x1,x2，再將分別表示x1,x2的兩個10位長的二進(jìn)制編碼串連接在一起，組成一個20位長的二進(jìn)制編碼串，其中前10位表示x1，后10位表示x2。另外，則對個體，請通過解碼確定x1和x2 的實際值為多少 答 13、設(shè)論域u=,，A，B，C是論域上的三個模糊集合，已知：+，和，試求模糊集合，和。答 3分 3分 14、（本題5分）設(shè)模糊矩陣 求解：論述題：1、畫出靜態(tài)多層前向人工神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）的結(jié)構(gòu)圖，并簡述BP神經(jīng)網(wǎng)絡(luò)的工作過程（ 10 分） 圖 4分BP算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱層逐層處理，并傳向輸出層，每層神經(jīng)元（節(jié)點）的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。(3分)如果在輸出層不能得到期望的輸出，則轉(zhuǎn)至反向傳播，將誤差信號（理想輸出與實際輸出之差）按聯(lián)接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號減小。(3分)2、試畫出神經(jīng)網(wǎng)絡(luò)內(nèi)模控制系統(tǒng)的結(jié)構(gòu)圖，并根據(jù)該結(jié)構(gòu)圖敘述其工作原理。1神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂频慕Y(jié)構(gòu)-d yu- f r +濾波器NNC()NNI()對象（3分） 2神經(jīng)網(wǎng)絡(luò)內(nèi)模控制的主要特點及工作原理（7分）內(nèi)?？刂萍幢Ａ袅酥苯幽婵刂频膬?yōu)點又可以較好地解決直接逆控制存在的問題。神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂平Y(jié)構(gòu)圖中P是被控對象的非線性模型，d是系統(tǒng)內(nèi)部擾動，NNI是神經(jīng)網(wǎng)絡(luò)辨識器，用來辨識被控對象的正模型(內(nèi)部模型)，NNC是神經(jīng)網(wǎng)絡(luò)控制器，用來實現(xiàn)對象的逆模型，線性濾波器是慣性環(huán)節(jié)或積分環(huán)節(jié)，可以補(bǔ)償NNC中的純微分環(huán)節(jié)并平滑e的變化，以防止控制信號u進(jìn)入飽和區(qū)。內(nèi)?？刂茖⒈豢貙ο笈c內(nèi)部模型的輸入誤差反饋到參考輸入端，構(gòu)成了閉環(huán)控制。如果NNI能夠完全準(zhǔn)確地表達(dá)對象的輸入輸出關(guān)系，即=P，且系統(tǒng)不存在任何干擾，反饋信號為=0，系統(tǒng)相當(dāng)于開環(huán)，與直接逆控制沒有什么區(qū)別。若由于模型不準(zhǔn)以及存在干擾使反饋信號不為0，則由于負(fù)反饋的作用，仍可使y接近r，因此內(nèi)?？刂凭哂泻芎玫聂敯粜?。3、請分析將被控對象的神經(jīng)網(wǎng)絡(luò)逆模型直接與被控對象串聯(lián)起來的簡單神經(jīng)網(wǎng)絡(luò)逆控制的工作原理，然后闡述該方案的缺點，針對此缺點提出一種改進(jìn)方案，畫出控制方案圖并說明改進(jìn)的理由。 工作原理：這種簡單的神經(jīng)網(wǎng)絡(luò)直接逆控制就是將被控對象的神經(jīng)網(wǎng)絡(luò)逆模型直接與被控對象串聯(lián)起來，以便使期望輸出與對象實際輸出之間的傳遞函數(shù)為1。則將此網(wǎng)絡(luò)作為前饋控制器后，被控對象的輸出為期望輸出。（3分） 顯然，神經(jīng)網(wǎng)絡(luò)直接逆控制的可用性在相當(dāng)程度上取決于逆模型的準(zhǔn)確精度。由于缺乏反饋，簡單連接的直接逆控制缺乏魯棒性。為此，一般應(yīng)使其具有在線學(xué)習(xí)能力，即作為逆模型的神經(jīng)網(wǎng)絡(luò)連接權(quán)能夠在線調(diào)整（2分）。 在圖中，NN1和NN2為具有完全相同的網(wǎng)絡(luò)結(jié)構(gòu)，并采用相同的學(xué)習(xí)算法，分別實現(xiàn)對象的逆。五、請設(shè)計一個一維模糊控制器，通過注水調(diào)節(jié)閥將水位穩(wěn)定在固定點附近。水位偏差e=水位設(shè)定值-實際