当前位置：文档库 › 智能控制题目及解答

智能控制题目及解答

1. 神经网络的模型分类，分别画出网络图，简述其特点。

1）前向网络：神经网元分层排列，组成输入层，隐含层和输出层。每一层的神经元只能接收前一层神经元的输入。输入模式经过各层的顺次变换后，得到输出层数输出。个神经元之间不存在反馈。感知器和误差反向传播算法中使用的网络都属于这种模型。

1）.2） 2）反馈网络：这种网路结构指的是只有输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种模式可用来存储某种模式序列，也可以动态时间序列系统的神经网络建模。

3）相互结合型网络：属于网状结构，这种神经网络模型在任意两个神经元之间都可能存在连接。信号要在神经元之间反复往返传递，网络处在一种不断改变的状态之中。从某个初态开始，经过若干次变化，才能达到某种平衡状态，根据网络结构和神经元的特性，还有可能进入周期震荡或混沌状态。

4）混合型网络：是层次型网络和网状结构网络的一种结合。通过层内神经元的相互结合，可以实现同一层内的神经元的横向抑制或兴奋机制，这样可以限制每层内能同时动作的神经元数，或者把每层内的神经元分成若干组，让每组作为一个整体来动作。 2. 神经网络学习算法有几种，分别画出网络图，简述其特点。

1）有导师学习：所谓有导师学习就是在训练过程中，始终存在一个期望的网络输出。期望输出和实际输出之间的距离作为误差度量并用于调整权值。

2）无导师学习：网络不存在一个期望的输出值，因而没有直接的误差信息，因此，为实现对网络训练，需建立一个间接的评价函数，一对网络的某种行为趋向作出评价。 3、简述神经网络泛化能力。

答：人工神经网络容许某些变化，如当输入矢量带有噪声时，即与样本输出矢量存在差异时，其神经网络的输出同样能够准确地呈现出应有的输出。这种能力就成为泛化能力。 4、单层BP 网络与多层神经网络学习算法的区别。 1）单层神经网络的Delta 学习算法是通过对目标函数∑==

p E E

的极小来实现的，其中E 的极小是通过有序地对每一个样本数据的输出误差Ep 的极小化来得到。Delta 规则的学习算法就是对∑=-=

)(2

n i

pj pj y t E 所定义的目标函数值求梯度得到。

2）多层前向传播网络的权系数训练算法是利用著名的误差反向传播学习算法。根据这一算法，训练网络权阵的更新是通过反向传

播网路的期望输出（样本输出）与世纪输出的误差来实现的。 3、分别叙述模糊控制器四个模块设计内容，并写出设计步骤。答：四个模块为：模糊化过程、知识库（含数据库和规则库）、推理决策逻辑、精确化计算。（PPT 上是：模糊化接口、规则库、模糊推理、清晰化接口）

设计步骤：1定义输入输出变量2定义所有变量的模糊化条件3设计控制规则库4设计模糊推理结构5选择精确化策略方法 PPT 上设计步骤是：（1）确定模糊控制器的输入变量和输出变量；（2）确定输入，输出的论域和Ke 、Kec 、Ku 的值；（3）确定各变量的语言取值及其隶属函数；（4）总结专家控制规则及其蕴涵的模糊关系；（5）选择推理算法；（6）确定清晰化的方法；（7）总结模糊查询表。

1．什么是智能、智能系统、智能控制？

答：智能：能够自主的或者交互的执行通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习等一系列活动的能力，即像人类那样工作和思维。

智能系统：是指具有一定智能行为的系统，对于一定的输入，它能产生合适的问题求解相应。

智能控制：智能控制是控制理论、计算机科学、心理学、生物学和运筹学等多方面综合而成的交叉学科，它具有模仿人进行诸如规划、学习、逻辑推理和自适应的能力。是将传统的控制理论与神经网络、模糊逻辑、人工智能和遗传算法等实现手段融合而成的一种新的控制方法。

4 把智能控制看作是AI(人工智能)、OR(运筹学)、AC(自动控制)和IT(信息论)的交集，其根据和内涵是什么?

答：人工只能（AI ）是一个用来模拟人思维的知识处理系统，具有学习、记忆、信息处理、形式语言、启发推理等功能；自动控制（AC ）描述系统的动力学特性，是一种动态反馈；运筹学（OR ）是一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等；信息论（IT ）信息论是运用概率论与树立统计的方法研究信息、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。

早期产生的的二元结构被发现是很大程度上局限于符号主义的人工智能，无助于智能控制的有效的、成功的应用，所以后来又引入了运筹学。考虑到信息论对知识和智能的解释作用、控制论和系统论与信息之间的密切关系、信息论对智能控制的作用等方面

的因素之后，蔡自兴教授创新性的提出了四元结构，即在三原结构的基础上增加了信息论作为智能控制的一个重要组成部分。智能控制作为一门交叉的学科，所用到的知识都包含这几门学科的内容，所以说可以把智能控制看成是这几门的交集。 5 智能控制有哪些应用领域？试举出一个应用实例，并说明其工作原理和控制性能

答：主要应用领域：智能机器人控制、计算机集成制造系统、工业过程控制、航空航天控制、社会经济管理系统、交通运输系统、环保及能源系统。

实例应用：机器人运动轨迹控制。

机器人腿部机构由连杆和连接在其端部的从动滚轮组成。机器人行走是通过后部两条腿的两个连杆带动从动滚轮向后作类似于滑冰动作的后蹬动作实现。此类机器人也称滑冰机器人。机器人的行走方向和轨迹通过同时调整几个从动滚轮的方向角来控制。这是一个多自由度、非线性、强耦合的系统,用常规控制器对单个从动滚轮方向角, 难以实现精确的轨迹控制。针对上述控制对象运动轨迹控制问题,作者提出了一种基于模糊神经网络自适应控制方法。该方法利用模糊神经网络来辩识机器人的逆动力学模型,并以此模型作为控制器提供给机器人主要的广义驱动力, 加上常规的PD 控制器构成完整的控制系统。当模糊神经网络模型给出的驱动力合适, 系统误差小, PD 控制器的控制作用就很弱; 反之, PD 控制器起主要作用。模糊规则的制定是利用PD 控制器提取初始模糊规则,利用专家经验对初始规则进行补充, 最后利用误差的反向传播算法对参数进行在线自适应调整。文献给出的验证结果表明该方法很好的解决了该种机器人的运动轨迹控制问题。这种方法的优点是利用智能控制理论解决运动轨迹控制问题, 利用常规控制方法解决控制系统抗干扰的问题。 ① 举例说明模糊性的客观性和主观性。

答：模糊性是客观世界的普遍现象，世界上许多的事物都具有模糊非电量的特点。例如：如果一个人的身高大于等于180cm 算高的，170-180cm 之间的算中等，低于170cm 的算矮的.如果一个人的身高为179.999cm 那么算高还是中等？理论上从客观的角度说他是中等的，但是179.999与180我们是分辨不出来的，从主观上我们认为他是高的。这就是没有量化的模糊的概念。 ② 模糊性与随机性有哪些异同？

答：同：模糊性由于事物类属划分的不分明而引起的判断上的不确定性；随机性是由于条件不充分而导致的结果的不确定性。所以，它们都表示不确定性。

异：随机性反映了因果律的破缺；模糊性所反映的是排中律的破缺。随机性现象可用概率论的数学方法加以处理，模糊性现象则需要运用模糊数学。

③ 比较模糊集合与普通集合的异同。答：异：（1）普通集合是指具有某种属性的对象的全体。这种属性所表达的概念应该是清晰的，界限分明的。因此每个对象对于集合的隶属关系也是明确的，非此即彼。模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。由于概念本身不是清晰的、界限分明的，因而对象对集合的隶属关系也不是明确的、非此即彼的。

（2）普通集合的表示法有列举法、描述法、图示法、自然语言。模糊集合表示法有Zadeh 表示法、向量表示法、序偶表示法。同：都属于集合，同时具备集合的基本性质。 1 举例说明模糊性的客观性和主观性。

答:模糊性的主观性反映在模糊隶属函数的确定性，依靠主观认识和认为经验，客观反映在虽然在方法的使用过程中有主观性，但得到的对事物的认知结果，反映了事物的本质，是对事物的客观认识。例如：对温度的界定，按经典集合的定义，人感到适宜的温度是15到25摄氏度，低于15摄氏度定义为冷，并且14摄氏度和0摄氏度都定义为冷，显然冷的程度是不同的，高于25摄氏度定义为热。因此采用这种离散型严格的不能明显的划分，模糊性的划分不仅容易被大众接受和区别，也更接近事实，反映了温度连续性的客观事实。

2 模糊性与随机性有哪些异同？

答：模糊性是从主观性上反应事物发展的可能性，客观性是从客观上反应事物发生的可能性。随机性是由于事物的因果关系不确定而造成的，由概率统计加以研究，是概率分析、设计的范畴，表现的是语言的不确定性。

模糊性在本质上没什么明确的含义，在量上没有什么明确界限，这种边界的模糊不是由于人的主观认识达不到客观实际而造成的，而是事物的客观属性，是事物的差异之间存在中间过渡过程而造成的。

在描述方法上，模糊性采用隶属函数划分，揭示事物的客观可能性分析。模糊实验常常与心理等主观因素联系在一起，而随机性采用概率函数来划分，采用对随机现象的统计观察，求出平均比例分布，且随机实验可以客观进行。 3 比较模糊集合与普通集合的异同。

答：普通集合是经典集合或者称为清晰集合，具有清晰的边界。模糊集合不具有清晰的界限。普通集合也就是一个元素不属于一个集合是突变或非此即彼的，属于就是属于，不属于就是不属于。而模糊集合中引入了隶属度的概念，元素只在一定程度上属于集合，有时候这种表示方法更接近实际，更便于研究问题，更为人所接受。 6

令论域{}4321=U ，给定语言变量“Small ”=1/1+0.7/2+0.3/3+0.1/4和模糊关系R=“Almost 相等”定义如

下：

????

???

???=16.01.006.016.01.01.06.016.001.06.01R 利用max-min 复合运算，试计算：

相等）是Almost Small X y R ()()( =

已知模糊关系矩阵：

????

???

?????????=15.05.01009.002.01.00014.009.004.018.02.01.008.01R 计算R 的二至四次幂。 8

设有论域},{ },,,{ },,,{21321321z z Z y y y Y x x x X ===，二维模糊条件语句为“若A 且B 则C ”，

其中

令论域{}4321=U ，给定语言变量“Small ”=1/1+0.7/2+0.3/3+0.1/4和模糊关系R=“Almost 相等”定义如

下：

?????

???

???=16.01.006.016.01.01.06.016.001.06.01R

利用max-min 复合运算，试计算：

相等）是Almost Small X y R ()()( =

10 已知模糊关系矩阵：

????

???

?????????=15.05.01009.002.01.00014.009.004.018.02.01.008.01R 计算R 的二至四次幂。 11 设有论域

},{ },,,{ },,,{21321321z z Z y y y Y x x x X ===，二维模糊条件语句为“若A 且B 则C ”，

其中

6 解：10.60.100.610.60.1y (10.70.30.1)0.10.610.600.10.61R ??

?=??????

（） [](11)(0.70.6)(0.30.1)(0.10)(10.6)(0.71)(0.30.6)(0.10.1)10.70.60.3(10.1)(0.70.6)(0.31)(0.10.6)(10)(0.70.1)(0.30.6)(0.11)T

∧∨∧∨∧∨∧????

∧∨∧∨∧∨∧?

?==??∧∨∧∨∧∨∧??∧∨∧∨∧∨∧??

7 解：2

10.800.1

0.210.800.1

0.20.810.400.90.810.400.900.410

000.41000.10

010.50.10010.50.20.900.5

10.20.900.5

1R R R ????????????????=?=?

?????????????10.80.40.20.80.810.40.50.90.40.41

00.40.20.50

10.50.80.90.40.51??

???=?????

???

0.80.40.50.80.810.40.50.90.4

0.410.40.40.50.50.410.50.8

0.90.40.51R R R ????????=?=???????? 422

10.8

0.40.50.80.810.40.50.90.40.410.40.40.50.5

0.410.50.80.9

0.40.51R R R ??

???

=?=?

??????

8 解：令R 表示模糊关系，则R A B C =??.

[]10.510.110.60.1T T R A B ????=?=??????0.50.10.510.50.60.10.50.510.11110.60.110.60.10.10.110.10.60.10.10.1∧∧∧????

????=∧∧∧=????

????∧∧∧????

将1T

R 按行展开写成列向量为

[]

0.10.50.50.110.60.10.10.1T

所以，

[]10.10.10.4

0.110.50.50.40.510.50.50.40.510.10.10.4

0.110.41110.4

110.60.60.40.610.10.10.40.110.10.10.40.110.10.10.40.11T R R C ∧∧????????∧∧????????∧∧????∧∧????????=?=?==∧∧????∧∧????????∧∧????∧∧????????∧∧???

?0.1

0.10.4

0.50.4

0.50.10.10.4

10.40.60.1

0.10.1

0.1??

??????????????????????????

. 又因为()C A B R ***

=??，[]10.10.510.50.10.510.10.50.50.10.10.10.1A B **????

?????==????????????

，

将A B **

?按行展开写成行向量，为[]0.10.510.10.50.50.10.10.1，

则 ()()0.40.5C A B R *

**=??=

即 12

0.40.5C

z z *

+ 已知语言变量x ，y ，z 。

X 的论域为{1,2,3}，定义有两个语言值：

“大”＝{0, 0.5, 1}；“小”={1, 0.5, 0}。 Y 的论域为{10,20,30,40,50}，语言值为：

“高”={0, 0, 0, 0.5, 1}；“中”={0, 0.5, 1, 0.5, 0}; “低”={1, 0.5, 0, 0, 0}。 Z 的论域为{0.1,0.2,0.3}，语言值为：“长”={0, 0.5, 1}；“短”={1, 0.5, 0} 则：1）试求规则：

如果 x 是 “大” 并且 y 是“高” 那么 z 是“长”；

否则，如果 x 是“小” 并且 y 是 “中” 那么 z 是“短”。所蕴涵的x ，y ，z 之间的模糊关系R 。

2）假设在某时刻，x 是“略小”={0.7, 0.25, 0}，y 是“略高”={0, 0, 0.3, 0.7, 1} 试根据R 分别通过Zadeh 法和Mamdani 法模糊推理求出此时输出z 的语言取值。

解： 1）设“如果X 是大并且Y 是高，那么Z 是长”，X,Y,Z 之间的模糊关系为1R ； “如果X 是小并且Y 是中，那么Z 是短”，X,Y,Z 之间的模糊关系为2R 。

所以：R=[（X 是大×Y 是高）×Z 是长]∪[（X 是小×Y 是中）×Z 是短]=1R ∪2R

X 是大×Y 是高=[]????

??????=??????????15.005.05.00

00000000015.000015.00

1R =（X 是大×Y 是高）×Z 是长=??????????????????????????????????????????????

15.00005.05.000000000[]15.00=?

??????

????????????????????????????????????

?15

.005.05.000000000005.05.005.05.00000000000000000000000

同理，

X 是小×Y 是中=[]????

?????=??????????0000005.05.05.0005.015.0005.015.0005.01 2

R =（X 是小×Y 是中）×Z 是短=

????????????????????????

???????????????????????

?0000005.05.05.0005.015.00[]

05.01=

????????????????????????????????????

??????????

?15

.005.05.000000000005.05.005.05.05.005.05,005.05.000000005.05.005.0105.05.000

。

=1R ∪2R =???????????????????????

????????????????????

?????15

.00

5.05.000000000005.05.005.05.00000000000000000

00000000

∨???????????????????

?????????????????????????????15

.00

5.05.000000

000005.05.0005.05.005.05.005.05.000000005.05.005.0105.05.000

=???????????????????????

?????????????????????????15

.00

5.05.000000000005.05.005.05.05.005.05.005.05.000000005.05

.005.0105.05.000

Zadeh 法：

]0.250.25

0[]max []max [1=∧∧∧∧=长高略高略小大Z Y Y X X Z

]05.05.0[]m ax []m ax [2=∧∧∧∧=短中略高略小小Z Y Y X X Z

]25.05.05.0[21=∨=Z Z Z

Mamdani 法：

[]??

??????=???????????=?15.00005.05.000000

00015.000015.00高大Y X

[][]

T Z Y X R ????

??????=?=??=15.00005.05.0000000005.05.00005.05.0000000000000000

0000000015.0015.00005.05.000000000)(1长高大

[]????

?????=???????????=?0000005.05.05.0005.015.0005.015.0005.01中小Y X 作业内容

1．生物神经元模型的结构功能是什么？ 2．人工神经元模型的特点是什么？ 3．人工神经网络的特点是什么？如何分类？ 4．有哪几种常用的神经网络学习算法？

1 答：生物神经元由细胞体、树突和轴突组成。其中，细胞体是神经元的主体，担当着信息处理的角色；树突主要作用是接受神

经元的输入信息；轴突的主要作用是信息的输出，把细胞体处理的信息从轴突起点传递到轴突末梢，轴突末梢与另一个神经元的树突或细胞体形成一种突触结构，实现神经元之间的信息传递。

2 答：1）非线性 2）分布处理 3）学习并行和自适应4）数据融合5）适用于多变量系统6）便于硬件实现

3 答：特点：（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；（3）可以多输入、多输出；（4）便于用超大规模集成电路（VISI ）或光学集成电路系统实现，或用现有的计算机技术实现；（5）能进行学习，以适应环境的变化。

分类：根据网络连接结构分：前馈型网络、反馈型网络和自组织网络；根据知识获取方式分：监督学习型、无监督学习型和再励学习型；根据连接权对网络输出的影响：可以把前馈网络分成全局性网络和局部性网络。 4 答：目前神经网络的学习算法有多种，按有无导师分类，可分为有教师学习（Supervised Learning ）、无教师学习（Unsupervised Learning ）和再励学习（Reinforcement Learning ）等几大类。有导师的学习（监督学习）：在学习过程中，网络根据实际输出与期望输出的比较，进行联接权系的调整，将期望输出称导师信号是评价学习的标准。

无导师的学习（无监督、或称自组织）：无导师信号提供给网络，网络能根据其特有的结构和学习规则，进行联系权系的调整，此时，网络的学习评价标准隐含于其内部。再励学习（强化学习）：把学习看为试探评价过程，学习机选择一动作作用于环境，环境的状态改变，并产生再励信号re 反馈至学习机，学习机依据再励信号与环境当前状态，再选择下一动作作用于环境，选择的原则是是受到激励的可能性增加。其中，最基本的神经网络学习算法：1）Widrow-Hoff 学习规则2) Hebb 学习规则 1、BP 算法的特点是什么？增大权值能否使BP 学习变慢？

答：BP 模型可以实现多层网络学习的设想，它的学习是典型的有导师学习，基本思想是梯度下降法，以期网络的实际输出与期望输出的误差均方值最小。BP 算方有正向传播和反向传播组成，具有很好的逼近能力和泛化能力。增大权值不一定使BP 学习变慢，因为它还与输出层相连的权值的调整量有关。

2、为什么说BP 网络是全局逼近的，而RBF 网络是局部逼近的？他们各自的突出特点是什么？

答：BP 网络的活化函数是S 函数，其值在输入空间中无限大的范围内为非零值，因而是全局逼近的神经网络； RBF 网络的活化函数是高斯基函数，其值在输入空间中有限范围是非零值，所以是局部逼近的神经网络。 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联方式，同一层神经元之间不连接；（3）权值通过Delta 学习算法进行调节；（4）活化函数为S 函数；（5）学习算法由正向算法和反向算法组成；（6）层与层之间的连接是单向的，信息的传播是双向的。 RBF 网络特点：（1）活化函数为高斯基函数，其值在输入空间有限范围内为非零值，因而是局部逼近神经网络；2）RBF 网络隐层节点的中心及基宽度参数的确定是一个困难的问题；（3）RBF 网络具有唯一最佳逼近特性，且无局部极小。 3、何为神经网络泛化能力？影响泛化能力的因素有哪些？

答：泛化能力：用较少的样本进行训练，使网络能在给定区域内达到要求的精度。

影响泛化能力的因素：1、样本；2、结构；3、初始权值；4、训练样本集；5、需测试集、

作业内容

已知一个非线性函数y=12(πx12)sin(2πx2)，试用三层BP 网络逼近输出y ，画出网络的结构，写出网络各层节点的表达式以及各层节点输出值的范围。

()1j

j ij i

j j x

x w x x f x e -===+∑ （采用S 传递函数）

'l jl j j

x w x =∑

选择线性函数则有

y xl =，选择S 函数则有 1()1xl

y f xl e -==

范围：1212'()

()

11(,)2155(,)

21j x x l x x x e x e -+-+∈+∈+ 1

什么叫产生式系统？它由哪些部分组成？试举例略加说明。

答：如果满足某个条件，那么就应当采取某些行动，满足这种产生式规则的专家系统成为产生式系统。

产生式系统主要是由总数据库、产生式规则和推理机构组成。举例：医疗产生时系统

专家系统有哪些部分构成？各部分的作用如何？专家系统它具有哪些特点与优点？答：专家系统组成：

知识库：知识库是知识的存储器，用于存储领域专家的经验性知识以及有关的事实、一般常识等。知识库中的知识来源于知识获取机构，同时它又为推理机提供求解问题所需的知识。

推理机：推理机是专家系统的“思维”机构，实际上是求解问题的计算机软件系统。综合推理机的运行可以有不同的控制策略。

数据库（全局数据库）：又称为“黑板”或“数据库”。它是用于存放推理的初始证据、中间结果以及最终结果等的工作存储器（Working Memory ）。