模糊控制与神经网络
BP神经网络
BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。
如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。
BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
神经网络
神经网络是：
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
【人工神经网络的工作原理】
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
“人脑是如何工作的？”
“人类能否制作模拟人脑的人工神经元？”
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，近年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决目前不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。下面通过人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡（平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。
人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要
求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
人工神经网络早期的研究工作应追溯至本世纪40年代。下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
【人工神经网络的主要研究机构】
模糊理论
模糊理论(Fuzzy Logic)
模糊的基本概念
概念是思维的基本形式之一，它反映了客观事物的本质特征。人类在认识过程中，把感觉到的事物的共同特点抽象出来加以概括，这就形成了概念。比如从白雪、白马、白纸等事物中抽象出“白”的概念。一个概念有它的内涵和外延，内涵是指该概念所反映的事物本质属性的总和，也就是概念的内容。外延是指一个概念所确指的对象的范围。例如“人”这个概念的内涵是指能制造工具，并使用工具进行劳动的动物，外延是指古今中外一切的人。
所谓模糊概念是指这个概念的外延具有不确定性，或者说它的外延是不清晰的，是模糊的。例如“青年”这个概念，它的内涵我们是清楚的，但是它的外延，即什么样的年龄阶段内的人是青年，恐怕就很难说情楚，因为在“年轻”和“不年轻”之间没有一个确定的边界，这就是一个模糊概念。
需要注意的几点：首先，人们在认识模糊性时，是允许有主观性的，也就是说每个人对模糊事物的界限不完全
一样，承认一定的主观性是认识模糊性的一个特点。例如，我们让100个人说出“年轻人”的年龄范围，那么我们将得到100个不同的答案。尽管如此，当我们用模糊统计的方法进行分析时，年轻人的年龄界限分布又具有一定的规律性；
其次，模糊性是精确性的对立面，但不能消极地理解模糊性代表的是落后的生产力，恰恰相反，我们在处理客观事物时，经常借助于模糊性。例如，在一个有许多人的房间里，找一位“年老的高个子男人”，这是不难办到的。这里所说的“年老”、“高个子”都是模糊概念，然而我们只要将这些模糊概念经过头脑的分析判断，很快就可以在人群中找到此人。如果我们要求用计算机查询，那么就要把所有人的年龄，身高的具体数据输入计算机，然后我们才可以从人群中找这样的人。
最后，人们对模糊性的认识往往同随机性混淆起来，其实它们之间有着根本的区别。随机性是其本身具有明确的含义，只是由于发生的条件不充分，而使得在条件与事件之间不能出现确定的因果关系，从而事件的出现与否表现出一种不确定性。而事物的模糊性是指我们要处理的事物的概念本身就是模糊的，即一个对象是否符合这个概念难以确定，也就是由于概念外延模糊而带来的不确定性。
模糊理论的发展
模糊理论是在美国加州大学伯克利分校电气工程系的L.A.zadeh教授于1965年创立的模糊集合理论的数学基础上发展起来的,主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面的内容.
早在20世纪20年代,著名的哲学家和数学家B.Russell就写出了有关"含糊性"的论文.他认为所有的自然语言均是模糊的,比如"红的"和"老的" 等概念没有明确的内涵和外延,因而是不明确的和模糊的.可是,在特定的环境中,人们用这些概念来描述某个具体对象时却又能心领神会,很少引起误解和歧义.
美国加州大学的L.A.Zadeh教授在1965年发表了著名的论文，文中首次提出表达事物模糊性的重要概念:隶属函数,从而突破了19世纪末笛卡尔的经典集合理论,奠定模糊理论的基础.
1966年,P.N.Marinos发表模糊逻辑的研究报告,1974年,L.A.Zadeh发表模糊推理的研究报告,从此,模糊理论成了一个热门的课题。
1974年,英国的E.H.Mamdani首次用模糊逻辑和模糊推理实现了世界上第一个实验性的蒸汽机控制,并取得了比传统的直接数字控制算法更好的效果,从而宣告模糊控制的诞生。1980年丹麦的L.P.Holmblad和Ostergard在水泥窑炉采用模糊控制并取得了成功,这是第一个商业化的有实际意义的模糊控制器。
事实上,模糊理论应用最有效，最广泛的领域就是模糊控制,模糊控制在各种领域出人意料的解决了传统控制理论无法解决的或难以解决的问题,并取得了一些令人信服的成效。
模糊控制的基本思想:
把人类专家对特定的被控对象或过程的控制策略总结成一系列以"IF(条件)THEN(作用)"形式表示的控制规则,通过模糊推理得到控制作用集,作用于被控对象或过程.控制作用集为一组条件语句,状态语句和控制作用均为一组被量化了的模糊语言集,如"正大","负大","正小","负小",零等。
模糊控制的几个研究方向:
·模糊控制的稳定性研究
·模糊模型及辩识
·模糊最优控制
·模糊自组织控制
·模糊自适应控制
·多模态模糊控制
模糊控制的主要缺陷:
信息简单的模糊处理将导致系统的控制精度降低和动态品质变差.若要提高精度则必然增加量化级数,从而导致规则搜索范围扩大,降低决策速度,甚至不能实时控制. 模糊控制的设计尚缺乏系统性,无法定义控制目标.控制规则的选择,论域的选择,模糊集的定义,量化因子的选取多采用试凑发,这对复杂系统的控制是难以奏效的。[编辑本段]模糊理论的基本精神
模糊理论是以模糊集合(fuzzy set)为基础，其基本精神是接受模糊性现象存在的事实，而以处理概念模糊不确定的事物为其研究目标，并积极的将其严密的量化成计算机可以处理的讯息，不主张用繁杂的数学分析即模型来解决模型。
模糊理论至今的应用
模糊理论发展至今已接近三十余年，应用的范围非常广泛，从工程科技到社会人文科学都可以发现模糊理论研
究的踪迹与成果。我们分别由工程科技与社会人文科学的角度，了解模糊理论应用的范畴。
一、工程科技方面
1、型样识别：文字识别、指纹识别、手写字体辨识、影像辨识、语音辨识
2、控制工程：机器人控制、汽车控制、家电控制、工业仪表控制、电力控制
3、信号及资讯处理：影像处理、语音处理、资料整理、数据库管理
4、人工智能及专家系统：故障诊断、自然语言处理、自动翻译、地震预测、工业设计
5、环保：废水处理、净水处理厂工程、空气污染检验、空气品质监控
6、其他：建筑结构分析、化工制程控制
二、教育、社会及人文科学方面
1、教育：教学成果评量、心理测验、性向测验、计算机辅助教学
2、心理学：心理分析、性向测验
3、决策决定：决策支援、决策分析、多目标评价、综合评价、风险分析
模糊神经网络
自适应及模糊信模糊神经网络(Fuzzy network-FNN)就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、息处理于一体。
模糊理论和神经网络技术是近年来人工智能研究较为活跃的两个领域。人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本的要求较高;模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。如果将二者有机地结合起来，可以起到互补的效果。
模糊神经网络有如下三种形式：
1．逻辑模糊神经网络
2．算术模糊神经网络
3．混合模糊神经网络
模糊神经网络就是具有模糊权系数或者输入信号是模糊量的神经网络。上面三种形式的模糊神经网络中所执行的运算方法不同。
模糊神经网络无论作为逼近器，还是模式存储器，都是需要学习和优化权系数的。学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络，可采用基于误差的学习算法，也即是监视学习算法。对于算术模糊神经网络，则有模糊BP算法，遗传算法等。对于混合模糊神经网络，目前尚未有合理的算法；不过，混合模糊神经网络一般是用于计算而不是用于学习的，它不必一定学习。
模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。
在控制领域中，所关心的是由模糊神经网络构成的模糊控制器。在这一章中．介绍模糊神经网络的基本结构、遗传算法、模糊神经网络的学习算法，以及模糊神经网络的应用。
仿生学
仿生学是发展相当迅速的一门新兴科学，仿生学主要是利用自然界动物的特性和习性来研究其特性应用的一门科学。生活在海洋中的动物是科学家们研究仿生应用的重要动物之一。现在介绍几种海洋动物及其仿生应用。
金枪鱼金枪鱼是海洋鱼类动物中运动速度最快的动物之一，金枪鱼捕食时会达到大约８０公里的时速。在美国麻省理工大学，科学家们以金枪鱼为模型，制造了一条名叫"查理"的１．２米长的机器鱼，并在水箱中开始了测试。科学家们已经把这个发现推向技术方面的应用。
鱼的尾鳍既能作为推进动力又能导向，考虑到这个特点，在计算机上分析金枪鱼的外形，研究的成果已经为水面船只提供了鳍类推进方式。并且，机器鱼鳍的运动也经过改善，能在角落里自由游动。科学家们也研究了金枪鱼的皮肤，希望能获得更好的流线特性。
鲑鱼鲑鱼能够在湍急的水流中生活。尽管它们的运动系统很像金枪鱼，但还是有差别。鲑鱼不但能够自如地控制自己，还能以闪电般的速度启动，从不动的状态立即达到１４公里的时速。它们为什么能够做到这一点呢？除了尾巴摆动的频率以外，通常鱼越大越长就游得越快。科学家们发现，鲑鱼在加速时每秒能摆尾１５次。因此，其仿生价值极高。
企鹅企鹅在陆地上看起来很笨拙，但在水中却异常灵活。为寻找流线型的理想模式，科学家们把微型测量仪器装在企鹅背上，记录下它每天运动距离、深度和速度。为拍摄照片，科学家们还在南极装了一个特殊的水道。通过进一步的实验，发现企鹅的运动与鱼类不同，几乎只靠鳍来推进自己，这说明企鹅的身体已经进化成了大体积小阻力的优化典范。而且，它的身体在水中几乎不改变形状，这个事实使模型实验变得十分简单。
鲨鱼鲨鱼在海洋里已经生活了３．５亿年，能达到超过７０公里的高时速。科学家在显微镜下检查深海鲨鱼的皮肤时意外地发现鲨鱼的鳞屑是扇形的，而且有小槽。然而，在传统的观念中，表面越光滑产生的阻力就越小。于是，科学家们把数百个模型鳞片按不同的角度装配，形成了一个人造的测试表面。测试的结果表明：摩擦损失比光滑表面还要小１０％，这项新发现马上找到了技术应用。这种仿生皮肤被用来包裹空中客车飞机的外表面，使每架飞机的年燃料消耗减少了３５０吨。如果每年来往于世界各地的飞机都装上这种皮肤，节省的燃料价值可达数十亿美元之巨，造成温室效应的二氧化碳和氮氧化合物也将会大大减少。
神经网络与模糊控制考试题及答案
一、填空题 1、模糊控制器由模糊化接口、解模糊接口、知识库和模糊推理机组成 2、一个单神经元的输入是 1.0 ，其权值是 1.5，阀值是-2，则其激活函数的净输入是-0.5 ，当激活函数是阶跃函数，则神经元的输出是 1 3、神经网络的学习方式有导师监督学习、无导师监督学习 和灌输式学习 4、清晰化化的方法有三种：平均最大隶属度法、最大隶属度取最小/最大值法和中位数法，加权平均法 5、模糊控制规则的建立有多种方法，是：基于专家经验和控制知识、基于操作人员的实际控制过程和基于过程的模糊模型，基于学习 6、神经网络控制的结构归结为神经网络监督控制、神经网络直接逆动态控制、神网自适应控制、神网自适应评判控制、神网内模控制、神网预测控制六类 7．傅京逊首次提出智能控制的概念，并归纳出的3种类型智能控制系统是、和。 7、人作为控制器的控制系统、人机结合作为控制器的控制系统、无人参与的自主控 制系统 8、智能控制主要解决传统控制难以解决的复杂系统的控制问题，其研究的对象具备的3个特点为、和。 8、不确定性、高度的非线性、复杂的任务要求 9．智能控制系统的主要类型有、、、 、和。 9、分级递阶控制系统，专家控制系统，神经控制系统，模糊控制系统，学习控制系统，集成或者（复合）混合控制系统 10．智能控制的不确定性的模型包括两类：(1)； (2)。 10、(1)模型未知或知之甚少；(2)模型的结构和参数可能在很大范围内变化。11．控制论的三要素是：信息、反馈和控制。 12．建立一个实用的专家系统的步骤包括三个方面的设计，它们分别是、 和。知识库的设计推理机的设计人机接口的设计 13．专家系统的核心组成部分为和。知识库、推理机 14．专家系统中的知识库包括了3类知识，它们分别为、、 和。判断性规则控制性规则数据
模糊控制与PID控制性能比较
本程序选自楼顺天，胡昌华，张伟编著《基于MATLAB 的系统分析与设计：模糊系统》，西安电子科技大学出版社，2001年5月第一版，ISBN7-5606-1011-0，定价：14元第77-87页例3.8中源程序。程序运行输出图形如下： 00.51 1.52 2.53 3.54 4.5 0.2 0.4 0.6 0.8 1 1.21.4 1.6 1.8 时间（0.01秒）输出程序运行后在输出图形时需要用鼠标左键分别先后在红色曲线和蓝色曲线上方点一下，输出提示文本，否则若在图形区域外直接点击鼠标左键，会输出错误提示。源程序清单如下： %Example 3.8 %------------------------- %典型二阶系统的模糊控制与传统PID 控制的性能比较 %------------------------ num=20; den=[1.6,4.4,1]; [a1,b,c,d]=tf2ss(num,den); x=[0;0]; T=0.01;h=T; umin=0.07;umax=0.7; td=0.02;Nd=td/T; N=500;R=1.5*ones(1,N); %-------------------- %传统PID 控制 %-------------------- e=0;de=0;ie=0; kp=5;ki=0.1;kd=0.001; for k=1:N uu1(1,k)=-(kp*e+ki*de+kd*ie);
%延迟环节 if k<=Nd u=0; else u=uu1(1,k-Nd); end %死区和饱和环节 if abs(u)<=umin u=0; elseif abs(u)>umax u=sign(u)*umax; end %利用龙格-库塔法进行系统仿真 k0=a1*x+b*u; k1=a1*(x+h*k0/2)+b*u; k2=a1*(x+h*k1/2)+b*u; k3=a1*(x+h*k2)+b*u; x=x+(k0+2*k1+2*k2+k3)*h/6; y=c*x+d*u; %计算误差、微分和积分 e1=e; e=y(1,1)-R(1,k); de=(e-e1)/T; ie=e*T+ie; yy1(1,k)=y; end %----------------- %模糊控制 %----------------- %定义输入和输出变量及其隶属度函数 a=newfis('Simple'); a=addvar(a,'input','e',[-6,6]) a=addmf(a,'input',1,'NB','trapmf',[-6,-6,-5,-3]); a=addmf(a,'input',1,'NS','trapmf',[-5,-3,-2,0]); a=addmf(a,'input',1,'ZR','trimf',[-2,0,2]); a=addmf(a,'input',1,'PS','trapmf',[0,2,3,5]); a=addmf(a,'input',1,'PB','trapmf',[3,5,6,6]); a=addvar(a,'input','de',[-6,6]); a=addmf(a,'input',2,'NB','trapmf',[-6,-6,-5,-3]); a=addmf(a,'input',2,'NS','trapmf',[-5,-3,-2,0]); a=addmf(a,'input',2,'ZR','trimf',[-2,0,2]); a=addmf(a,'input',2,'PS','trapmf',[0,2,3,5]); a=addmf(a,'input',2,'PB','trapmf',[3,5,6,6]); a=addvar(a,'output','u',[-3,3]);
模糊神经网络技术研究的现状及展望
模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力 模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。 因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots 和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑
模糊神经网络讲义
模糊神经网络（备课笔记） 参考书： 杨纶标，高英仪。《模糊数学原理及应用》（第三版），广 州：华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉：武汉科技大学 胡宝清。模糊理论基础。武汉：武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理，并以此为基础，介绍了大量的应用实例及编程实现实例。 顾名思义，模糊神经网络就是模糊系统和神经网络的结合，本质上就是将常规的神经网络（如前向反馈神经网络，Hopfield神经网络）赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超越它，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌
关于模糊控制理论的综述
物理与电子工程学院 《人工智能》 课程设计报告 课题名称关于模糊控制理论的综述 专业自动化 班级 11级3班 学生姓名郑艳伟 学号 指导教师崔明月 成绩 2014年6月18日
关于模糊控制理论的综述 摘要：模糊控制方法是智能控制的重要组成部分，本文简要回顾了模糊控 制理论的发展，详细介绍了模糊控制理论的原理和模糊控制器的设计步骤， 分析了模糊控制理论的优缺点以及模糊控制需要完善或继续研究的内容，根 据各种模糊控制器的不同特点，对模糊控制在电力系统中的应用进行了分 类，并分析了各类模糊控制器的应用效能.最后，展望了模糊控制的发展趋 势与动态. 关键词：模糊控制；模糊控制理论；模糊控制系统；模糊控制理论的发展模糊控制是以模糊集理论、模糊语言变量和模糊控制逻辑推理为基础的一种智能控制方法，从行为上模拟人的思维方式，对难建模的对象实施模糊推理和决策的一种控制方法.模糊控制作为智能领域中最具有实际意义的一种控制方法，已经在工业控制领域、电力系统、家用电器自动化等领域中解决了很多的问题，引起了越来越多的工程技术人员的兴趣. 模糊控制系统简介 模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术.1965年美国的扎德[1]创立了模糊集合论, 1973 年, 他给出了模糊逻辑控制的定义和相关的定理.1974 年英国的Mamdani 首先用模糊控制语句组成模糊控制器,并把它用于锅炉和蒸汽机的控制, 在实验室获得成功, 这一开拓性的工作标志着模糊控制论的诞生. 模糊控制系统主要是模拟人的思维、推理和判断的一种控制方法, 它将人的经验、常识等用自然语言的形式表达出来, 建立一种适用于计算机处理的输入输出过程模型, 是智能控制的一个重要研究领域.从信息技术的观点来看, 模糊控制是一种基于规则的专家系统.从控制系统技术的观点来看, 模糊控制是一种普遍的非线性特征域控制器. 相对传统控制, 包括经典控制理论与现代控制理论.模糊控制能避开对象的数学模型(如状态方程或传递函数等) , 它力图对人们关于某个控制问题的成功与失败和经验进行加工, 总结出知识, 从中提炼出控制规则, 用一系列多维模糊条件语句构造系统的模糊语言变量模型, 应用CRI 等各类模糊推理方法,
模糊控制的优缺点
模糊控制的优缺点
————————————————————————————————作者：————————————————————————————————日期：
１.模糊控制中模糊的含义 模糊控制中的模糊其实就是不确定性。从属于该概念和不属于该概念之间没有明显的分界线。模糊的概念导致了模糊现象。 2.模糊控制的定义 模糊控制就是利用模糊数学知识模仿人脑的思维对模糊的现象进行识别和判断,给出精确的控制量，利用计算机予以实现的自动控制。 3.模糊控制的基本思想 模糊控制的基本思想:根据操作人员的操作经验，总结出一套完整的控制规则,根据系统当前的运行状态，经过模糊推理，模糊判断等运算求出控制量,实现对被控制对象的控制。 4.模糊的控制的特点 不完全依赖于纯粹的数学模型，依赖的是模糊规则。模糊规则是操作者经过大量的操作实践总结出来的一套完整的控制规则。 模糊控制的对象称为黑匣（由于不知道被控对象的内部结构、机理，无法用语言去描述其运动规律,无法去建立精确的数学模型）。但是模糊规则又是模糊数学模型。 5 模糊控制的优缺点及需要解决的问题分析 5.1模糊控制的优点 (1)使用语言方便,可不需要过程的精确数学模型;(不需要精确的数学模型) (２）鲁棒性强,适于解决过程控制中的非线性、强耦合时变、
滞后等问题；鲁棒性即系统的健壮性。 (3）有较强的容错能力。具有适应受控对象动力学特征变化、环境特征变化和动行条件变化的能力; (4)操作人员易于通过人的自然语言进行人机界面联系,这些模糊条件语句容易加到过程的控制环节上。 5．2模糊控制的缺点 (１)信息简单的模糊处理将导致系统的控制精度降低和动态品质变差; (2)模糊控制的设计尚缺乏系统性,无法定义控制目标。 6.模糊数学 模糊数学就是利用数学知识研究和解决模糊现象。在数学和模糊现象之间架起了一座桥梁。 6．１模糊集合的概念 每一个概念都有内涵和外延。 内涵就是指概念的本质属性的集合。外延就是符合某种本质属性的全体对象的集合。 模糊数学的基础就是模糊理论集。 在模糊集合设计到的论域U 上，给定了一个映射A,A ：U →[0,1] ,)(x x A μ ,则称A 为论域U 上的模糊集合或者模糊子集； )(x A μ表示U 中各个元素x 属于集合A 的程度,称为元素x 属于模糊集合A 的隶属函数。当x 是一个确定的0x 时，称)(0x A μ为元素0x 对于模糊集合A 的隶属 度。 F 集合引出的几个概念
模糊控制与传统PID控制比较
模糊控制 与传统PID控制比较
引言： 模糊控制不需要确定系统的精确数学模型，是一种基于规则的控制。模糊控制在智能控制领域由于理论研究比较成熟、实现相对比较简单、适应面宽而得到广泛的应用。不论是对复杂的水泥回转窑的控制，还是在智能化家用电器中的应用，模糊控制都充当着重要的角色。 一个典型工业过程通常可以等效为二阶系统加上一个非线性环节（如纯滞后），给出如下典型控制对象传递函数的一般形式： Gp（s）=K*e-τs/(T1s+1)（T2s+1） PID控制： PID控制是自动控制领域产生最早、应用最广的一种控制方法。 PID控制原理图：
PID控制器传递函数的一般表达式为： Gc（s）=kp+ki/s+kd*s kp为比例增益；ki为积分增益；kd为微分增益 控制器的关键是确定三个增益值，在simulink中搭建PID系统控制模型如下图示： PID仿真结果：
模糊控制： 模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。 模糊控制原理框图： 一个基本模糊控制器主要有三个功能： （1）模糊化：把精确量(如偏差e和偏差变化ec)转化为相应的模糊量（E、EC）; （2）模糊推理：按总结的语言规则（模糊控制规则表）进行模糊推理； （3）模糊判决：把推理结果（U）从模糊量转化为可以用于实际控制的精确量（u） 模糊控制器的基本机构
设计模糊控制器主要步骤： 1.选择偏差e、偏差变化ec和控制量u的模糊语言变量为E、 EC和U。根据e、ec和u实际的基本论域，设定E、EC 和U论域都为[-6,6],可以确定出量化因子Ke、Kc和比例因子Ku。。 2.选取E、EC和U的各语言变量直，正大PB,正中PM,正小 PS，零ZE，负小NS，负中NM，负大NB，它们各自在论域上的模糊子集隶属度函数均为三角形， 3.根据总结的人工操作策略设计出模糊控制策略表： ek=yr-yk △ek=ek-ek-1
智能控制导论报告BP神经网络模糊控制
智能控制导论实验报告 2012-01-09 姓名：_______________ 常青_________ 学号：0815321002 班级：____________ 08自动化 指导老师：___________ 方慧娟________
实验一：模糊控制器设计与实现 一、实验目的 1. 模糊控制的特征、结构以及学习算法 2. 通过实验掌握模糊自整定PID 的工作原理 二、实验内容 已知系统的传递函数为：1/(10s+1)*e(-0.5s) 。假设系统给定为阶跃值r=30 ，系统初始值r0=0. 试分别设计 (1) 常规的PID 控制器； (2) 常规的模糊控制器； (3) 比较两种控制器的效果； (4) 当通过改变模糊控制器的比例因子时，系统响应有什么变化？ 三、实验设备 Matlab 7.0 软件/SIMULINK 四、实验原理 1.模糊控制 模糊逻辑控制又称模糊控制，是以模糊集合论，模糊语言变量和模糊逻辑推理为基础的一类计算机控制策略，模糊控制是一种非线性控制。图1-1 是模糊控制系统基本结构，由图可知模糊控制器由模糊化，知识库，模糊推理和清晰化(或去模糊化)四个功能模块组成。
控制的。其传递函数的形式是: G(s) k p(1 T I S T D S），PID控制原理 针对模糊控制器每个输入，输出，各自定义一个语言变量。因为对控制输出的判断，往往不仅根据误差的变化，而且还根据误差的变化率来进行综合评判。所以在模糊控制器的设计中，通常取系统的误差值e和误差变化率ec为模糊控制器的两个输入，则在e的论域上定义语言变量“误差 E ” ，在ec的论域上定义语言变量“误差变化EC ” ；在控制量u的论域上定义语言变量“控制量U”。 通过检测获取被控制量的精确值，然后将此量与给定值比较得到误差信号e，对误差取微分得到误差变化率ec,再经过模糊化处理把分明集输入量转换为模糊集输入量，模糊输入变量根据预先设定的模糊规则，通过模糊逻辑推理获得模糊控制输出量，该模糊输出变量再经过去模糊化处理转换为分明集控制输出量。 2.PID控制 在模拟控制系统中，控制器最常用的控制规律是PID控制。PID 控制器是一种线性控制器。它根据给定值与实际输出值之间的偏差来 框图如图1-2所示。
基于神经网络的模糊控制
基于神经网络的仿真实验 一、实验目的 1．熟悉神经网络的结构、特征及学习算法 2．通过实验掌握利用神经网络进行样本学习与训练的方法。 3．通过实验了解神经网络的结构、权值、学习速率、动量因子对控制效果的影响。 4．通过实验掌握用Matlab 实现神经网络控制系统仿真的方法 二、实验内容 1．给出仿真系统的设计过程和程序清单。 2．记录实验数据和曲线 三、实验步骤 1．在Matlab 下依据原理编写仿真程序并调试。 2．给定输入信号，或训练样本，运行程序，记录实验数据和控制曲线 3．修改神经网络结构参数，如权值、学习速率、动量因子、隐含层神经元个数等，重复步骤（2） 四、实验要求 1. 使用BP 网络逼近对象： 采样时间取2ms,输入信号为u(k)=2sin(10πt),神经网络为3-10-2结构,权值W1,W2的初始取值取[-1,+1]之间的随机值,取η=0.80,α=0.06。 2．取标准样本为3 神经网络为3-12-2结构,权值的初始取值取[-1,+1]之间的随机值,取η =0.70,α=0.05，训练最终目标为 。 3．被控对象为 输入指令为一方波信号：))4sgn(sin(8.0)(t k rin π=,采样时间为1ms ，η=0.60，采用有监督Hebb 学习实现权值的学习，初始权值取 [][]2.0,15.015.015.0321===K w w w W 五、实验程序 1.clear all; 清除所有文件； close all; 关闭所有已开文件； xite=0.80; 惯性系数为0.8； alfa=0.06; 学习速率为0.06； w2=rands(6,1); 初始化隐含层与输出层6行1列的权值矩阵； s t k y k y k u k yout 5.0) 1(1)1()()(2 3 ≤-+-+=) 2(632.0)1(10.0)2(26.0)1(368.0)(-+-+-+-=k u k u k y k y k y 1010-=E
复合模糊控制策略及应用
收稿日期:2004-09-24复合模糊控制策略及应用 王 君,李 炜,乔平原 (兰州理工大学电气工程与信息科学学院,甘肃兰州 730050) 摘 要: 提出了一种复合模糊分段控制策略,应用于具有大惯性、强扰动并难以建立准确模型的系统,通过计算机仿真对三层PE温度控制系统进行模拟,取得了良好的效果. 关键词: 模糊控制;中频炉;三层PE 中图分类号: TP273 文献标识码: A 文章编号:1004-0366(2005)03-0108-04 A Segmented Fuzzy Control S trategy and Its Application W AN G Jun,LI W ei,QIAO Ping-y uan (College of Electrical and Information Engineering,Lanzhou University of Technology,Lanzhou730050,China) Abstract: A segm ented fuzzy control stra tegy is presented.It can be used to the system w hose exact mod-el is difficult to establish due to la rg e inertia and stro ng disturbances.Sim ula tion fo r the tem perature con-trol sy stem o f a three-lay er PE process has been do ne with goo d effects. Key words: fuzzy contro l;intermediate frequency stov e;three-layer PE 三层PE又称聚乙烯三层结构防腐层,是国际上目前最为先进的防腐技术之一.由于三层PE的生产工序较为复杂,各种变量之间存在强耦合、大惯性、非线性等特点,系统的工况随加工原料的不同复杂多变,对其建立精确的数学模型较为困难.因此采用传统的控制技术往往难以奏效,难以得到满意的效果.国内大多钢质管道聚乙烯防腐成型生产线的操作、工艺路线的确定都是根据生产者的经验确定,采用人工手动加电气控制配合的生产方式.受人为因素的影响,往往造成生产过程的不稳定,产品质量难以保证,生产效率低[1,2]. 模糊控制作为智能控制的一个重要分支,非常适用于控制那些因具有高度非线性、或参数随工作点的变动较大、或交叉耦合严重、或环境因素干扰强烈,而不易获得精确数学模型和数学模型不确定或多变的一类被控过程,也是当前控制领域的一个研究热点[3]. 针对三层PE生产工艺中严重制约生产效率以及影响产品质量的包覆段中恒速段传动、钢管胶化时的温度以及塑料挤出成型等工艺流程中的温度参数,以及在作者原有研究的基础上提出了一种复合模糊分段控制策略.以靖边防腐厂生产线的工艺参数为背景,进行仿真实验,仿真结果证明了这种算法的有效性. 1 系统工艺要求及结构模型建立如图1所示,经抛丸段预处理后的钢管,首先进入中频炉加热至200℃左右,经喷粉箱采用静电喷涂技术在钢管外表面熔结一层还氧树脂底漆(FBE),中间胶膜必须在FBE的胶化时间内包覆在钢管内,以保证熔融的共聚物粘胶剂与胶化状态的FBE发生化学反应,牢固粘结在钢管表面 . 图1 系统工艺模型 第17卷 第3期2005年9月 甘肃科学学报 J ou rnal of Gansu Sciences Vol.17 No.3 Sep.2005
PID控制与模糊控制比较
PID控制与模糊控制的比较 专业：控制理论与控制工程 班级：级班 姓名：X X X 学号： xxxxxxxxxxxxxx
摘要：介绍了PID控制系统和模糊控制系统的工作原理。PID控制器结构简单，实现简单，控制效果良好，已经得到了广泛的应用。而模糊控制器相对复杂，但在许多的智能化家用电器中也得到了大量应用。但对于一个简单的系统来讲，哪一种控制方法更好，是不是越智能的控制就能得到越好的效果。 关键词：PID控制，模糊控制，比较
Abstract: Introduced the working principle of PID control system and fuzzy control system. PID controller structure is simple, implementation is simple, the control effect is good, has been widely used. And fuzzy controller is relatively complicated, but in a lot of intelligent household appliances also received a large number of applications. But for a simple system, which kind of control method is better, is weather the intelligent control can obtain the good effect. Key words: PID control, fuzzy control, compare
智能控制题库
智能控制题库
1. 试说明智能控制的的基本特点是什么？ （1）学习功能（1分）（2）适应功能（1分）（3）自组织功能（1分） （4）优化能力（2分） 2、试简述智能控制的几个重要分支。 专家控制、模糊控制、神经网络控制和遗传算法。 3、试说明智能控制研究的数学工具。 智能控制研究的数学工具为：（1）符号推理与数值计算的结合；（2）离散事件与连续时间系统得结合；（3）模糊集理论；（4）神经网络理论；（5）优化理论 4.智能控制系统有哪些类型，各自的特点是什么？ （1）专家控制系统（1分） 专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验。它具有启发性、透明性、灵活性、符号操作、不一确定性推理等特点。（2）模糊控制系统（1分） 在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。（3）神经控制系统（1分） 神经网络具有某些智能和仿人控制功能。学习算法是神经网络的主要特征。 5、简述专家控制与专家系统存在的区别。 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）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、试说明智能控制的三元结构，并画出展示它们之间关系的示意图。 把智能控制扩展为三元结构，即把人工智能、自动控制和运筹学交接如下表示：（2分） IC=AI∩AC∩OR OR一运筹学（Operation research）IC一智能控制( intelligent control); Al一人工智能(artificial intelligence); AC一自动控制(automatic Colltrol); ∩一表示交集. 8. 简述智能控制系统较传统控制的优点。 在传统控制的实际应用遇到很多难解决的问题，主要表现以下几点：（1）实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型。(1分)（2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。(1分)（3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。(1分)（4）实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如机器人控制、CIMS、社会经济管理系统等复杂任务无能为力。(1分) 智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法适应对象的复杂性和不确定性,能够比较有
模糊控制理论的心得与体会
模糊控制理论的心得与体会 模糊理论（Fuzzy Logic)是在美国加州大学伯克利分校电气工程系的 L.A.zadeh教授于1965年创立的模糊集合理论的数学基础上发展起来的,主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面的内容.美国加州大学的L.A.Zadeh教授在1965年发表了著名的论文，文中首次提出表达事物模糊性的重要概念:隶属函数,从而突破了19世纪末笛卡尔的经典集合理论, 奠定模糊理论的基础. 1966年,P.N.Marinos发表模糊逻辑的研究报告,1974年,L.A.Zadeh发表模糊推理的研究报告,从此,模糊理论成了一个热门的课题。1974年,英国的E.H.Mamdani首次用模糊逻辑和模糊推理实现了世界上第一个实验性的蒸汽机控制,并取得了比传统的直接数字控制算法更好的效果,从而宣告模糊控制的诞生。1980年丹麦的L.P.Holmb lad和Ostergard在水泥窑炉采用模糊控制并取得了成功,这是第一个商业化的有实际意义的模糊控制器。 事实上,模糊理论应用最有效，最广泛的领域就是模糊控制,模糊控制在各种领域出人意料的解决了传统控制理论无法解决的或难以解决的问题,并 取得了一些令人信服的成效。 一模糊控制的基本思想及应用方向 把人类专家对特定的被控对象或过程的控制策略总结成一系列以"IF(条件)THEN(作用)"形式表示的控制规则,通过模糊推理得到控制作用集,作用于被控对象或过程.控制作用集为一组条件语句,状态语句和控制作用均为一组被量化了的模糊语言集,如"正大","负大","正小","负小",零等。 模糊控制的几个研究方向: ·模糊控制的稳定性研究 ·模糊模型及辩识 ·模糊最优控制 ·模糊自组织控制 ·模糊自适应控制 ·多模态模糊控制
模糊控制与神经网络
BP神经网络 BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。 如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 神经网络 神经网络是： 思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。 逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面： （1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。 （4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。 纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。 【人工神经网络的工作原理】 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
智能控制技术试卷
一、选择题 1、蔡自兴教授提出智能控制系统的四元结构,认为智能控制就是人工智能、控制理论、系统理论与运筹学四种学科的交叉。 2、专家就是指在某一专业领域内其专业知识与解决问题的能力达到很高水平的学者。 3、专家系统中的知识按其在问题求解中的作用可分为三个层次,即数据级、知识库级与控制级。 4、不确定性知识的表示有三种:概率、确定性因子与模糊集合。 5、Hebb学习规则就是一种无教师的学习方法,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与并联学习。 6、交叉运算就是两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体。 二、判断题 1、IEEE控制系统协会把智能控制归纳为:智能控制系统必须具有模拟人类学习与自适应的能力。( T ) 2、不精确推理得出的结论可能就是不确定的,但会有一个确定性因子,当确定性因子超过某个域值时,结论便不成立。( F ) 3、一般的专家系统由知识库、推理机、解释机制与知识获取系统等组成。( T ) 4、人机接口就是专家系统与领域专家、知识工程师、一般用户间进行交互的界面,由一组程序及相应的硬件组成,用于完成知识获取工作。( F ) 5、Hopfield神经网络就是反馈神经网络中最简单且应用广泛的模型,它具有联想记忆的功能。( F ) 6、知识就是将有关的信息进一步关联在一起,形成了更高层次含义的一种信息结构,信息与关联就是构成知识的两个基本要素。( T ) 7、建造知识库涉及知识库建造的两项主要技术就是知识获取与知识存放。( F ) 8、模糊控制系统往往把被控量的偏差(一维)、偏差变化(二维)以及偏差的变化率(三维) 作为模糊控制器的输入。( T ) 9、RBF网络的学习过程与BP网络的学习过程就是类似的,两者的主要区别在于使用了相同的激励函数。( F ) 10、应用遗传算法求解问题时,在编码方案、适应度函数及遗传算子确定后,算法将利用进化过程中获得的信息自信组织搜索。( T ) 三、简答题 1、分别说明专家系统与专家控制系统？ 答:专家系统就就是利用存储在计算机内的某一特定领域内人类专家的知识,来解决过去需要人类专家才能解决的现实问题的计算机系统。专家控制就是将人工智能领域的专家系统理论与技术与控制理论方法与技术相结合,仿效专家智能,实现对较为复杂问题的控制。基于专家控制原理所设计的系统称为专家控制系统。 2、人工神经网络中两种典型的结构模型就是什么？它们进行学习时具有哪些特点？ 答:两种典型的结构模型就是前馈神经网络与反馈神经网络。前馈神经网络有感知器与BP 网络等;主要采用 学习规则,这就是有教师学习方法。反馈神经网络有Hopfield神经网络、Boltzmann机网络等;主要采用Hebb学习规则,概率式学习算法。 3、应用遗传算法计算时,设计编码的策略与编码评估准则(即编码原则)就是什么？ 答:设计编码策略:(1)完备性(2)健全性(3)非冗余性 编码评估准则,即编码原则:(1)有意义基因块编码规则(2)最小字符集编码原则。
模糊控制与传统PID控制比较
模糊控制 与传统PID控制比较 引言： 模糊控制不需要确定系统的精确数学模型，是一种基于规则的控制。模糊控制在智能控制领域由于理论研究比较成熟、实现相对比较简单、适应面宽而得到广泛的应用。不论是对复杂的水泥回转窑的控制，还是在智能化家用电器中的应用，模糊控制都充当着重要的角色。 一个典型工业过程通常可以等效为二阶系统加上一个非线性环节（如纯滞后），给出如下典型控制对象传递函数的一般形式： Gp（s）=K*e-τs/(T1s+1)（T2s+1） PID控制： PID控制是自动控制领域产生最早、应用最广的一种控制方法。PID控制原理图： PID控制器传递函数的一般表达式为： Gc（s）=kp+ki/s+kd*s kp为比例增益；ki为积分增益；kd为微分增益 控制器的关键是确定三个增益值，在simulink中搭建PID系统控制模型如下图示： PID仿真结果：
模糊控制： 模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。 模糊控制原理框图： 一个基本模糊控制器主要有三个功能： （1）模糊化：把精确量(如偏差e和偏差变化ec)转化为相应的模糊量（E、EC）; （2）模糊推理：按总结的语言规则（模糊控制规则表）进行模糊推理； （3）模糊判决：把推理结果（U）从模糊量转化为可以用于实际控制的精确量（u） 模糊控制器的基本机构 设计模糊控制器主要步骤： 1.选择偏差e、偏差变化ec和控制量u的模糊语言变量为E、EC 和U。根据e、ec和u实际的基本论域，设定E、EC和U论域都为[-6,6],可以确定出量化因子Ke、Kc和比例因子Ku。。 2.选取E、EC和U的各语言变量直，正大PB,正中PM,正小PS，零 ZE，负小NS，负中NM，负大NB，它们各自在论域上的模糊子集隶属度函数均为三角形， 3.根据总结的人工操作策略设计出模糊控制策略表： ek=yr-yk △ek=ek-ek-1 模糊规则：
模糊控制学习心得
模糊控制学习心得 班别：电气143 学号：1407300043 姓名：范宝荣 “模糊”是人类感知万物,获取知识,思维推理,决策实施的重要特征。“模糊”比“清晰”所拥有的信息容量更大,内涵更丰富,更符合客观世界。 在日常生活中,人们的思维中有许多模糊的概念,如大、小、冷、热等,都没有明确的内涵和外延,只能用模糊集合来描述。人们常用的经验规则都是用模糊条件语句表达,例如,当我们拧开水阀往水桶里注水时,有这样的经验:桶里没水或水较少时,应开大水阀;桶里水较多时,应将水阀关小些;当水桶里水快满时,则应把阀门关得很小;而水桶里水满时应迅速关掉水阀。其中,“较少”、“较多”、“小一些”、“很小”等,这些表示水位和控制阀门动作的概念都具有模糊性。即有经验的操作人员的控制规则具有相当的模糊性。模糊控制就是利用计算机模拟人的思维方式,按照人的操作规则进行控制,实现人的控制经验。 模糊控制理论是由美国著名的学者加利福尼亚大学教授Zadeh·L·A于1965年首先提出,它以模糊数学为基础,用语言规则表示方法和先进的计算机技术,由模糊推理进行决策的一种高级控制策略。1974年,英国伦敦大学教授Mamdani·E·H 研制成功第一个模糊控制器,充分展示了模糊技术的应用前景。 尽管模糊控制理论已经取得了可观的进展,但与常规控制理论相比仍不成熟。模糊控制系统的分析和设计尚未建立起有效的方法,在很多场合下仍然需要依靠经验和试凑。近年来,许多人一直尝试将常规控制理论的概念和方法扩展至模糊控制系统,而模糊控制与神经网络相结合的方法已成为研究的热点,二者的结合有效地推动了自学习模糊控制的发展。模糊控制易于获得由语言表达的专家知识,能有效地控制那些难以建立精确模型而凭经验可控制的系统,而神经网络则由于其仿生特性更能有效利用系统本身的信息,并能映射任意函数关系,具有并行处理和自学习能力,容错能力也很强。在集成大系统中,神经网络可用于处理低层感知数据,模糊逻辑可用于描述高层的逻辑框架[5]。模糊逻辑与神经网络的结合有两种情况:一是将模糊技术用于神经网络形成模糊神经网络,一是用神经网络实现模糊控制。这两方面均见于大量的研究文献。 常规模糊控制的两个主要问题在于:改进稳态控制精度和提高智能水平与适应能力。从大量文献中可以看出,在实际应用中,往住是将模糊控制或模糊推理的思想,与其他相对成熟的控制理论或方法结合起来,发挥各自的长处,从而获得理想的控制效果。 例如，利用模糊复合控制理论的分档控制,将PI或PID控制策略引入Fuzzy 控制器,构成Fuzzy-PI或Fuzzy-PID复合控制;适应高阶系统模糊控制需要的三维模糊控制器;将精确控制和模糊控制结合起来的精确—模糊混合控制;将预测控制与模糊控制相结合,利用预测模型对控制结果进行预报,并根据目标误差和操作者的经验应用模糊决策方法在线修正控制策略的模糊预测控制等。 模糊控制的发展过程中,提出了多种自组织、自学习、自适应模糊控制器。它们根据被控过程的特性和系统参数的变化,自动生成或调整模糊控制器的规则和参数,达到控制目的。这类模糊控制器在实现人的控制策略基础上,又进一步将人的学习和适应能力引入控制器,使模糊控制具有更高的智能性。自校正模糊控制器、参数自调整模糊控制等控制方法也较大地增强了对环境变化的适应能力。