智能控制技術(shù)(親自整理的知識點)(共8頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上智能控制(1)智能控制與傳統(tǒng)控制的區(qū)別答：傳統(tǒng)控制方法包括經(jīng)典控制和現(xiàn)代控制，是基于被控對象精確模型的控制方式，缺乏靈活性和應變能力，適于解決線性、時不變性等相對簡單的控制問題，難以解決對復雜系統(tǒng)的控制。智能控制能解決被控對象的復雜性、不確定性、高度的非線性，是傳統(tǒng)控制發(fā)展的高級階段。(2)智能控制的概念 答：智能控制是人工智能、自動控制、運籌學的交叉。(3) 1986年美國的PDP研究小組提出了BP網(wǎng)絡，實現(xiàn)了有導師指導下的網(wǎng)絡學習，為神經(jīng)網(wǎng)絡的應用開辟了廣闊的發(fā)展前景。 (4) 專家系統(tǒng)主要由知識庫和推理機構(gòu)成（核心） 知識庫實時推理機A/D被控對象D/A控制算法

2、庫(5)專家控制的結(jié)構(gòu) (6)按專家控制在控制系統(tǒng)中的作用和功能，可將專家控制器分為以下兩種類型：答：(1) 直接型專家控制器：直接專家控制器用于取代常規(guī)控制器，直接控制生產(chǎn)過程或被控對象。具有模擬（或延伸，擴展）操作工人智能的功能。該控制器的任務和功能相對比較簡單，但是需要在線、實時控制。因此，其知識表達和知識庫也較簡單，通常由幾十條產(chǎn)生式規(guī)則構(gòu)成，以便于增刪和修改。直接型專家控制器的示意圖見圖中的虛線所示。知識庫信息獲取與處理推理機構(gòu)被控對象傳感器控制規(guī)則庫(2) 間接型專家控制器：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)過程或被控對象進行間接控制的智能控制系統(tǒng)。具有模擬（或延伸

3、，擴展）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、協(xié)調(diào)、組織等高層決策的智能控制。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 適應型專家控制器 協(xié)調(diào)型專家控制器 組織型專家控制器例3.4 設 求AB，AB則(7) 在模糊控制中應用較多的隸屬函數(shù)有以下6種隸屬函數(shù)。（1）高斯型隸屬函數(shù) 高斯型隸屬函數(shù)由兩個參數(shù)和c確定：其中參數(shù)b通常為正，參數(shù)c用于確定曲線的中心。Matlab表示為 (3) S形隸屬函數(shù) S形函數(shù)sigmf(x,a c)由參數(shù)a和c決定：其中參數(shù)a的正負符號決定了S形隸屬函數(shù)的開口朝左或朝右，用來表示“正大”或“負大”的概念。Matla

4、b表示為 (4）梯形隸屬函數(shù)梯形曲線可由四個參數(shù)a，b，c，d確定：其中參數(shù)a和d確定梯形的“腳”，而參數(shù)b和c確定梯形的“肩膀”。 Matlab表示為：(5)三角形隸屬函數(shù)三角形曲線的形狀由三個參數(shù)a，b，c確定 其中參數(shù)a和c確定三角形的“腳”，而參數(shù)b確定三角形的“峰”。 Matlab表 示為（6）Z形隸屬函數(shù) 這是基于樣條函數(shù)的曲線，因其呈現(xiàn)Z形狀而得名。參數(shù)a和b確定了曲線的形狀。Matlab表示為 圖 高斯型隸屬函數(shù)（M=1） 圖 S形隸屬函數(shù)（M=3） 圖 梯形隸屬函數(shù)（M=4） 圖 三角形隸屬函數(shù)（M=5） 圖 Z形隸屬函數(shù)（M=6）例3-10 設 則例3-9 設論域x=a1，

5、a2，a3，y=b1，b2，b3，z=c1，c2，c3，已知 試確定“If A AND B then C”所決定的模糊關(guān)系R，以及時的輸出C1。解：將A×B矩陣擴展成如下列向量：當輸入為A1和B1時，有：將A1×B1矩陣擴展成如下行向量：最后得即：(8)模糊控制原理框圖(9)模糊控制器的構(gòu)成 (模糊控制器的組成框圖)(10)模糊控制器結(jié)構(gòu)類型1 單變量模糊控制器 （a)一維模糊控制器 如圖所示，一維模糊控制器的輸入變量往往選擇為受控量和輸入給定的偏差量E。由于僅僅采用偏差值，很難反映過程的動態(tài)特性品質(zhì)，因此，所能獲得的系統(tǒng)動態(tài)性能是不能令人滿意的。這種一維模糊控制器往往被用

6、于一階被控對象。(a) (b) (b)二維模糊控制器 二維模糊控制器的兩個輸入變量基本上都選用受控變量和輸入給定的偏差E和偏差變化EC，由于它們能夠較嚴格地反映受控過程中輸出變量的動態(tài)特性，因此，在控制效果上要比一維控制器好得多，也是目前采用較廣泛的一類模糊控制器(c)三維模糊控制器 如圖所示，三維模糊控制器的三個輸入變量分別為系統(tǒng)偏差量E、偏差變化量EC和偏差變化的變化率ECC。由于這些模糊控制器結(jié)構(gòu)較復雜，推理運算時間長，因此除非對動態(tài)特性的要求特別高的場合，一般較少選用三維模糊控制器。(11)將模糊推理結(jié)果轉(zhuǎn)化為精確值的過程稱為反模糊化。常用的反模糊化有三種：(1)最大隸屬度法 選取推理

7、結(jié)果模糊集合中隸屬度最大的元素作為輸出值，即 如果在輸出論域V中，其最大隸屬度對應的輸出值多于一個，則取所有具有最大隸屬度輸出的平均值，即：N為具有相同最大隸屬度輸出的總數(shù)。 (2) 重心法 為了獲得準確的控制量，就要求模糊方法能夠很好的表達輸出隸屬度函數(shù)的計算結(jié)果。重心法是取隸屬度函數(shù)曲線與橫坐標圍成面積的重心為模糊推理的最終輸出值，即對于具有m個輸出量化級數(shù)的離散域情況 與最大隸屬度法相比較，重心法具有更平滑的輸出推理控制。即使對應于輸入信號的微小變化，輸出也會發(fā)生變化。(3)加權(quán)平均法 工業(yè)控制中廣泛使用的反模糊方法為加權(quán)平均法，輸出值由下式?jīng)Q定其中系數(shù) ki 的選擇根據(jù)實際情況而定。不

8、同的系數(shù)決定系統(tǒng)具有不同的響應特性。當系數(shù)取隸屬度 時，就轉(zhuǎn)化為重心法。(12)神經(jīng)元/神經(jīng)細胞由三部分構(gòu)成：（1）細胞體（主體部分）：包括細胞質(zhì)、細胞膜和細胞核；（2）樹突：用于為細胞體傳入信息；（3）軸突：為細胞體傳出信息，其末端是軸突末梢，含傳遞信息的化學物質(zhì)；（4）突觸：是神經(jīng)元之間的接口（104105個/每個神經(jīng)元）。一個神經(jīng)元通過其軸突的神經(jīng)末梢，經(jīng)突觸與另外一個神經(jīng)元的樹突連接，以實現(xiàn)信息的傳遞。由于突觸的信息傳遞特性是可變的，隨著神經(jīng)沖動傳遞方式的變化，傳遞作用強弱不同，形成了神經(jīng)元之間連接的柔性，稱為結(jié)構(gòu)的可塑性。(13)神經(jīng)網(wǎng)絡的分類根據(jù)神經(jīng)網(wǎng)絡的連接方式，神經(jīng)網(wǎng)絡可分為兩

9、種形式：（1）前向網(wǎng)絡（2）反饋網(wǎng)絡（3）自組織網(wǎng)絡(14)神經(jīng)網(wǎng)絡學習算法按有無導師分類可分為有教師學習、無教師學習和再勵學習等幾大類。(15)最基本的神經(jīng)網(wǎng)絡學習算法： Hebb學習規(guī)則、Delta()學習規(guī)則、概率式學習規(guī)則、競爭式學習規(guī)則(16)神經(jīng)網(wǎng)絡特征（1） 能逼近任意非線性函數(shù)； (2) 信息的并行分布式處理與存儲；（2） 便于用超大規(guī)模硬件實行并行處理(3) 能進行學習，以適應環(huán)境的變化(17)神經(jīng)網(wǎng)絡要素（1）神經(jīng)元（信息處理單元）的特性；（2）神經(jīng)元之間相互連接的形式拓撲結(jié)構(gòu)；（3）為適應環(huán)境而改善性能的學習規(guī)則。(18)BP網(wǎng)絡特點（1） 是一種多層網(wǎng)絡，包括輸入層、隱

10、含層和輸出層（2） 層與層之間采用全互連方式，同一層神經(jīng)元之間不連接；（3） 權(quán)值通過學習算法進行調(diào)節(jié)；（4） 神經(jīng)元激發(fā)函數(shù)為S函數(shù)；（5）學習算法由正向傳播和反向傳播組成；（6）層與層的連接是單向的，信息的傳播是雙向的。(19)BP算法的學習過程 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)。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。(20)神經(jīng)網(wǎng)絡監(jiān)督控制(21)神經(jīng)網(wǎng)絡直接逆動態(tài)控制(22)遺傳算法的基本原理（1） 遺傳（2）變異（3）生存斗爭和適者生存(23)遺傳算法的基本操作為：（1）復制（2）交叉（3）變異(24)遺傳算法的構(gòu)成要素（1） 染色體編碼方法（2） 個體適應度評價（3）遺傳算子 選擇運算:使用比例選擇算子； 交叉運算:使用單點交叉算子； 變異運算:使用基本位變異算子或均勻變異算子。（4）基本遺傳算法的運行參數(shù)(25)遺傳算法的應用步驟第一步：確定決策變量及各種約束條件，即確定出個體的表現(xiàn)型X和問題的解空間；第二步：建立優(yōu)化模型，即確定出目標函數(shù)的類型及數(shù)學描述形式或量化方法；第三步：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x