2023年《智能控制技术基础》试卷A标准超详细解析超详细解析超详细解析答案.pdf

《2023年《智能控制技术基础》试卷A标准超详细解析超详细解析超详细解析答案.pdf》由会员分享，可在线阅读，更多相关《2023年《智能控制技术基础》试卷A标准超详细解析超详细解析超详细解析答案.pdf（6页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、20062007 学年第一学期期末考试智能控制技术基础试卷（A）标准答案 一、填空题（每空 1 分，共 10 分）1 智能控制具有两个不同于常规控制的本质特点：以知识表示的非数学广义模型 和 以数学模型表示的混合控制过程。2 传统控制包括 经典反馈控制 和 现代理论控制 。3 模糊逻辑控制的过程主要有三个步骤：模糊化过程、模糊逻辑推理 和 精确化计算 。4 在一个神经网络中，常常根据处理单元的不同处理功能，将处理单元分成输入单元、隐含层单元（或隐层单元）和 输出单元 三类。5 系统辨识的基本要素包括数据、模型类 和 等价准则。二、问 答题（每小题 8 分,共 40 分）1 智能控制系统由哪几部

2、分组成？各部分的作用是什么？答：智能控制系统由广义对象、传感器、感知信息处理、认知、通信接口、规划和控制和执行器等七个功能模块组成；各部分的作用为：广义对象 包括通常意义下的控制对象和外部环境；传感器 包括关节传感器、力传感器、视觉传感器、距离传感器、触觉传感器等；感知信息处理将传感器得到的原始信息加以处理；认知 主要用来接收和储存信息、知识、经验和数据，并对它们进行分析、推理，作出行动的决策，送至规划和控制部分；通信接口 除建立人机之间的联系外，还建立系统各模块之间的联系；规划和控制 是整个系统的核心，它根据给定的任务要求、反馈的信息以及经验知识，进行自动搜索，推理决策，动作规划，最终产生具

3、体的控制作用；执行器 将产生的控制作用于控制对象。2 模糊逻辑控制器由哪几部分组成？各完成什么功能？答：模糊逻辑控制器由模糊化接口、知识库、推理机与解模糊接口四个部分组成；各部分的功能为：模糊化接口将真实的确定量输入转换为一个模糊矢量；知 识 库包括数据库和规则库。数据库存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值，若论域为连续域则为隶属度函数，在规则推理的模糊关系方程求解过程中，向推理机提供数据；规则库是基于专家知识或手动操作人员长期积累的经验，它是按人的直觉推理的一种语言表示形式，存放全部模糊控制规则，在推理时为“推理机”提供控制规则。推 机 理根据输入模糊量，由模糊控制规则完成

4、模糊推理来求解模糊关系方程，并获得模糊控制量的功能部分；解模糊接口在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值去控制或驱动执行机构。3 模糊控制器常规设计的步骤怎样？应注意哪些问题？答：模糊控制器常规设计的步骤：确定模糊控制器的输入、输出变量；确定各输入、输出变量的变化范围、量化等级和量化因子；在各输入和输出语言变量的量化域内定义模糊子集；确定模糊控制规则；求模糊控制表。应注意以下问题：模糊控制器的构造；模糊信息与精确信息转换的物理结构和方法；模糊控制器对外界环境的适应性及适应技术；实现模糊控制系统的软技术；模糊控制器和被控对象匹配技术。4 神经 PID 控制与常规 P

5、ID 控制有何不同？答：常规 PID 控制与神经 PID 相比，结构更简单、实现更容易，但它的局限性在于被控对象具有复杂的非线性特性时难以建立精确的数学模型，且由于对象和 环境的不确定性，往往难以达到满意的控制效果。神经 PID 控制具有两个神经网络：NNI系统在线辨识器，NNC自适应 PID 控制器，分别实现对被控对 象进行在线辨识和自适应控制的目的。5 为什么说神经网络控制属于智能控制？答：由于神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起 来的一类模型，具有模拟人的部分智能的特性，主要是具有非 线性特性、学习能力和自适应性，使神经网络控制能对变化的环境（包括外加扰动、量测噪声、

6、被控对象的时变特性三方面）具有自适 应性，且成为基本上不依赖于模型的一类控制，因此神经网络 属于“智能控制”。三、作图题：(本大题 10 分)为了克服实时计算量大的缺点，常规模糊控制在实际中通常采用的是查表法。现已知某系统的输入变量（误差和误差的变化）、输出变量（控制量）的变化范围、量化等级、模糊集的隶属度函数 如试表 1 所示，控制规则如试表 2 所示。设系统误差 e 的量化值为-1、误差变化 de 的量化值为 4，根据极大极小推理法可得控制量的输出模糊集合。要求在试图 1 的坐标纸上用图解法给出模糊推理的过程。试表 1 模糊集的隶属度函数 误差 e-50-30-15-5 0 5 15 30

7、 50 误差率 de-150-90-30-10 0 10 30 90 150 控制 u-64-16-4-2 0 2 4 16 64 量化等级-4-3-2-1 0 1 2 3 4 状态变量 相关的隶属度函数 PB 0 0 0 0 0 0 0 0.35 1 PS 0 0 0 0 0 0.4 1 0.4 0 ZE 0 0 0 0.2 1 0.2 0 0 0 NS 0 0.4 1 0.4 0 0 0 0 0 NB 1 0.35 0 0 0 0 0 0 0 试表 2 控制规则表 U E DE NB NS ZE PS PB NB PB PB PS NB NS PB PS PS ZE NB ZE PB PS

8、 ZE NS NB PS PB ZE NS NS NB PB PB NS NB NB 第一条规则：()e432112340.20.41()de432112340.20.41ede()u432112340.20.41u0.35ZEPBNB 第二条规则：()e432112340.20.41()de432112340.20.41ede()u432112340.20.41u0.35NSPBNS 控制量的输出模糊集：()u432112340.20.41u 试图 1 图解法坐标纸 四、计算题（每小题 10 分,共 20 分）1 设在论域e（误差）4 2 0 2 4,和控制电压0 2 4 6 8u,上定义的

9、模糊子集的隶属度函数如试图 2 所示。20424e1.0NBNSZEPS042u1.0NBNSZEPSPBPB0.50.568eu 试图 2 隶属度函数 已知模糊控制规则：规则 1：如果误差e为ZE，则u为ZE；规则 2：如果误差e为PS，则u为NS；试应用马达尼推理法计算出当输入误差1e时，输出电压u？（精确化计算采用重心法，计算结果保留到小数点后三位）解：20424e1.0NBNSZEPS042u1.0NBNSZEPSPBPB0.50.568eu10.70.30.7 计算图中隶属度函数各拐点的坐标（0，0）、（1，0.5）、（5，0.5）、（6，0），套用精确化过程重心计算法的积分公式，从

10、而得到 输出电压。1562015*15601511110.536()22642.5671011()0.53422uuuuu duuduu uduu uduuuduududuu du 2 考虑如下的逻辑条件语句：如果 转角误差远远大于15 那么 快速减少方向角 其隶属度函数定义为 A转角误差远远大于15 0/15 0.2/17.50.5/20 0.8/22.5 1/25 B快速减少方向角1/20 0.8/15 0.4/10 0.1/5 0/0 设 A 转角误差大约在20的隶属度函数0.1/150.6/17.51/20 0.6/22.5 0.1/25 试分别应用马达尼（Mamdani）推理法和扎德

11、（Zadeh）推理法计算当“A 转角误差大约在20”时方向角应该怎么变化？解：已知()0 0.2 0.5 0.8 1.0Ax，()1 0.8 0.4 0.1 0By且()0.1 0.6 1 0.6 0.1Ax 由马达尼推理法可得(,)()()ABABx yxy，即AB的关系矩阵minR可计算得到 min000000.20.20.20.100.50.50.40.100.80.80.40.1010.80.40.10R；由马达尼推理法，min000000.20.20.20.10()()0.1 0.6 1 0.6 0.10.6 0.6 0.4 0.1 00.50.50.40.100.80.80.40.

12、1010.80.40.10BAyxR 由扎德推理法可得(,)()()1()ABABAx yxyx，即AB的关系矩阵zdR可计算得到 zd111110.80.80.80.80.80.50.50.50.50.50.80.80.40.20.210.80.40.10R；由扎德推理法，zd111110.80.80.80.80.8()()0.1 0.6 1 0.6 0.10.6 0.6 0.6 0.6 0.60.50.50.50.50.50.80.80.40.20.210.80.40.10BAyxR 五、（本大题 8 分）画出静态多层前向人工神经网络（BP 网络）的结构图，并简述 BP 神经网络的工作过程

13、。答：静态多层前向人工神经网络的结构图如下：1x2xnxinon1y2ynyhn12L1L1ijwLijw 学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐含层处理后传向输出层。若输出层的实际输出与期望输 出（教师信号不符，则转向误差的反向传播。误差的反向传播是将输出误差以某种形式通过隐层向输入层反传，并将误差分摊给各层的所有单元，从而获得各层 单元的误差信号，此误差信号即作为修正个单元权值的依据。六、综合设计题（本大题 12 分）已知一非线性动态系统：22()(1)()1()y ky kukyk；给定的期望轨迹为：22()sinsin2510dkk

14、yk 求：1）假定系统已知，即(1)()y ku k从方程中可以求出，采用直接网络控制法实现期望轨迹的跟踪控制；2）假定只已知(1)()y ku k的符号，重新设计直接网络控制法实现期望轨迹的跟踪控制；3）利用神经网络辨识器，设计多神经网络控制器实现期望轨迹的跟踪控制。（注：只需给出准则函数，并画出相应的控制结构图）解：1）神经网络模型选用四层前向传播神经网络，并假设输出单元层的神经元为线性单元，其余层的神经元为 S 激励元，目标函数 为2211(1)(1)(1)22dEyky ke k，学习算法为：(1)()()ijijpjpiwkwkOk 输出层：2(1)(1)()p jdyky ku k；隐含层：()(1()p jpjpjp lljlOkOkw 2）若已知(1)()y ku k的符号，学习算法调整为：(1)()()ijijpjpiwkwkOk 输出层：(1)()2(1)(1)()(1)p jdy ky kyky ku ku k ；隐含层：()(1()p jpjpjp lljlOkOkw 3）221111(1)(1)(1)22Ey ky kek；222211(1)(1)(1)22dEyky kek