智能控制考试复习提纲

第一章绪论1.智能控制是一门控制理论课程，研究如何运用人工智能的方法来构造控制系统和设计控制器。2.产生的背景和各种控制的特点P1#对由微分方程和差分方程描述的动力学系统进行控制研究的是单变量常系数线性系统只适用于单输入单输出控制系统(SISO)#控制对象由单输入单输出系统转变为多输人多输出系统；系统信息的获得由借助传感器转变为借助状态模型；研究方法由积分变换转向矩阵理论、几何方法，由频率方法转向状态空间的研究；由机理建模向统计建模转变，开始采用参数估计和系统辨识理论适用大型、复杂、高维、非线性和不确定性严重的对象#不依赖对象模型，适用于未知或不确定性严重的对象具有人类智能的特征能够表达定性的知识或具有自学习能力3.智能控制的两个发展方向：模拟人类的专家控制经验来进行控制模拟人类的学习能力来进行控制4.智能控制的定义和特点P35.智能控制的集中主要形式P4A基于信息论的分级递阶智能控(各级的作用）B以模糊系统理论为基础的模糊控制（优点）C基于脑模型的神经网络控制D基于知识工程的专家控制系统E基于规则的仿人智能控制F各种方法的综合集成6.智能控制的研究方向和趋势P7第二章模糊控制的数学基础（主要是计算）1.模糊集合，隶属度函数及其表示方法，模糊运算，λ水平截集2.模糊关系模糊关系的运算（简单）模糊关系的合成：设R是论域U×V上的模糊关系，S是论域V×W上的模糊关系则R和S可以合成为论域U×W上的一个新的模糊关系C，记做~~~SRC，运算法则：按矩阵乘法，R的行和S的列先交后并。3.模糊变换B=AR（A为原象，B为象，R为模糊变换）4.模糊决策5.语言规则中蕴涵的模糊关系（语言变量）简单条件语句：A如果……那么……B如果……那么……否则……多重条件语句（二维模糊语句）：如果e是A，并且ec是B，那么u是C（例题2-16）（注意：这里是写成列向量的形式，下面的多输入单规则是写成行向量的形式）6.模糊推理：语言控制规则中蕴涵的模糊关系+输入情况=输出情况单输入单规则Zadeh法（例题2-17）；Mamdani法（适配度，削顶法）多输入单规则（例题2-18）第三章模糊控制器的设计方法1.模糊控制的工作原理P32，模糊控制的基本思想P312.模糊控制器的结构和设计A模糊化接口（定义语言变量的过程，语言变量论域的设计：通过引入量化因子ke、kec和比例因子ku来实现实际的连续域到有限整数离散域的转换，各语言值的隶属函数曲线形状AND分布对控制性能的影响，清晰性、完备性）模糊化过程具体的步骤（P37）第一步将实际检测的系统误差和误差变化率量化为模糊控制器的输入。假设实际检测的系统误差和误差变化率分别为e*和ec*，可以通过量化因子将其量化为模糊控制器的输入E*和EC*。第二步将模糊控制器的精确输入E*和EC*通过模糊化接口转化为模糊输入A*和B*。将E*和EC*所对应的隶属度最大的模糊值当作当前模糊控制器的模糊输入量A*和B*。B规则库（规则的生成方法，规则总结时要注意的问题）C模糊推理（P37）D清晰化接口（最大隶属度方法、加权平均法P38）3.模糊查询表、模糊控制器的工作过程（6个步骤）P394.模糊控制器的设计内容P405.模糊控制的优缺点及改进方法P40A模糊比例控制器B模糊—PI复合控制：（1）双模控制（2）串联控制（3）并联控制（控制原理）C自校正模糊控制：（1）参数自校正模糊控制器（步骤描述P43）：量化因子Ｋe、Ｋec和比例因子Ｋu对控制性能的影响P42Ke、Kec、Ku的调整方法P42模糊参数调制器P42注：这里有个Ke、Kec、Ku为什么这么调节的原因（1）降低Ke和Kec可以降低对e和ec输入量的分辨率,使得e、ec的减少不致于使控制器的减少太多。加大比例因子Ku,可以获得较大的控制量,使响应加快。（2）增大Ke和Kec可以提高对输入变化的分辨率，使得控制器可以对微小的误差做出反应，提高稳态的精度。减少Ku，以减小超调量。（2）规则自校正模糊控制器原理P44调整加权因子α的调整方法：①函数法②模糊推理法第四章神经网络的基本理论常用的激发函数f的种类0x00x1f(x)，0x10x1f(x)，k1x1k1xk1kxk1x1f(x)，arctan(x)f(x)等等1.神经网络的定义和特点P482.神经网络的构成和分类①从结构上划分：层状和网状结构层状结构：网络由若干层组成，每层中有一定数量的神经元，相邻层中神经元单向联接，一般同层内神经元不能联接。网状结构：网络中任何两个神经元之间都可能双向联接。②从激发函数的类型上划分：高斯基函数神经网络、小波基函数神经网络、样条基函数神经网络等等③从网络的学习方式上划分：有导师学习神经网络和无导师学习神经网络④从学习算法上来划分：基于BP算法的网络、基于Hebb算法的网络、基于竞争式学习算法的网络、基于遗传算法的网络。3.多层前向BP神经网络由输入层、隐层（不少于1层）、输出层组成，信号沿输入→输出的方向逐层传递。各层的输入输出关系的描述AND整个输入、输出关系的描述BP学习算法：基本思想，学习的步骤P51第五章神经网络在控制中的应用1.神经网络系统辨识P60简介系统辨识的原理就是通过调整辨识模型的结构来使误差e最小。多层前向BP网络的系统辨识：网络的输出计算公式、网络训练的BP算法描述递归神经网络系统辨识：递归神经网络的输入输出关系描述2.神经网络系统控制P62神经网络在控制中起到的作用（4点）①神经网络直接反馈控制系统②神经网络逆控制（自适应逆控制的基本思想）③神经网络内模控制④神经网络自适应控制（模型参考自适应控制的目的）⑤神经网络学习控制⑥神经网络预测控制⑦神经网络PID控制⑧神经网络滑模控制⑨神经网络鲁棒控制第六章模糊神经网络1.模糊控制与神经网络的结合，大致有三种。P712.模糊神经网络模型：模糊联想存储器(FAM)、模糊推理神经网络第七章专家控制技术1.专家系统概述：定义、组成部分（即结构）、特征（具有专家水平的知识、能进行有效的推理、具有透明性、灵活性和复杂性）2.专家系统的知识表示方法：产生式规则表示法【基本结构（规则库、数据库、控制器）】、状态空间表示法、框架表示法、“与或图”表示法、黑板模型结构、神经网络知识表示等P803.专家系统的自推理机制P854.专家控制系统：实时专家控制系统的要求（7点）、知识的表示包括4点、基本结构等直接专家控制AND间接专家控制第八章遗传算法1.遗传算法基本原理：①基本操作：复制、交叉、变异②特点③理论基础（应用GA的几个要点）2.基于遗传算法的参数辨识利用遗传算法建模的好处P106利用遗传算法来辨识系统参数的主要步骤P1083.基于遗传算法的控制参数优化：利用遗传算法进行控制器在线寻优的系统构成图P1114.基于遗传算法的模糊神经网络学习方法遗传神经网络的训练算法如下（P113）：①根据问题，任选一组初始解；②采用趋化性算法对每个网络进行多次学习；③选择部分个体进行交叉操作；④根据优化的终止条件，如果满足则结束，否则转②；模糊控制洗衣机一、布质布量传感器：先加入一定的水并让电机转动,突然切断电源,由于惯性作用电机会维持短时间旋转。此时电机处于发电机状态,会产生一定感应电势并逐渐衰减到零。由于衰减速率与布阻抗成一定的线性关系,通过对定子绕组两端电势进行整流和检测,经光电隔离后形成脉冲信号。脉冲信号多则布阻抗小,反之亦然。经过几次测量就可以判断出布阻抗,通过模糊推理得出布质及布量。二、布质检测：棉质和化纤衣物的识别、软质棉和硬质棉衣物的识别，加两次水，记录两次衰减时间t1和t2，布制硬Δt大，布制软Δt小。三、水温检测：温度传感器四、水位检测：水位传感器是一根与缸体等高的空管，它与缸体构成一个连通器，空管的上端有一个用压力膜隔开的差动电感器，当缸中有水注入时，管内的空气被压缩使压力膜上压力增大，继而推动与它联动的铁心移动，引起线圈的电感量变化。用此电感器构成的LC振荡器的频率就能反映水位的高低。用这个传感器既可用于配合以上布料软硬度的检测，同时也作为水位控制依据的检测装置。五、浑浊度检测系统：利用红外线在水中的透光率和时间的关系经过模糊推理，得出结果。模糊洗衣机的模糊推理：①洗涤剂量及浓度和污浊度成正比②水流推理：布量少且布制软，水流弱，布量适中且布制软，水流弱，布量少且布制硬，水流强③脱水推理：布量少，时间短，布量适中，时间中，布量多，时间长。模糊控制电饭锅一、米饭量的测定是在吸水阶段进行的。在吸水阶段，电饭煲通电后，锅内的温度尚未来得及上升，这时首先检测出当时的室温和锅中的水温。随着加热过程的进行，米饭的温度渐渐上升，当温度上升到稍低于淀粉α化温度，比如50℃时，则停止加热。此后，利用余热使米进行一定程度的吸水，同时温度也就随之下降。经过一个阶段，温度下降到40℃，这时吸水阶段结束。在模糊推理中，将室温Tr、初始水温Tw和温度变化率Td作为条件，而煮饭量Q为推理结果。在室温Tr不变的情况下，温度变化率Td和煮饭量Q有着密切的关系，同时又和初始水温Tw有一定的关系。模糊推理是在室温Tr为一定值的条件下，根据初始水温Tw和温度变化率Td推断出煮饭量Q。二、温度模糊控制在模糊电饭煲中，温度模糊控制通常有两种情况：一种是恒温控制，另一种是匀速升温控制。恒温控制用于沸腾和保温阶段。匀速升温控制用于加热阶段。无论采用哪一种控制，都要对有关量进行模糊化。三、(1)恒温控制：在恒温控制中，把温度偏差et和温度偏差变化率Δet都分成负大(NB)、负小(NS)、零(Z)、正小(PS)、正大(PS)5个模糊量，而把双向晶闸管的触发延迟角分成00、300、600、900、1200、1500、1800七个单点模糊量，并且以M条规则进行直接控制。