武汉理工大学硕士研究生试题
课程名称:智能控制理论与技术
专业 控制科学与工程学号 1049721303699 姓名 郭心悦
一、 简答题(每小题 10 分)
1. 智能控制由哪几部分组成?各自的特点是什么?
答:智能控制由六个部分组成:执行器、传感器、感知信息处理、规划与控
制、认知和通信接口。
(1)执行器是系统的输出,对外界对象发生作用。
(2)传感器产生智能系统的输入,传感器用来监测外部环境和系统本身的状
态。传感器向感知信息处理单元提供输入。
(3)感知信息处理,将传感器得到的原始信息加以处理,并与内部环境模型
产生的期望信息进行比较。
(4)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,最终产生具体的控制
作用。
(5)认知主要用来接收和存储信息、知识、经验和数据,并对他们进行分析、
推理作出行动的决策,送至规划和控制部分。
(6)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。
2. 智能控制是在什么背景下产生的?
答:早期的自动控制基本上是解决简单对象的控制问题,人们追求研制完全
自动运行不用人参与的自治系统。随着控制对象的日益复杂,系统所处的环
境因素、控制性能要求都列入了控制系统设计的考虑范围,已有的自动控制
方法与技术受到了某种程度的挑战,尤其在学习控制研究与机器人控制方
面,矛盾日渐突出,迫切需要为自动控制学科注入新的活力,智能控制正是
在这样的背景下产生。
3. 智能控制和传统控制差异是什么?
答:二者的差异主要体现在以下几个方面:
(1)涉及的范围不同:智能控制的范围包括了传统控制的范围。它有微分/差
分方程描述的系统;有混合系统(离散和连续系统混合、符号和数值系统混
合、数字和模拟系统混合);
(2)控制的目标不同:智能的目标寻求在巨大的不确定环境中,获得整体的
优化。因此,智能控制要考虑:故障诊断、系统重构、自组织、自学习能力、
多重目标;
(3)系统的结构:控制对象和控制系统的结合。
4. 神经元计算与人工智能传统计算有什么不同?
答:神经元计算不同事传统的计算与人工智能,主要现在如下几个方面:
(1)样本学习:传统专家系统(一种模拟人类专家解决领域问题的计算机程
序系统)的知识是用规则的形式给出的。神经网络与专家系统不同,其规则
是由样本学习形成的。其中学习规则是根据样本输入及期望输出来调整网络
联结权的方法。
(2)分布联想记忆:神经元计算网络的一个重要特征是其储存信息的方式。
神经元计算是分布记忆的,联结权为神经网络的记忆单元,权值体现了网络
知识的当前状态。由一对输入—期望输出样本表示的一条知识分布在网络的
多个记忆单元里,与储存在网络内的其他条知识共享这些记忆单元。
(3)容错特性:传统的计算系统只要损坏少量的记忆单元,就不能正常工作。
神经元计算系统则是能容错的。容错是一些神经元破坏损伤后或联结少许再
变差一点。神经元计算系统之所以能够容错,是因为信息不是储存在一个地
方,而是分布在整个系统的联接内。
(4)综合能力:神经元网络能够学习复杂连续的映射。综合复杂连续函数的
能力类似于生理系统学习协调运动的能力,如学习挥动球拍和击球。
5. 人工神经元网络的拓扑结构主要有哪几种?
答:网络拓扑结构的不同表现为神经元之间连接方式的不同。根据神经元之
间的连接方式,可将神经网络结构分为层次型结构和互连型结构两大类。
(1)层次型网络结构有 3 种典型的结构形式:单纯层次型网络结构、层内有
互连的层次型网络结构、输出层到输入层有连接的层次型网络结构;
(2)互连型结构可分为三类:全互连型网络、局部互连型网络、稀疏连接型
网络。
6. 设计智能控制系统的主要步骤有哪些;
答:设计步骤主要有以下几个:
(1)确定求解的问题。系统设计的第一步是明确求解的问题和范围,就是说
明确设计目的和要求。
(2)因素分析。对与被描述问题有关的因素进行分析,确定因素的类型:可
控的、不可控的、质的属性。系统的最优化就是对量的可控因素优化确定的
过程。
(3)模型的建立。建立模型就是用适当的(一般是数学的)方式来描述问题
与因素之间的关系,建立模型时一般应忽略次要因素,突出主要因素。建立
模型时,应首先明确下面的几个问题:系统的目标、系统的约束(现在常称
为环境因素)、系统的输入、系统的输出。模型可以是下面方式中的任一种
或它们的组合:物理模型(用来进行模型实验),图解模型(如流程图、工
序图、决策树等),数学模型(用数学的形式来表示,可用来求出最佳解)
和计算机模型(用程序语言表示,可以进行仿真求解)。
(4)决策过程。所谓决策是运用适当的手段求解模型,确定实现系统目标的
系统结构及其运用方法。当所建的是数学模型时,则可运用筹学中的数学规
划法去求解。在求解数学模型时,恰当地选择优化准则是很重要的,优化准
则不同,则所确定的系统的结构和对外表现大不相同。
(5)运用与管理。运用与管理又包括:
①验证:根据实际情况确定决策过程中的各种参数是否符合实际;
②预测:预测系统各变化时对输出的影响;
③系统运行的评价:主要评价系统是否达到预期的目的,评价可从下面几个
方面着手,即可靠性、响应性、稳定性、适应性、可维修性、经济性和对环
境的影响;
④修正:根据评价结果确定是否需要进行修正,一般情况下,系统经过数次
修正后,系统的特性总能得到逐步改善。对于无法改善的系统,则应考虑重
新进行系统设计。
二、 计算题(10 分)
1. 设论域
U
{ ,
, }
u u u u u
1
5
,
,
4
2
3
,且
A
0.2
u
1
0.4
u
2
0.9
u
3
1
u
4
0.5
u
5
B
0.1 0.7
u
u
3
1
1
u
4
0.3
u
5
试求
A B
,
C
A B A
,
(补集), CB (补集)
答:
BA
2.0
u
1
4.0
u
2
9.0
u
3
1
u
4
5.0
u
5
BA
1.0
u
1
7.0
u
3
1
u
4
3.0
u
5
c
A
c
B
8.0
u
1
9.0
u
1
6.0
u
2
5.01.0
u
u
5
3
1
u
2
3.0
u
3
7.0
u
5
三、设计题(30 分)
神经网络控制系统的结构如图所示,设被控制对象 P 的传递函数为:
( )
G s
s
16.5(0.5
(1.5
s
1)(4
s
s
1)
1)
N1 为神经网络 ,请在 BP 网络和 RBF 网络中选一种,研究并仿真验
证系统的性能。(提交研究分析报告)
答:题中的神经网络控制是一种神经网络自校正的控制方式,该图可作
如下简化:
对于一个单输入单输出反馈线性化系统,有:
y
k
1
(
,
f y y
1
k
k
1
,...,
u
k
1
,...)
(
,
g y y
k
k
1
,...,
u
k
1
,...)
u
k
若 1f 和 g 已知,所以对于上式有如下控制律:
u
k
( )
f
1
( )
g
d
g
1
k
( )
如图使用 1N 和 g 两个 RBF 或者 BP 网络来进行在线辨识,就得到 1f 和
g 的拟合值 1Nf 和 Ng ,就可以实现如下的自校正控制传递函数:
u
k
Nf
1
Ng
( )
( )
d
1
k
( )
Ng
该题被控制对象 P 的传递函数为:
( )
G s
s
16.5(0.5
(1.5
s
1)(4
s
s
1)
1)
在matlab中,输入命令,将连续系统转化为离散控制系统。计算得到z变换后的离散对象
为:
( )
y k
3.0084 (
y k
1) 3.0168 (
y k
可得:
1( ) 3.0084 (
f
y k
1) 3.0168 (
y k
g
( )
0.2828 10
3
2) 0.2828 10
2) 0.0155 10
3
(
u k
1) 0.0155 10
3
(
u k
2)
3
(
u k
2)
取对象输出为网络的输入,设高斯基函数 jh ,网络的径向基向量为
[
,
h h
1
2
,...,
h 我们这里取神经元的个数为 7,则 7m ,神经网络的结构
]T
m
为 1-7-1,设 jb 为基宽参数, jc 为中心矢量,则:
h
j
exp(
2
c
)
( )
y k
2
2
b
j
网络权向量为:
w w w w
7
...
[
,
1
2
]T
v
[
,
v v
1
2
...
v
7
]T
两个 RBF 网络辨识的结果为:
( )
Nf k
h w h w
1
1
2
...
h w
7
7
2
( )
Ng k
h v
1 1
h v
2 2
...
h v
7 7
辨识后,对象的输出为:
my
( )
k
[ (
Nf y k
1);
w k
( )]
[ (
Ng y k
1); ( )] (
v k u k
1)
神经网络调整的性能指标即均方误差为:
( )
E k
1
2
( ( )
y k
y k
m
( ))
2
然后采用梯度下降法进行权值调整:
( )
w k
j
( )
E k
( )
w k
j
( ( )
y k
y
m
( ))
( )
k h k
j
( )
v k
j
( )
E k
( )
v k
j
( ( )
y k
y
m
( ))
( )
k h k
j
最后我们用系统的输出来跟踪系统的输入来看该线性系统的性能,我
们给该系统的输入信号为正弦信号:r(k)=1.0*sin(2*pi*k*ts);
部分M文件参考程序如下:
%Self-Correct control based RBF Identification
clear all;
close all;
xite1=0.15;
xite2=0.50;
alfa=0.05;
w=0.5*ones(6,1);
v=0.5*ones(6,1);
cij=0.50*ones(1,6);
bj=5*ones(6,1);
h=zeros(6,1);
w_1=w;w_2=w_1;
v_1=v;v_2=v_1;
u_1=0;y_1=0;
ts=0.001;
for k=1:1:5000
time(k)=k*ts;
r(k)=1.0*sin(2*pi*k*ts);
%Practical Plant;
g(k)=0.8*sin(y_1);
f(k)=15;
y(k)=g(k)+f(k)*u_1;
for j=1:1:6
end
h(j)=exp(-norm(y(k)-cij(:,j))^2/(2*bj(j)*bj(j)));
Ng(k)=w'*h;
Nf(k)=v'*h;
ym(k)=Ng(k)+Nf(k)*u_1;
e(k)=y(k)-ym(k);
d_w=0*w;
for j=1:1:6
d_w(j)=xite1*e(k)*h(j);
end
w=w_1+d_w+alfa*(w_1-w_2);
d_v=0*v;
for j=1:1:6
d_v(j)=xite2*e(k)*h(j)*u_1;
end
v=v_1+d_v+alfa*(v_1-v_2);
u(k)=-Ng(k)/Nf(k)+r(k)/Nf(k);
u_1=u(k);
y_1=y(k);
w_2=w_1;
w_1=w;
v_2=v_1;
v_1=v;
end
figure(1);
plot(time,r,'r',time,y,'b');
xlabel('Time(second)');ylabel('Position tracking');
figure(2);
plot(time,g,'r',time,Ng,'b');
xlabel('Time(second)');ylabel('g and Ng');
figure(3);
plot(time,f,'r',time,Nf,'b');
xlabel('Time(second)');ylabel('f and Nf');
在matlab中运行仿真,可得到对正弦信号的跟踪结果如图2所示。