1、 智能控制理论及应用复习（紧扣课本）第一章 绪论经典控制和现代控制理论的统称为传统控制，智能控制是人工智能与控制理论交叉的产物，是传统控制理论发展的高级阶段。智能控制是针对系统的复杂性、非线性和不确定性而提出来的，传统控制和智能控制的主要区别： 传统控制方法在处理复杂化和不确定性问题方面能力很低；智能控制在处理复杂性、不确定性方面能力较高。 智能控制系统的核心任务是控制具有复杂性和不确定性的系统，而控制的最有效途径就是采用仿人智能控制决策。 传统控制是基于被控对象精确模型的控制方式；智能控制的核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。传统控制和智能控制的统一
2、：智能控制擅长解决非线性、时变等复杂的控制问题，而传统控制适于解决线性、时不变等相对简单的控制问题。智能控制的许多解决方案是在传统控制方案基础上的改进，因此，智能控制是对传统控制的扩充和发展，传统控制是智能控制的一个组成部分。智能控制应用对象的特点(1)不确定性的模型 模型未知或知之甚少；模型的结构和参数可能在很大范围内变化。 (2)高度的非线性 (3)复杂的任务要求 例如，要求系统对一个复杂的任务具有自行规划和决策的能力；要求除了实现对各被控物理量定值调节外，还要实现整个系统的自动启停、故障的自动诊断以及紧急情况的自动处理等功能。 智能控制的基本特点(1)分层递阶的组织结构 (2)多模态控制
3、 (3)自学习能力 (4)自适应能力 (5)自组织能力 (6)优化能力 智能控制系统的主要类型模糊控制神经网络控制 专家控制系统 分层递阶智能控制 （该系统由组织级、协调级、执行级组成，按照自上而下精确程度渐增、智能程度渐减的原则进行功能分配。在这类多层智能控制系统中，智能主要体现在高层次上，其主要作用是模仿人的功能实现规划、决策、学习和任务协调等任务。执行级仍然采用现有数学解析控制算法，对数值进行操作和运算。 ）与常规控制方法相比，模糊控制有以下特点：模糊控制完全是在操作人员控制经验基础上实现对系统的控制，无需建立数学模型，是解决不确定性系统的一种有效途径。模糊控制具有较强的鲁棒性，被控对象
4、参数的变化对模糊控制的影响不明显，可用于非线性、时变、时滞系统的控制。由离线计算得到控制查询表，提高了控制系统的实时性。控制的机理符合人们对过程控制作用的直观描述和思维逻辑，为智能控制应用打下了基础。人工神经网络具有几个突出的特点：可以充分逼近任意复杂的非线性关系；所有定量或定性的信息都分布贮存于网络内的各神经元的连接上，故有很强的鲁棒性和容错性；采用并行分布处理方法，使得快速进行大量运算成为可能；可学习和自适应不知道或不确定的系统。 专家控制系统具有如下特点：它在一定程度上模拟人的思维活动规律，能进行自动推理，善于应付各种变化，具有透明性和灵活性。它可以不断监督生产过程，实现特定性能指标下的
5、优化控制，能处理大量低层信息，可进行操作指导。相对传统控制，扩展了许多功能，如复杂系统的高质量控制，故障诊断和容错控制，参数和算法的自动修改，不同算法的组合等。深层知识的引入，可以弥补专家经验的不足，可以自然地消除决策冲突。 分层递阶智能控制具有两个明显的特点：对控制来讲，自上而下控制精度愈来愈高；对识别来讲，自下而上信息回馈愈来愈粗略。模糊控制器的一般结构规 则 库 精 确 量 模 糊 量 模 糊 量 精 确 量 模 糊 化 模 糊 推 理 逆 模 糊 化 过 程 输 出 和 状 态 控 制 动 作 被 控 过 程 神经网络控制的 3 种典型结构 (a)PID 控制 (b)模型参考自适应控制
6、 (c)前馈反馈控制输 入 误 差 输 出 专 家 控 制 器 被 控 对 象 检 测 器 专 家 控 制 器 特 征 提 取 输 入 误 差 输 出 控 制 算 法 被 控 对 象 检 测 器 （a）直接专家控制 系统框图(b)间接专家控制系统框图分层递阶智能控制 （图）第二章 模糊控制1.确定隶属函数应遵循的一些基本原则:1)表示隶属函数的模糊集合必须是凸模糊集合2) 变量所取隶属度函数通常是对称的、平衡的3) 隶属度函数要符合人们的语义顺序，避免不恰当的重叠4) 论域中每个点至少属于一个隶属函数的区域，并应属于不超过两个隶属函数的区域。5) 当两个隶属函数重叠时，重叠部分对两个隶属函数的
7、最大隶属度不应有交叉。6) 当两个隶属函数重叠时，重叠部分的任何点的隶属函数的和应该小于或等于 1。2. 同时满足自反性，对称性，传递性的模糊关系称为论域上的一个模糊等价关系 3. 模糊语言变量 一个语言变量可定义为一个五元体 式中 N 为语言变量的名称； T(N)为语言变量语言值名称的集合；U 为论域；G 为语法规则；M 为语义规则 。4. 模糊条件语句有三种基本句型，分别为 “若 则 ”型若炉温偏低，则增加燃料量 (,(),)NUTNGM “若 则 否则 ”型若炉温偏低，则增加燃料量，否则减少燃料量 “若 且 则 ”型 若炉温偏低且温度变化的系数为负，则增加燃料量 5. 模糊控制器(Fuz
8、zy Controller) 特点: 模糊控制是一种基于规则的控制。 由工业过程的定性认识出发，容易建立语言控制规则。 控制效果优于常规控制器 . 具有一定的智能水平 . 模糊控制系统的鲁棒性强。 6. 模糊控制器设计的主要步骤1、选定模糊控制器的输入输出变量, 一般取 e、ec 和 u。2、确定各变量的模糊语言取值及相应的隶属函数，即进行模糊化。模糊语言值通常选取 3、5 或 7 个，例如取为负，零，正 等。然后对所选取的模糊集定义其隶属函数3、建立模糊控制规则或控制算法。确定模糊推理和解模糊化方法。7. 例：某电热炉用于对金属零件的热处理，要求炉温给定值 ，人工控制时，根据对炉温的观测值，
9、调节电热炉供电电压，达到升降炉温的目的。现改为模糊控制系统，试设计模糊控制器。解：设计工作分为五步进行(1)首先确定模糊控制器的输入量和输出量。实测炉温 与给定值 之误差 作为输入量 输出量采用晶闸管整流电源的触发电压 的变化量(2)输入、输出变量的模糊化。描述输入变量以及输出变量的语言值E 和 U 取为NB NS O PS PB误差的论域为控制量的论域为 (3)模糊控制规则语言描述：操作人员经验的语言描述可以归纳为3,21,0,12,3X=-+,Y-若炉温低于 ，则升压，低得越多升压越高； 若 负大，则 正大；若 负小，则 正小；若炉温等于 ，则保持电压不变； 若 为零，则 为零；若炉温高于
10、 ，则降压，高得越多降压越低； 若 正大，则 负大；若 正小，则 负小。(4)用误差论域到控制量论域上的模糊关系表示模糊控制规则 (5)模糊决策：控制量通过模糊合成规则得出 。当 时，有005.105100015.51iR 0.510.50=3210+-RPSU1 RT.8. 解模糊化常用方法 最大隶属度法取中位数法 重心法第三章 神经网络控制及应用1.BP 算法的程序实现1)初始化； 2)输入训练样本、计算各层输出；3)计算网络输出误差；4)计算各层误差信号； 5)调整各层权值； 6)检查是否对所有样本完成一次轮训； 7)检查网络总误差是否达到精度要求。 2. 标准 BP 算法的改进标准的
11、BP 算法在应用中暴露出不少内在的缺陷： 易形成局部极小而得不到全局最优； 训练次数多使得学习效率低，收敛速度慢； 隐节点的选取缺乏理论指导； 训练时学习新样本有遗忘旧样本的趋势。改进算法的方法：1) 增加动量项2) 自适应调节学习率3) 引入陡度因子3. 正则化 RBF 网络具有以下 3 个特点：正则化网络是一种通用逼近器，只有要足够的隐节点，它可以以任意精度逼近紧集上的任意多元连续函数。具有最佳逼近特性，即任给一个未知的非线性函数 f，总可以找到一组权值使得正则化网络对于 f 的逼近由于所有其他可能的选择。正则化网络得到的解是最佳的，所谓“最佳”体现在同时满足对样本的逼近误差和逼近曲线的平
12、滑性。4.与正则化 RBF 网络相比，广义 RBF 网络有以下几个特点：径向基函数的个数 M 与样本的个数 P 不相等，且 M 常常远小于 P。径向基函数的中心不再限制在数据点上，而是由训练算法确定。各径向基函数的扩展常数不再统一，其值由训练算法确定。输出函数的线性中包含阈值参数，用于补偿基函数在样本集上的平均值与目标值之平均值之间的差别。5.第四章 专家控制系统1.从本质上讲，专家系统是一类包含着知识和推理的智能计算机程序 专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、2.监视、修理、指导和控制等。3. 专家系统的基本组成 及作用 知识库 推 理 机知 识 库 综 合 数 据
13、库知 识 获 取解释接口 用户问 题 描 述领 域 专 家 解 答 、 建 议或 解 释知识库是知识的存储器，用于存储领域专家的经验性知识以及有关的事实、一般常识等。知识库中的知识来源于知识获取机构，同时它又为推理机提供求解问题所需的知识。 推理机 推理机是专家系统的“思维”机构，实际上是求解问题的计算机软件系统。 推理机的运行可以有不同的控制策略。 综合数据库（全局数据库） 又称为“黑板”或“数据库”。它是用于存放推理的初始证据、中间结果以及最终结果等的工作存储器（Working Memory ） 。 解释接口 又称人-机界面，它把用户输人的信息转换成系统内规范化的表示形式，然后交给相应模块
14、去处理，把系统输出的信息转换成用户易于理解的外部表示形式显示给用户，回答用户提出的“为什么？”“结论是如何得出的？”等问题。 知识获取 知识获取是指通过人工方法或机器学习的方法，将某个领域内的事实性知识和领域专家所特有的经验性知识转化为计算机程序的过程。对知识库的修改和扩充也是在系统的调试和验证中进行的，是一件很困难的工作。知识获取被认为是专家系统中的一个“瓶颈”问题。 4.1.4 专家系统的知识表示 1、产生式规则表示法 规则库：存放了若干规则，每条产生式规则是一个以“如果满足这个条件，就应当采取这个操作”形式表示的语句。 数据库：是产生式规则注意的中心，每个产生式规则的左半部分表示在启用这
15、一规则之前数据库内必须准备好的条件。 控制器 ：是说明下一步应该选用什么规则，也就是如何运用规则。通常从选择规则到执行规则分成三步：匹配、冲突解决和操作。 5. 优先搜索 所谓宽度优先搜索方法是按“最早产生的节点优先扩展”的搜索方法。具体地说，搜索的节点是一层一层地检查的，只有在上一层的每一个节点都检查完毕之后，这一层的节点才能开始检查，也就是说，节点的扩展是按它们接近起始节点的程度依次进行的。这种方法是考虑了每一种可能，所以这种搜索可能是一种非常长的过程，但如果存在任何解答的话，它能保证最终找到最短的解答序列。 控 制 器匹 配 、 冲 突 解 决规 则 库 数 据 库匹 配检 索所谓深度优
16、先搜索方法就是按“最晚产生（最深的）节点优先扩展”的搜索方法，深度相等的节点其顺序可以任意排列。也就是总是向亲代到子代方向进行，直到不得不返回追踪的搜索。然而实际上，从树的观点看，不是从左枝开始，就是从右枝开始。 不精确推理 专家系统中把领域知识表示成必然的因果关系、逻辑关系，推理的结论是肯定的，这种推理称为精确推理。除此以外，更重要的是以专家的经验知识对不确定的事实，根据不充分的证据和不完全的知识进行推理，这种推理称为不精确推理。应该指出，所谓不精确推理不是要使推理变得不精确，而是提供一种在采用目前已有的精确推理方式无法进行推理的情况下的推理方式，以便得到更加精确的推理结论。不精确推理又称非
17、精确性推理，其核心问题是处理在推理过程中专家知识的不精确性和推理证据的不精确性，并给出这些不精确性在推理过程中的传播规则。 7.专家控制系统的结构与原理 专家控制与一般的专家系统的区别 ：（1）通常的专家系统只完成专门领域问题的咨询功能，它的推理结果一般用于辅助用户的决策；而专家控制则要求能对控制动作进行独立的、自动的决策，它的功能一定要具有连续的可靠性和较强的抗扰性。（2）通常的专家系统一般处于离线工作方式，而专家控制则要求在线地获取动态反馈信息，因而是一种动态系统，它应具有使用的灵活性和实时性，即能联机完成控制。 专家控制系统的结构与原理： 1、专家控制系统的工作原理 五、 （20 分）程
18、序题：BP 网络曲线拟合仿真实例对一组输入输出数据，完成 y=f(x)的曲线拟合。知识基系统 定 时 信 箱解 释 信 箱入 口 信 箱应 答 信 箱出 口 信 箱 定 时 操 作人 -机 接 口 数值算法库 A/DD/A受控过程用 户-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-10123454 clear all4 p=-1:0.1:0.9;4 t=-0.832 -0.423 -0.024 0.344 1.282 3.456 4.02 3.232 2.102 1.504 0.248 1.242 2.344 3.262 2.052 1.684 1.02
19、2 2.224 3.022 1.984;4 net=newff(-1,1,15,1,tansig purelin,traingdx,learngdm);4 net.trainParam.epochs=2500;4 net.trainParam.goal=0.001;4 net.trainParam.show=10;4 net.trainParam.lr=0.05;4 net=train(net,p,t);4 save mynet net;4 hold on4 figure(1);4 r=sim(net,p);4 plot(p,t,*,p,r,+);4 hold offBP 网络逼近仿真实例使用
20、 BP 网络逼近对象：0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-0.8-0.6-0.4-0.200.20.40.6timesy and yn0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-0.5-0.4-0.3-0.2-0.100.10.2timeserrorstkyukyot 5.0)1()(23 clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1); w2_1=w2;w2_2=w2_1; w1=rands(2,6); w1_1=w1;w1_2=w1; dw1=
21、0*w1; x=0,0; u_1=0; y_1=0; I=0,0,0,0,0,0; Iout=0,0,0,0,0,0; FI=0,0,0,0,0,0; ts=0.001; for k=1:1:1000 time(k)=k*ts; u(k)=0.50*sin(3*2*pi*k*ts); y(k)=u_13+y_1/(1+y_12); for j=1:1:6 I(j)=x*w1(:,j); Iout(j)=1/(1+exp(-I(j); end yn(k)=w2*Iout; % Output of NNI networks e(k)=y(k)-yn(k); % Error calculation
22、w2=w2_1+(xite*e(k)*Iout+alfa*(w2_1-w2_2); for j=1:1:6 FI(j)=exp(-I(j)/(1+exp(-I(j)2; end for i=1:1:2 for j=1:1:6 dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); end end w1=w1_1+dw1+alfa*(w1_1-w1_2); %Jacobian% yu=0; for j=1:1:6 yu=yu+w2(j)*w1(1,j)*FI(j); end dyu(k)=yu; x(1)=u(k); x(2)=y(k);4 w1_2=w1_1;w1_1=w1;4 w2_2=w2_1;w2_1=w2;4 u_1=u(k);4 y_1=y(k);4 end4 figure(1);4 plot(time,y,r,time,yn,b);4 xlabel(times);ylabel(y and yn);4 figure(2);4 plot(time,y-yn,r);4 xlabel(times);ylabel(error);4 figure(3);4 plot(time,dyu);4 xlabel(times);ylabel(dyu);
