1、 1 2-2 : (1) ” ” =2 w (a)= 2 ) (a r “ ” w (a)= ) + 200 25 ( 1 25 0 0 1 2 5 25 a a a(2) “ ” V=O Y v (a)= + + 200 9 . 51 ) ( 1 1 9 . 51 25 ) ( 1 1 1 2 5 50 1 2 5 25 a a a a2-3 : (1) ze (e) ps (e)= 30 0 + 20 0 + 10 0 + 0 3 . 0 + 10 4 . 0 + 20 0 + 30 0(2) ze (e) ps (e)= 30 0 + 40 0 + 10 4 . 0 + 0 1 + 10
2、 0 . 1 + 20 3 . 0 + 30 02-4 : (1) P o Q= ) 1 . 0 7 . 0 ( ) 5 . 0 2 . 0 ( ) 1 . 0 9 . 0 ( ) 5 . 0 6 . 0 ( ) 4 . 0 7 . 0 ( ) 7 . 0 2 . 0 ( ) 4 . 0 9 . 0 ( ) 7 . 0 6 . 0 ( = 2 . 0 5 . 0 4 . 0 6 . 0P o Q o R= 4 . 0 6 . 0 4 . 0 6 . 0(2)P Q= 2 . 0 6 . 0 7 . 0 9 . 0P Q o S= 6 . 0 6 . 0 5 . 0 5 . 0(3)(P o Q
3、) (Q o S)=(P Q) o S= 6 . 0 6 . 0 5 . 0 5 . 02-5 : R=A B R=A B= 0 1 . 0 4 . 0 8 . 0 0 . 1 0 1 . 0 4 . 0 8 . 0 8 . 0 0 1 . 0 4 . 0 5 . 0 5 . 0 0 1 . 0 2 . 0 2 . 0 2 . 0 0 0 0 0 0 A = 1 . 0 0.6 1 0.6 0.1 B = A o R= 6 . 0 0.6 0.4 0.1 0 2-6 : B = = 1 008 . 0 V + 2 064 . 0 V + 3 216 . 0 V + 4 512 . 0 V +
4、5 1 VB = =B = 1 992 . 0 V + 2 936 . 0 V + 3 784 . 0 V + 4 488 . 0 V + 5 0 V 2 R=( A B) (A B ) A B= 2 . 0 2 . 0 2 . 0 2 . 0 2 . 0 4 . 0 4 . 0 4 . 0 4 . 0 2 . 0 6 . 0 6 . 0 6 . 0 4 . 0 2 . 0 8 . 0 8 . 0 6 . 0 4 . 0 2 . 0 1 8 . 0 6 . 0 4 . 0 2 . 0 A B = 0 488 . 0 784 . 0 8 . 0 8 . 0 0 488 . 0 6 . 0 6 .
5、 0 6 . 0 0 4 . 0 4 . 0 4 . 0 4 . 0 0 2 . 0 2 . 0 2 . 0 2 . 0 0 0 0 0 0 R=( A B) ( A B )= 2 . 0 488 . 0 784 . 0 8 . 0 8 . 0 4 . 0 488 . 0 6 . 0 6 . 0 6 . 0 6 . 0 6 . 0 6 . 0 4 . 0 4 . 0 8 . 0 8 . 0 6 . 0 2 . 0 2 . 0 1 8 . 0 6 . 0 4 . 0 2 . 0 A 1 = = 1 1 U + 2 512 . 0 U + 3 216 . 0 U + 4 064 . 0 U + 5
6、 008 . 0 UA 2 = = 1 0 U + 2 2 . 0 U + 3 4 . 0 U + 4 6 . 0 U + 5 8 . 0 U B 1 = 216 . 0 0.4 0.6 0.8 1 B 2 = 8 . 0 0.8 0.784 0.488 4 . 0 2-7 (0.3 x 1 ) 0.2 x 2 0 x 3 =0.2 (1) (0.5 x 1 ) 0 x 2 0.6 x 3 =0.4 (2) (0.2 x 1 ) 0.4 x 2 0.1 x 3 =0.2 (3) 1 : x 1 =0.2 x 2 =0.2 ,1 x 3 = ( x 1 )=0 ,0.2 (x 2 )=0 ,1
7、(x 3 )=0 ,1 2 : x 1 =0.4 x 2 = x 3 =0.4 ( x 1 )=0 ,0.4 (x 2 )=0 ,1 (x 3 )=0 ,0.4 3 : x 1 =0.2 ,1 x 2 =0.2 x 3 = 3( x 1 )=0 ,1 (x 2 )=0 ,0.2 (x 3 )=0 ,1 R 1 =( 0.2 , 0,1 , 0,1 ) U ( 0,0.2 , 0.2,1 ,0,1 ) U ( 0,0.2 , 0,1 , ) R 2 =( 0.4 , 0,1 , 0,0.4 ) U ( 0,0.4 , ,0,0.4 ) U ( 0,0.4 , 0,1 ,0.4) R 3 =( 0
8、.2,1 , 0,0.2 , 0,1 ) U ( 0,1 , 0.2 , 0,1 ) R= R 1 U R 2 U R 32-8 : D=A B= 1 . 0 1 . 0 1 1 . 0 5 . 0 1 . 0 1 . 0 6 . 0 5 . 0 R=DT C= 1 . 0 1 . 0 1 . 0 6 . 0 1 1 . 0 5 . 0 5 . 0 1 . 0 4 . 0 1 = 1 . 0 1 . 0 1 . 0 4 . 0 4 . 0 1 . 0 4 . 0 4 . 0 1 . 0 1 . 0 1 . 0 1 . 0 6 . 0 1 1 . 0 5 . 0 5 . 0 1 . 0 D =A
9、 B = 1 . 0 1 . 0 5 . 0 1 . 0 5 . 0 1 . 0 1 . 0 5 . 0 1 C = 1 . 0 0.5 1 0.1 0.5 0.5 0.1 0.1 1 . 0 o R= 4 . 0 5 . 0 C = 1 4 . 0 W + 2 5 . 0 W3-1 模糊逻辑 控制器由哪几部分组成？各完成什么功能？ 答：模糊控 制系统的主 要部件是模 糊化过程、 知识库（数 据库和规则 库） 、推理决 策和精确 化计算。 1 、模糊化过 程 模糊化过程主要完成： 测量输入变量的值， 并将数字表示形式的输入量转化为通常用语 言值表示的某一限定码的序数。 2 、知识库 知识库包括
10、数据库和规则库。 1 ） 、数据库 数据库提供必要的定义， 包含了语言控制规则论域的离散化、 量化和正规化以及输入空 间的分区、隶属度函数的定义等。 2 ） 、规则库 规则库根据控制目的和控制策略给出了一套由语言变量描述的并由专家或自学习产生 的控制规则的集合。 它包括： 过程状态输入变量和控制输出变量的选择， 模糊控制系统的建 立。 3 、推理决策 逻辑 推理决策逻 辑是利用知 识库的信息 模拟人类的 推理决策过 程，给出适 合的控制量。 （ 它 是模糊控制的核心） 。 4 、精确化过 程 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的过程 称为精确化过程。 模糊控制
11、器采用数字计算机。它具有三个重要功能： 1 ） 把系统的偏差从数字量转化为模糊量（模糊化过程、数据库两块） ； 2 ） 对模糊量由给定的规则进行模糊推理（规则库、推理决策完成） ； 3 ） 把推理结果的模糊输出量转化为实际系统能够接受的精确数字量或模拟量 （精确化 接口） 。 3-2 模糊逻辑 控制器常规设计的步骤怎样？应该注意哪些问题？ 答：常规设计方法 设计步骤如下： 1 、 确定模糊控制器的输入、输出变量 2 、 确定各输入、输出变量的变化范围、量化等级和量化因子 3 、 在各输入和输出语言变量的量化域内定义模糊子集。 4 、 模糊控制规则的确定 5 、 求模糊控制表 3-3 已知由极
12、大极小推理法得到输出模糊集为： 0.3 0.8 1 0.5 0.1 12345 C=+ . 试用重心法 计算出此推理结果的精确值 z 。 重心法 重心法 是取 模糊隶属度函数的曲线与横坐标围城面积的重心为模糊推理最终输出值。 连续： 0 () () v V v V v v dv v v dv = 离散： 1 0 1 () () m kv k k m vk k vv v v = = = 采用离散重心法： 离散： 1 0 1 () () 0.3 ( 1) 0.8 ( 2) 1 ( 3) 0.5 ( 4) 0.1 ( 5) 0.3 0.8 1 0.5 0.1 0.3 ( 1) 0.8 ( 2) 1
13、( 3) 0.5 ( 4) 0.1 ( 5) 2.7 =-2.7407 m kv k k m vk k vv v v = = = + + + + = + + + + + + = 3-4 已知某一 加炉炉温控制系统， 要求温度保持在 600 恒定 。 目前此系统采用人工控制方 式，并有以下控制经验 （1 ） 若炉 温低于 600 ，则升压；低得越多升压越高。 （2 ） 若炉 温高于 600 ，则降压；高得越多降压越低。 （3 ） 若炉 温等于 600 ，则保持电压不变。 设模糊控制器为一维控制器， 输入语言变量为误差， 输出为控制电压。 两个变量的量化等级 为七级、 取五个语言值。 隶属度函数根
14、据确定的原则任意确定。 试按常规模糊逻辑控制器的 设计方法设计出模糊逻辑控制表。 回顾： 1 ） 、 一维模 糊控制器 设 模糊控制器的输入变量为 e ， 输出控制量为 u ， 则 模糊控制规则 一般有以下形式： R1: 如果 e 是 E1,u 是 U1; R2: 否则如 果 e 是 E2,u 是 U2; . Rn: 否则如 果 e 是 En,u 是 Un; 其中 E1 ，E2 ，En,为模 糊控制器输入论域上的模糊子集；U1 ，U2 ，Un 为模糊控制 器输出论域上的模糊子集； 其总的模糊关系： 1 (, ) n ii i ReU E U = = 那么输入语言变量为误差，输出为控制电压。 两
15、个变量的量化等级为七级、取五个语言值。 量化等级为七级 量 化等 级 -3 -2 - 1 0 1 2 3 五个语言值 PB、PS、ZE 、NS、NB 给定值 600 模糊控制 器 选用的系 统 的实际温 度T与温度给 定 值T d 的 误差 d eT T = 作为输入 语 言变 量，把控制加热装置的供电电压u 选 作输出语言变量。 温 度 90 0 以 上 800 70 0 6 00 50 0 400 3 00 以下 误 差为E -3 00 -200 -1 00 0 10 0 200 30 0 控 制电 压 U 10 20 25 3 0 35 40 50 量 化等 级 -3 -2 -1 0 1
16、 2 3 状 态变 量 相关的隶属度函数 P B 0 0 0 0 0 0.3 1 P S 0 0 0 0 0. 4 1 0. 4 Z E 0 0 0.1 1 0. 1 0 0 N S 0. 4 1 0.4 0 0 0 0 N B 1 0.3 0 0 0 0 0 误差隶属度函数 0.1 0.3 0.4 1.0 0 1 2 3 -1 -2 -3 PB PS ZE NS NB e ( 量 化 等 级 ) () x 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u已知： 模糊控制 器 选用的系 统 的实际温 度T
17、与温度给 定 值T d 的 误差 d eT T = 作为输入 语 言变 量，把控制加热装置的供电电压u 选 作输出语言变量。 （1 ） 若炉 温低于 600 ，则升压；低得越多升压越高。 （2 ） 若炉 温高于 600 ，则降压；高得越多降压越低。 （3 ） 若炉 温等于 600 ，则保持电压不变。 分析： （1 ） 若炉 温低于 600 ，则升压；低得越多升压越高。 当 600 0 d d TT TTe = = ，则升压；低得越多升压越高。 （2 ） 若炉 温高于 600 ，则降压；高得越多降压越低。 当 600 0 d d TT TTe = = ，则降压；高得越多降压越低。 （3 ） 若炉
18、 温等于 600 ，则保持电压不变。 当 600 0 d d TT TTe = = ，则保持电压不变。电压固定在 15V. 控制规则 规则 1 、如果 误差 e 是NB ，则控制 U 为 NB; 规则 2 、如果 误差 e 是NS ，则控制 U 为 NS; 规则 3 、如果 误差 e 是ZE ，则控制 U 为 ZE; 规则 4 、如果 误差 e 是PS ，则控制 U 为 PS; 规则 5 、如果 误差 e 是PB ，则控制 U 为 PB; ( 和 P53 例题 不同， 例题的控制量和误差量成正比。 例如如果误差小于 0 ， 增加控制 量 ， 使得误差增加。规则不一样。这儿的控制规则是控制量和误
19、差量成反比。) 按照离散重心法： 重心法 重心法 是取 模糊隶属度函数的曲线与横坐标围城面积的重心为模糊推理最终输出值。 连续： 0 () () v V v V v v dv v v dv = 模糊控制逻辑表 离散： 1 0 1 () () m kv k k m vk k vv v v = = = 1) (3) e 从误差隶属度图看到 PB,PS 规则 4 、如果 误差 e 是PS ，则控制 U 为 PS; 误差 (3) 0.4 PS = 由规则 4 得到 控制： 1 0.4 U PS = 如果有两个输入变量， 就是两维输入，E,DE， 那么控 制就是用玛达尼， 求它们的最小值， 见 p55z
20、 最后 三行和 P61 的由规则一得到： （前面 五行） 规则 5 、如果 误差 e 是PB ，则控制 U 为 PB; 误差 (3) 1 PB = 由规则 5 得到 控制： 2 1 U PB = 最后的输出增量为上面两条控制量的合成， 12 0.4 1 UUU PS PB =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 0.4 50 0.4 35 1 50 46.6667 0.4 0.4 1 v + + = = +2) (2) e 从误差隶属度图看到 PB,PS 规则
21、4 、如果 误差 e 是PS ，则控制 U 为 PS; 误差 (2) 1 PS = 由规则 4 得到 控制： 1 1 U PS = 规则 5 、如果 误差 e 是PB ，则控制 U 为 PB; 误差 (2) 0.3 PS = 由规则 5 得到 控制： 2 0.3 U PB = 最后的输出增量为上面两条控制量的合成， 12 0.3 1 UUU PS PB =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 0.3 40 1 40 40 0.3 1 v + = = +3) (1
22、) e 从误差隶属度图看到 PS,ZE 规则 3 、如果 误差 e 是ZE ，则控制 U 为 ZE; 误差 (1) 0.1 ZE = 由规则 3 得到 控制： 1 0.1 U ZE = 规则 4 、如果 误差 e 是PS ，则控制 U 为 PS; 误差 (1) 0.4 PS = 由规则 4 得到 控制： 2 0.4 U PS = 最后的输出增量为上面两条控制量的合成， 12 0.1 0.4 UUU ZE PS =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 0.4 35
23、 0.4 50 0.1 35 0.1 25 40 0.4 0.4 0.1 0.1 v + = = +4) (0) e 从误差隶属度图看到 ZE 规则 3 、如果 误差 e 是ZE ，则控制 U 为 ZE; 误差 (0) 1 ZE = 由规则 3 得到 控制： 1 1 U ZE = 最后的输出增量为上面一条控制量的合成， 1 1 UU ZE = = 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 30 v = 5) ( 1) e 从误差隶属度图看到 ZE,NS 规则 2 、如果 误差
24、 e 是NS ，则控制 U 为 NS; 误差 ( 1) 0.4 NS = 由规则 1 得到 控制： 1 0.4 U NS = 规则 3 、如果 误差 e 是ZE ，则控制 U 为 ZE; 误差 ( 1) 0.1 ZE = 由规则 3 得到 控制： 2 0.1 U ZE = 最后的输出增量为上面两条控制量的合成， 12 0.1 0.4 UUU ZE NS =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 0.4 10 0.4 25 0.1 25 0.1 35 20 0.4
25、0.4 0.1 0.1 v + = = +6) ( 2) e 从误差隶属度图看到 NS,NB 规则 1 、如果 误差 e 是NB ，则控制 U 为 NB; 误差 ( 2) 0.3 NB = 由规则 1 得到 控制： 1 0.3 U NB = 规则 2 、如果 误差 e 是NS ，则控制 U 为 NS; 误差 ( 2) 1 NS = 由规则 2 得到 控制： 2 1 U NS = 最后的输出增量为上面两条控制量的合成， 12 0.3 1 UUU NB NS =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50 25 20 10 PB PS ZE NS NB (
26、) x u精确化 控制输出： 0 0.3 20 1 20 20 0.3 1 v + = = +7) ( 3) e 从误差隶属度图看到 NS,NB 规则 1 、如果 误差 e 是NB ，则控制 U 为 NB; 误差 ( 3) 1 NS = 由规则 1 得到 控制： 1 1 U NB = 规则 2 、如果 误差 e 是NS ，则控制 U 为 NS; 误差 ( 3) 0.4 NS = 由规则 2 得到 控制： 2 0.4 U NS = 最后的输出增量为上面两条控制量的合成， 12 0.4 1 UUU NB NS =+= + 模糊输出量隶属度函数 0.1 0.3 0.4 1.0 30 35 40 50
27、 25 20 10 PB PS ZE NS NB () x u精确化 控制输出： 0 0.4 25 0.4 10 1 10 13.3333 0.4 0.4 1 v + + = = +温 度 900 以上 800 700 600 500 400 300 以下 误 差为 E -300 -200 -100 0 100 200 300 因此模糊逻辑控制表 E -3 -2 -1 0 1 2 3 控 制电压 U 13.33 33 20 20 30 40 40 46. 6667 3-5 设在论域 ( ) 4 2024 e = 误差 ， ， ， ， 和控制电压 0 2 4,6,8 u = ， ， 上定义的模糊
28、子集的隶 属度函数分别如图 3-21、图 3-22 所示 。 1.0 2 4 -2 -4 PB PS ZE NS NB e 0 e1.0 6 8 2 0 PB PS ZE NS NB u 4 u 0.5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 ； 试应用玛达尼推理法计算当输入误差 0.6 e = 时， 输出电压u = ？ （精确化计算采用重心法） 回顾： 削顶推理法 整个推理过程其几何意义是分别在不同规则中用各自推理嵌件的总隶属度去切割本推理规 则中后件的隶属度函数以得到输出结果。 这种推理方
29、法步骤是 1 、 在推理前件中选取各个条件中最不适配的隶属度 （隶属度最小的值， 也就是从推理嵌件 到后件削顶进行“与”运算） ； 2 、 对所有规则的结论部选取最大适配度的隶属度 （隶属度最大的值， 也就是从对所有结论 进行“并”运算） 。 例 2-15 对于 二输入二规则的推理过程 A A A 1 A 2 B 1 B 2 C 1 C 2 A B B A C 1 C 2解： 根据输入和输出变量的个数，所需规则的最大数目。 由于 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 ； 控制规则表 E 负大 NB 负小 NS
30、 零 ZE 正小 PS 正大 PB U ZE NS 解： 1 ） 模糊化过程 当输入误差 e 为 0.6 ， 看图 1 ， 0.6 e = ，正小 1 0.625 = ；零 2 0.375 = 1.0 2 4 -2 -4 PB PS ZE NS NB e 0 e 0.6 0.3 0.71.0 2 4 -2 -4 PB PS ZE NS NB e 0 e 0.6 0.3 0.7( , ),(2,0),(0,1 ) 20 1 01 0.6 0.7 e e e e e e = = = 当 时1.0 2 4 -2 -4 PB PS ZE NS NB e 0 e 0.6 0.3( , ),(0,0),(
31、0,2) 20 00 0.6 0.3 e e e e e e = = = 当 时2 ） 模糊逻辑推理 根据已知模糊控制规则： 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 ； 对应规则库 对应规则 1：误 差 e 为 ZE 的隶属度是 0.7 ，那么 u 为 ZE 的隶属 度 0.7 = 对应规则 2：误 差 e 为 PS 的隶属度是 0.3 ，那么 u 为 NS 的隶属度 0.3 = 3 ） 精确化计算： 重心法 1.0 6 8 2 0 PB PS ZE NS NB u 4 u 0.5 0.3 0.7 0.6 2.
32、6 3.4 4.6输出的阀门流量 u 为 0.6 2.6 3.4 4.6 6 2 0 0.6 2.6 3.4 4.6 0.6 2.6 3.4 4.6 6 0 0.6 2.6 3.4 4.6 () () 1 26 0.3 0.7 ( ) 22 2 1 26 0.3 0.7 ( ) 22 2 8.062.4200 3.3306 U u U u u udu u u du uu u du udu udu udu udu uu udu du du du du = + = + = = 阀门的确切开度为 3.3306 1 、 神经网络控制系统的结构有哪几种？在设计神经控制系统时如何选择最佳的控制结 构？ 神
33、经网络控制系统的结构： 神经网络的控制结构和学习方式 （1 ） 、导师 指导下的控制器 为了实现某一控制功能， 教会神经网络控制器模拟人作同样一件任务的操作行为。 神经网络 控制结构的学习样本直接取自于专家的控制经验。 神经网络的输入信号来自传感器的信息和 命令信号。 神经网络的输出是系统的控制信号。 一旦神经网络的训练达到了能够充分描述人 的控制行为，则网络训练结束。 专 家 经 验 控 制 器 神 经 网 络 动 力 学 系 统 动 力 学 系 统 X X U U Y Y 利 用 专 家 经 验 导 师 指 导 下 的 神 经 控 制 结 构 图（2 ） 、逆控 制器 神经网络的训练目的就
34、是为了逼近此系统的逆动力学模型。 神经网络接受系统的被控状态信 息，神经网络的输出与该被控制系统的控制信号之差作为调整神经网络权系数的校正信号， 并利用常规 BP 学习算法来进行控制网络的训练。 一旦训练成功， 从理论上只要直接把神经 网络控制器接到动力学系统的控制端就可以实现无差跟踪控制， 即要实现期望的控制输出只 要将此信息加到神经网络的输入端就可以了。 F -1 神 经 网 络 动 力 学 系 统 动 力 学 系 统 X X U U Y Y Y=FU 逆 控 制 器 的 结 构 图（3 ）自适应 网络控制器 将线性系统的自适用控制设计理论和思想方法引入到非线性系统自适应控制系统中。 这一
35、控制器在结构上完全等同于线性系统的自适应控制器， 只是利用了非线性的神经网络代 替了线性系统中的线性处理单元。 在自适应网 络控制器的 系统结构中 ，将控制误 差e c ( 实际系统的输出与 参考模型的 输出之差) 反馈到控制器中去并利用它对控制器特性进行修改最终使其误差趋于极小。 参 考 模 型 网 络 控 制 器N c 神 经 网 络 N i 非 线 性 系 统 r e c u y m y p e i y p e c 自 适 应 网 络 控 制 器 结 构 图（4 ）神经内 模控制结构 系统实际输出与模型 M 的输出信号差用于反馈的目的。这个反馈信号通过前向通道上的控 制子系统 G 预处理
36、。 神 经 网 络 内 模 控 制 结 构 图 非 线 性 系 统 神 经 网 络 模 型 M + + + _ 神 经 网 络 控 制 器C G Y d + _ r U Y（5 ）前馈控 制结构 结合反馈控制器的思想组成前馈补偿器的网络控制结构 前 馈 补 偿 控 制 结 构 图 + + 反 馈 控 制 + _ r u 非 线 性 系 统 神 经 网 络 y（6 ）自适应 评价网络 整个学习系统由一个相关的搜索单元和一个自适应评价单元组成。 整个学习系统由一个相关 的搜索单元和一个自适应评价单元组成。 在这个算法中， 相关搜索单元是作用网络， 自适应 评价单元为评价网络。 它 不需要控制系统数
37、学模型， 只是通过 对某一指标准则 J 的处理和分 析得到奖励或惩罚信号。 评 价 网 作 用 网 x(t+1) x(t) u(t) j(t+1) 自 适 应 评 价 网 络 结 构 图（7 ）混合控 制系统 是由神经网络技术与模糊控制、 专家系统等相结合形成的一种具有很强学习能力的智能控制 系统。 在设计神经控制系统时如何选择最佳的控制结构。 不管采用何种神经网络控制结构， 要真正实现神经网络智能控制的目的， 必须具备一种有效 的学习机制来保证神经控制器的自学习、自适应功能，达到真实意义上的智能控制。 2 、 实现神经控制器有导师学习的关键是什么？ 导师指导下的控制器 为了实现某一控制功能，
38、 教会神经网络控制器模拟人作同样一件任务的操作行为。 神经网络 控制结构的学习样本直接取自于专家的控制经验。 神经网络的输入信号来自传感器的信息和 命令信号。 神经网络的输出是系统的控制信号。 一旦神经网络的训练达到了能够充分描述人 的控制行为，则网络训练结束。 3 、 神经网络可以用作非线性动态系统辨识器的条件是什么？ 神经网络用于系统辨识的实质就是选择一适当的神经网络模型来逼近实际系统。 神经网络辨识需要考虑以下三大因素 1 、 模型的选择 模型是在某种意义下对实际系统的一种近似描述。 它兼顾精确性和复杂性。模型越精确，就越复杂。 在神经网络辨识中这个问题主要表现在网络隐含层次的选择和隐含
39、层内节点数的选择。 2 、 输入信号的选择 为了能够精确有效地对未知系统惊醒辨识， 输入信号必须充分激励系统的所有模态； 从频域 来看， 输入信号的频谱必须足以覆盖系统的频谱。 通常在神经网络辨识深中可选用白噪声或 伪随机信号作为系统的输入信号。 3 、 误差准则的选择 误差准则是用来衡量模型接近实际系统的程度的准则。 ( ) ( ( ) k EW f ek = F 是误差矢量 e(k)的函 数， 一般 e(k)是 平方函数 () () f ek ek = e(k)既可以表示输出误差又可以表示输入误差，甚至是两种误差函数的合成。 1 、 神经元的种类有哪些？它们的函数关系如何？ 一、神经元模型
40、 神经元模型是生物神经元的抽象和模拟。 它是模拟生物神经元的结构和功能、 并从数学 角度抽象出来的一个基本单元。它是神经网络的最基本的组成部分。 神经元一般是多输入- 单输出的非线性器件。 模型可以描述为 i ij j i i j Net w x s = + () ii u f Net = () ( ) ii i y g u h Net = = 假设 () ii gu u = ，即 () ii y f Net = i u 为神经元的内部状态； i 为阀值； i x 为输入信号， 1,., jn = ； ij w 为表示从 j u 单元 到 i u 单元的连接权系数； i s 为外部输入信号。
41、常用的神经元非线性特性有以下四种 （1 ） 阀值型 10 () 00 i i i Net f Net Net = 0 1 Neti 阀 值 函 数 f（2 ） 分段线性型 0 0 max 0 () ii i i i i il i il Net Net f Net kNet Net Net Net f Net Net = 0 f max Neti 线 性 函 数 f Net i1 Net i0（3 ） Sigmoid 函 数型 1 () 1 i i Net T f Net e = +0 Neti Sigmoid 函 数 f 1 0.5（4 ） Tan 函数型 () ii ii Net Net T
42、T i Net Net TT ee f Net ee = +0 Neti Tan 函 数 f 12 、 为什么由简单的神经元连接而成的神经网络具有非常强大的功能？ 神经系统是一个高度复杂的非线性动力学系统， 虽然每一个神经元的结构和功能十分简 单，但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的。 从神经元模型角度来看，有线性处理单元和非线性处理单元。 从网络结构方面来看，有：前向网络、反馈网络和自组织网络。 3 、神经网络 按连接方式分有哪几类，按功能分有哪几类、按学习方式分又有哪几类？ 神经网络按连接方式？ 神经网络按连接方式分 神经网络是由通过神经元的互连而达到的。 根据神经元
43、的连接方式的不同， 神经网络可 分为以下四种形式： （1 ） 前向网络 由 输入层、隐 含层和输出 层组成。每 一层只接受 前一层神经 元的 输 入。各神经元之间不存在反馈。属于层次型网络。 . . . . . . . . . 输 入 输 出 前 向 网 络（2 ） 反馈网络 只 在输出层到 输入层存在 反馈，即每 一个输入节 点都有可能 接受 来 自外部的输入和来自输出神经元的反馈。属于层次型网络。 输 入 输 出 反 馈 网 络（3 ） 相互结合型 网络 这种神 经网络在任 意两个神经 元之间都可 能有连接。 在这 个 状态中， 信号要在神经元之间反复往返传递， 网络处在一种不断改变状态的
44、动态之中， 从某 种初态开始，经过若干次的变化，才会达到某种平衡状态。属于网状结构网络。 输 入 输 出 相 互 结 合 型 网 络（4 ） 混合型网络 通过同一层 内神经元的 相互结合， 可以实现同 一层内神经 元之 间 的横向抑制或兴奋机制。 这样可以限制每层内能同时动作的神经元数， 或者把每层内的神经 元分为若干组，让每组作为一个整体来动作。它是层次型网络和网状结构网络的一种结合。 输 入 输 出 混 合 型 网 络神经网络按功能分有哪几类、 神经网络将神经元按功能和顺序的不同分为输出层、 中间层 （隐层） 、 输出层。 输出层各神 经元负责接收来自外界的输入信息， 并传给中间各隐层神经
45、元； 隐层是神经网络的内部信息 处理层， 负责信息变换。 根据需要可设计为一层或多层； 最后一个隐层将信息传递给输出层 神经元经进一步处理后向外界输出信息处理结果。 神经网络按按学习方式分又有哪几类？ 有导师学习和无导师学习。 4 、 如图 4-24 所示的多层前向传播神经网络结构。假设对于期望的输入 12 , 1 3 xx = , 12 , 0.9 0.3 dd yy = 。 网络权系数的初始值见图。 试用 BP 算法训练此网 络。 并详细写出第一次迭代学习的计算结果。 这里， 取神经元激励函数 1 () 1 x fx e = + 。学 习步长为 1 = 。最大迭代次数为 iterafe max 。误差为 e 。 （四舍五入 ，精确到小数后 1 位） x 1 x 2 1 1 2 -2 0 3 -1 -1 1 0 -2
