智能控制知识点总结

一、选择（20分）

二、填空（20分）

  1.智能控制系统要有自适应和自学习的能力。
  【智能控制必须具有模拟人类学习( Learning)和自适应（ Adaptation)的能力。】
  2.模糊集合的表示方法：

3.典型智能控制的方法：模糊逻辑控制、神经网络、专家控制。（常规的智能控制方法有模糊逻辑控制（ FLC)、分级递阶的智能控制（ HIC)、神经网络控制（NNC)、专家控制（EC）和仿人智能控制（AHC）等）
注：分级递阶的智能控制（ HIC)——目前已经提出的分级递阶控制理论主要有两种:基于知识/解析的混合(Mixing)多层智能控制理论和“精度递增伴随智能递减”的分级递阶智能控制理论。后者又称为Saridis分级递阶智能控制理论。3级分级递阶智能控制系统〈见图1-1)是由G.N.Saridis于 1977年提出的。

  该系统由组织级、协调级和执行级组成，遵循“精度递增伴随智能递减”的原则，并把嫡(信息度量)的概念引入智能控制，采用嫡来度量智能机器执行各指令的效果，用嫡来进行最优决策。在这类多级智能控制系统中，智能主要体现在高的层次上。
  组织级起主导作用，涉及知识的表示与处理，主要应用人工智能(Artificial Intelligence);
  协调级在组织级和执行级间起连接作用，涉及决策方式及其表示，采用人工智能(Artificial Intelligence)及运筹学实现控制;
  执行级是底层，具有很高的控制精度，采用常规自动控制。

4.按照基于知识控制器在整个智能控制系统中的作用，专家控制系统分成在直接专家控制系统和间接专家控制系统两类。

  5.根据知识表示的特点，知识推理方法可分为图搜索方法和逻辑论证方法两类。
  注：推理是指依据一定的原则从已有的事实推出结论的过程，这个原则就是推理的核心。专家系统中的自动推理是知识推理，而知识推理是指在计算机或智能机器中，在知识表达的基础上，进行机器思维，求解问题，实现知识推理的智能控制过程。
  专家系统要以知识表示、知识推理、知识获取为基础。其中，知识表示和知识获取是必要的前提条件，而推理则是专家系统中问题求解的主要手段，是使问题从初始状态转移到目标状态的方法和途径，推理的过程就是问题求解的过程。
  根据问题求解的推理过程中是否运用启发性知识，知识推理方法可分为启发推理和非启发推理两类。
  根据问题求解的推理过程中特殊和一般的关系，知识推理方法可分为演绎推理、归纳推理两类。
  根据问题求解的推理过程中推理的方向，知识推理方法可分为正向推理、反向推理和正反向混合(Mixing)推理三类。

三、判断（10分）

  1.模糊控制就是不准确的控制      （×）
         不精确的控制
  2.模糊控制输人为E、EC相当于PD控制器，在平衡点(Break-Event Point／BEP)附近会产生振荡，稳态精度较差，为了提高稳态精度，可以将模糊控制器与PI控制器结合起来构成复合控制器（双模控制；串联控制；并联控制）。

3.当其输入(input)的加权和大于或等于阈值(Threshold)时，输出为1，否则为0或-1。它的权系W可变,这样它就可以学习。

  4.Hopfield网络提供了模拟人类记忆的模型（联想记忆）。根据激活函数(Activation Function)不同，分为两类:
  离散hopfield网络（DHNN)：主要用于联想记忆，输入(input)部分信息可以联想整个的输出，具有容错性。
  连续hopfield网络(CHNN）:主要用于优化计算，如旅行商TSP，调度等

5.在网络运行过程中，网络神经元状态的演变有以下两种形式:异步(asynchronous)更新和同步更新

6.BP学习算法的基本思想是:通过一定的算法调整网络的权值，使网络的实际输出尽可能接近期望的输出。在本网络中采用误差反传（BP)算法来调整权值。