智能控制考试知识点总结

题型：2X10’=20’证明题：1X20’=20’10’智能掌握传统掌握难以解决的问题：得准确数学模型某些简单的和包括不确定性的掌握过程无法解决建模问题针对实际系统往往需要苛刻的线性化假设，与实际系统不符合智能掌握的特点：智能掌握争论对象特点：智能掌握争论工具：符号推理与数值计算的结合模糊集理论神经网络理论遗传算法离散大事与连续时间系统的结合二元论：人工智能(AI)、自动掌握(AC)三元论：人工智能(AI)、自动掌握(AC)、运筹学(OR)四元论：人工智能(AI)、自动掌握(AC)、运筹学(OR)、信息技术(IT)专家掌握、模糊掌握、神经网络掌握、遗传算法模糊掌握〔模糊掌握是以模糊仿照人的模糊推理和决策过程〕特点：模糊掌握不需要被控对象的数学模型模糊掌握是一种反映人类才智的智能掌握方法模糊掌握易于被人们承受构造简洁鲁棒性和适应性好模糊集合：特征函数、隶属函数模糊函数的表示(21A1

x2x1

...iix

...1 1

2

i

,...模糊集合的运算：并取大，交取小隶属函数：高斯型、广义钟形、S形、梯形、三角形、Z形模糊矩阵，模糊关系的合成：并取大，交取小(P24-25例3.7，3.8，3.9，3.10)模糊掌握器设计:模糊掌握器的构造>>定义输入输出模糊集>>定义输入输出隶属函数>>建立模糊掌握规章>>建立模糊掌握表>>反模糊化〔隶属度最大原则〕自适应模糊掌握整模糊规律系统的参数，且可以保证掌握系统的稳定性。形式：器。型在线设计掌握器。万能靠近定理〔P79：神经网络从机理上对人脑生理系统进展简洁构造模拟的一种智能掌握方法特点：并行机制、模式识别、记忆和自学习力量神经元：细胞体、树突、轴突、突触兴奋与抑制、学习与遗忘争论方面：神经元模型、神经网络构造、神经网络学习算法分类：前向网络、反响网络、自组织网络学习算法：Hepp〔联想式学习算法〕神经网络特征：能靠近任意非线性函数可以多数入、多输出集成电路、计算机技术〕能进展学习、以适应环境变化神经网络三要素：神经元(信息处理单元)的特性为适应环境而改善性能的学习规章典型神经网络单神经元网络〕特点：层与层之间承受全互连方式、同层神经元之间不连接S学习算法由正向传播和反向传播组成优点：学习算法属于全局靠近算法，具有较强的泛化力量缺点：待寻优的参数多，收敛速度慢难以确定隐层及隐层节点数〕优点：BP缺点：非线性力量不如BP模糊掌握与神经网络掌握的比较容错性低，归纳式学习机制，明确的自然语言实现，语言敏捷性高神经网络：通过算法实例猎取学问，承受并行计算的推理机制，其推理速度高，容错性高，调整权值学习机制，自然语言实现不明显，语言敏捷性低高级神经网络RBF构造〔四层：学习算法：梯度下降法小脑模型神经网络：表格查询式自适应神经网络Hopfield反响型神经网络于解决优化组合问题神经网络掌握构造：神经掌握：以神经网络为根底的独立智能掌握系统混合神经网络掌握：利用神经网络学习和优化力量改善传统掌握的智能掌握神经网络监视掌握神经网络直接逆掌握偏差比较 评价函数神经网络自适应掌握：遗传算法算机上模拟生命进化论机制而进展起来的学科自然选择学说：遗传、变异、生存斗争和适者生存根本操作：复制、穿插、变异特点：〔染色体和基因〕同时使用多个搜寻点使用概率搜寻技术高效启发式搜寻方式并行计算构成要素：〔二进制符号〕个体适应度评价〔正数或零〕遗传算子根本遗传算法的运行参数M：群体大小〔个体数量20--100〕G：终止进化代数〔100--500〕Pc：穿插概率〔0.4--0.99〕Pm：变异概率〔0.0001--0.1〕