2026年广东工业大学自动化(智能控制)专业考试试题及答案

2026年广东工业大学自动化(智能控制)专业考试试题及答案一、单项选择题（每题2分，共20分）1.模糊控制中，若输入变量“温度偏差”的论域为[-10,10]，采用三角形隶属函数，且在偏差为0时隶属度为1，偏差为±5时隶属度为0.5，则该隶属函数的表达式为（）。A.μ(x)=1-|x|/10B.μ(x)=1-|x|/5C.μ(x)=1-|x|/20D.μ(x)=1-|x|/152.BP神经网络训练过程中，若出现“梯度消失”现象，最可能的原因是（）。A.学习率设置过大B.激活函数选用Sigmoid且网络层数过深C.训练样本数量不足D.目标函数选择均方误差3.遗传算法中，交叉操作的主要目的是（）。A.保持种群多样性B.避免局部最优C.加速收敛到最优解D.修复无效个体4.模型参考自适应控制（MRAC）中，调整机构的输入是（）。A.参考模型输出与实际系统输出的误差B.参考输入信号C.实际系统的控制输入D.参考模型的控制输入5.关于RBF神经网络与BP神经网络的区别，正确的是（）。A.RBF是全局逼近网络，BP是局部逼近网络B.RBF隐含层采用线性激活函数，BP采用非线性C.RBF的输出层权值可通过线性方程组直接求解，BP需迭代优化D.RBF只能用于分类，BP可用于回归6.专家系统中，推理机的核心功能是（）。A.存储领域知识B.根据事实与规则进行逻辑推导C.处理用户输入输出D.学习新的知识7.模糊控制器设计中，若输入变量“速度误差”的语言值定义为{负大，负小，零，正小，正大}，则其模糊化时通常采用（）。A.单值模糊化B.高斯型隶属函数C.梯形隶属函数D.三角型与高斯型混合8.自适应控制与鲁棒控制的主要区别在于（）。A.自适应处理参数慢时变，鲁棒处理参数不确定但不变B.自适应需要在线调整参数，鲁棒需要离线设计C.自适应对模型精度要求低，鲁棒要求高D.自适应适用于线性系统，鲁棒适用于非线性9.粒子群优化（PSO）算法中，粒子的速度更新公式为v_i(t+1)=ωv_i(t)+c1r1(pbest_i-x_i(t))+c2r2(gbest-x_i(t))，其中ω的作用是（）。A.控制全局搜索与局部搜索的平衡B.防止速度过大导致发散C.调整个体认知与社会学习的权重D.加速收敛到最优解10.针对非线性系统y=0.5u²+sin(t)，设计神经自适应控制器时，神经网络的输入应至少包含（）。A.系统当前输出y(t)B.控制输入u(t)C.输出误差e(t)=y_d(t)-y(t)D.y(t)、y(t-1)、u(t-1)二、填空题（每空2分，共20分）1.模糊控制的核心步骤包括模糊化、________、清晰化。2.BP神经网络的学习规则是________，其实质是通过________最小化目标函数。3.遗传算法中，适应度函数的作用是________，常用的适应度缩放方法有线性缩放、________等。4.模型参考自适应控制的稳定性分析通常采用________（如李雅普诺夫稳定性理论）。5.RBF神经网络的隐含层神经元采用________激活函数，其中心参数通常通过________（如k-means聚类）确定。6.专家系统的知识库中存储的是________，而综合数据库存储的是________。三、简答题（每题8分，共32分）1.简述模糊控制与PID控制的主要区别，并说明模糊控制在非线性、时变系统中的优势。2.解释BP神经网络中“过拟合”现象的成因及常用解决方法。3.遗传算法中，交叉概率（Pc）和变异概率（Pm）的选择对算法性能有何影响？请给出典型取值范围。4.对比分析直接自适应控制与间接自适应控制的结构差异及适用场景。四、分析题（每题12分，共24分）1.某工业反应釜的温度控制系统存在非线性、时滞特性，传统PID控制效果不佳。现需设计模糊控制器，要求：（1）确定输入输出变量；（2）设计输入变量的隶属函数（给出论域、语言值及隶属函数类型）；（3）制定模糊规则库（至少5条规则）。2.考虑单输入单输出非线性系统：y(k+1)=0.8y(k)+0.3u(k)+0.2u(k)y(k)，其中y为输出，u为控制输入。拟用BP神经网络对该系统进行辨识，要求：（1）确定神经网络的输入输出结构；（2）设计训练样本提供方法；（3）说明训练过程中如何选择激活函数和目标函数，并分析可能出现的问题及解决措施。五、综合题（24分）针对工业机械臂的轨迹跟踪问题，设计一种基于神经网络与自适应控制的复合控制器。要求：（1）给出系统模型假设（如机械臂动力学方程形式）；（2）设计复合控制器结构（需包含神经网络模块、自适应调整模块）；（3）推导控制律及参数更新规则；（4）分析闭环系统的稳定性（可采用李雅普诺夫方法）。答案一、单项选择题1.B（解析：三角形隶属函数在x=0时μ=1，x=±5时μ=0.5，故斜率为(1-0.5)/(5-0)=0.1，表达式为μ(x)=1-|x|/5）2.B（解析：Sigmoid函数导数在输入较大时趋近于0，深层网络中梯度反向传播时逐渐消失）3.C（解析：交叉操作通过交换个体基因片段，组合父代优势特征，加速收敛）4.A（解析：MRAC中调整机构根据参考模型输出与实际系统输出的误差调整控制器参数）5.C（解析：RBF隐含层到输出层为线性组合，权值可通过最小二乘法直接求解；BP需反向传播迭代）6.B（解析：推理机是专家系统的“大脑”，负责利用知识库中的规则和综合数据库中的事实进行推理）7.D（解析：实际应用中常混合使用三角型（计算简单）和高斯型（平滑性好）隶属函数）8.A（解析：自适应处理慢时变参数，鲁棒处理固定但不确定的参数）9.A（解析：惯性权重ω较大时全局搜索能力强，较小时局部搜索能力强）10.D（解析：非线性系统辨识需包含历史输入输出信息以捕捉动态特性）二、填空题1.模糊推理2.误差反向传播算法；梯度下降法3.评价个体优劣；指数缩放（或非线性缩放）4.稳定性理论（或李雅普诺夫方法）5.径向基（如高斯函数）；无监督学习6.领域专家知识（或规则）；当前问题的事实数据三、简答题1.区别：PID基于误差及其微分、积分的线性组合，依赖精确数学模型；模糊控制基于语言规则，无需精确模型，处理非线性。优势：模糊控制通过模糊规则映射非线性输入输出关系，对时变参数不敏感，鲁棒性强。2.成因：神经网络复杂度高（层数/神经元过多），训练数据少或噪声大，模型过度拟合训练数据中的噪声。解决方法：增加训练数据、正则化（L1/L2正则）、早停法（提前终止训练）、Dropout（随机失活神经元）。3.影响：Pc过高（如>0.9）可能破坏优良个体，导致收敛速度下降；Pc过低（如<0.5）则种群多样性不足，易陷入局部最优。Pm过高（如>0.1）可能退化为随机搜索；Pm过低（如<0.01）无法跳出局部最优。典型值：Pc=0.6~0.9，Pm=0.01~0.1。4.结构差异：直接自适应控制直接调整控制器参数使输出跟踪参考信号；间接自适应先在线辨识系统参数，再根据辨识结果设计控制器。适用场景：直接自适应适用于模型结构已知但参数未知的系统；间接自适应适用于模型结构也需辨识的复杂系统。四、分析题1.（1）输入变量：温度偏差e=T_set-T，偏差变化率ec=de/dt；输出变量：加热/冷却装置的控制量u。（2）隶属函数设计：e论域[-10℃,10℃]，语言值{NB（负大）,NS（负小）,ZO（零）,PS（正小）,PB（正大）}，采用高斯型隶属函数（μ(x)=exp(-(x-c)²/(2σ²))，中心c分别为-8,-3,0,3,8，σ=2）；ec论域[-5℃/s,5℃/s]，语言值同e，采用三角型隶属函数（中心-4,-1,0,1,4，底宽4）。（3）规则库示例：Ife=NBandec=NB,thenu=PB（偏差负大且加剧，需大幅加热）Ife=NSandec=ZO,thenu=PS（偏差负小且稳定，小幅加热）Ife=ZOandec=ZO,thenu=ZO（无偏差，保持当前控制）Ife=PSandec=ZO,thenu=NS（偏差正小且稳定，小幅冷却）Ife=PBandec=PB,thenu=NB（偏差正大且加剧，需大幅冷却）2.（1）输入结构：神经网络输入为[y(k),u(k)]（捕捉当前状态与控制输入的影响），输出为y(k+1)（预测下一时刻输出）。（2）训练样本提供：给定初始值y(0)，选择不同u(k)（如在[-2,2]内均匀采样），计算y(k+1)作为目标值，提供N组样本{(y(k),u(k);y(k+1))}。（3）激活函数：隐含层用tanh（处理正负输入），输出层用线性（回归问题）。目标函数：均方误差MSE=1/NΣ(y_pred-y_true)²。可能问题：梯度消失（深层网络）→改用ReLU激活函数；过拟合→加入L2正则项。五、综合题（1）系统模型假设：机械臂动力学方程为M(q)q''+C(q,q')q'+G(q)=τ，其中q为关节角，M为惯性矩阵，C为科里奥利力矩阵，G为重力向量，τ为控制力矩（未知参数）。（2）复合控制器结构：包含神经网络逼近器N(·)（用于估计未知动力学项M、C、G）和自适应调整模块。控制器输出τ=τ_nn+τ_ad，其中τ_nn=N(q,q',q_d',q_d'')（输入为当前状态和期望轨迹），τ_ad为自适应补偿项。（3）控制律设计：期望轨迹q_d，跟踪误差e=q_d-q，定义广义误差s=e'+Λe（Λ>0）。设计τ=M_nn(q)(q_d''+Λe')+C_nn(q,q')(q_d'+Λe)+G_nn(q)-Ks，其中M_nn、C_nn、G_nn为神经网络估计值。参数更新规则：采用投影算法，权重W的更新律为W'=Γsφ(q,q',q_d',q_d'')（Γ>0为学习率，φ为基函数）。（4）稳定性分析：取李雅普诺夫函数V=½s^TMs+½tr(W~^TΓ^{-1}W~)（W~=W-W为权重误差），求导得V'=s^T(-Ks+Δ)+tr(