昆工智能控制题库
C1=((A1?B1)L)TR?[0.50.5]
11. 设x表示转速，y表示控制电压。转速和控制电压的论域分别为
X={100，200，300，400，500}，Y={1，2，3，4，5}
已知在X 、Y上的模糊子集为
~A?“转速高”?0/100?0/200?0/300?0.5/400?1/500
~B?“控制电压高”?0/1?0/2?0/3?0.5/4?1/5
X×Y上的模糊关系为“若转速高，则控制电压高；否则控制电压不很高”。现在转速不很高，
控制电压如何？( 7 分)
答1） C?\控制电压不很高\?\控制电压很高\?1/1?1/2?1/3?0.75/4?0/5
~（2）A1?\转速不很高\?1/100?1/200?1/300?0.75/400?0/500
~（3）与模糊控制规则“若转速高，则控制电压高；否则控制电压不很高。”对应
~~~~~的模糊关系矩阵为R?(A?B)?(A?C) 110.750??1??110.750??1~? R?1110.750?
???0.50.50.50.50.5??0000.51???（4） B1＝A1 ?R＝?1110.75~~~0.5?
12. 假设遗传算法的染色体编码方法为：用长度为10位的二进制编码串来分别表示两个决
策变量x1,x2，再将分别表示x1,x2的两个10位长的二进制编码串连接在一起，组成一个20位长的二进制编码串，其中前10位表示x1，后10位表示x2。另外，
?2.048?xi?2.048(i?1,2)，则对个体
x:0000110111 1101110001，请通过解码确定x1和x2 的实际值为多少
答
y x i ? 4.096?i?2.048(i?1,2)1023
1 2 x1??1.828,x2?1.476
13、设论域u={x1,x2,x3,x4}，A，B，C是论域上的三个模糊集合，已知：
y?55,y?881昆工智能控制题库
A?0.10.20.80.700.40.610.30.210.4????????+，B?，和C?，试
x1x2x3x4x1x2x3x4x1x2x3x4求模糊集合R?A?B?C，S?A?B?C和T?A?B?C。
R?答
0.1?0?0.30.2?0.4?0.20.8?0.6?10.7?1?0.4???x1x2x3x400.20.60.4????x1x2x3x40.100.30.20.40.20.80.610.710.4???x1x2x3x4 3分
S?0.30.411????x1x2x3x4 3分
T?
0.1?0?0.30.2?0.4?0.20.8?0.6?10.7?1?0.4???x1x2x3x4?0.10.20.80.4???x1x2x3x40.?9?01.? ?30.?0.?8
14、（本题5分）设模糊矩阵
?0.410.20.50.1???0.7??Q??0.10.40.10? R???0.1???0.30.900.4???0.2求Q?R
?0.40.9???解：QR?0.40.4 ????0.70.9??
论述题：
1、画出静态多层前向人工神经网络（BP网络）的结构图，并简述BP神经网络的工作过程（ 10 分）
昆工智能控制题库
图 4分
BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。(3分)如果在输出层不能得到期望的输出，则转至反向传播，将误差信号（理想输出与实际输出之差）按联接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。(3分)
2、试画出神经网络内模控制系统的结构图，并根据该结构图叙述其工作原理。
1．神经网络内模控制的结构
r + - f ? y滤波器 ??1) NNC(Pu 对象 d y ?) NNI(P- （3分）
2．神经网络内模控制的主要特点及工作原理（7分）
内模控制即保留了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。神经网络内模控制结构图中P是被控对象的非线性模型，d是系统内部扰
?(内部模型)，NNC是动，NNI是神经网络辨识器，用来辨识被控对象的正模型P?-1，线性滤波器是惯性环节或积分环神经网络控制器，用来实现对象的逆模型P节，可以补偿NNC中的纯微分环节并平滑e的变化，以防止控制信号u进入饱和区。内模控制将被控对象与内部模型的输入误差反馈到参考输入端，构成了闭
?=P，且系统环控制。如果NNI能够完全准确地表达对象的输入输出关系，即P??y=0，系统相当于开环，与直接逆控制没有不存在任何干扰，反馈信号为f?y??y不为0，则由于负什么区别。若由于模型不准以及存在干扰使反馈信号f?y反馈的作用，仍可使y接近r，因此内模控制具有很好的鲁棒性。
3、请分析将被控对象的神经网络逆模型直接与被控对象串联起来的简单神经网络逆控制的
工作原理，然后阐述该方案的缺点，针对此缺点提出一种改进方案，画出控制方案图并说明改进的理由。 yd?t?u?t?y?t?对象NN1
e?t?+-un?t?NN2昆工智能控制题库
工作原理：这种简单的神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。（3分） 显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整（2分）。
在图中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。
五、请设计一个一维模糊控制器，通过注水调节阀将水位稳定在固定点附近。水位偏差e=水位设定值-实际水位,将偏差e分为5个模糊子集：负大(NB)，负小(NS)，零(ZO)、正小(PS)、正大(PB)，其变化分为7个等级-3,-2,-1,0,+1,+2,+3;控制输入u分为5个模糊子集：负大(NB)，负小(NS)，零(ZO)、正小(PS)、正大(PB)，其变化分为9个等级-4,-3,-2,-1,0,+1,+2,+3,+4,请完成如下设计（共10 分）：
(1）根据日常经验设计模糊控制规则，并将规则采用”IF A THEN B” 的形式来描述； (2) 根据上述模糊控制规则 计算模糊关系；
(3)当e=NB计算模糊器的输出，采用隶属度最大原则进行反模糊化。 其中水位偏差e的划分表:
变化等级 隶属度 -3 PB PS 0 0 0 0 1 -2 0 0 0 0.5 0.5 -1 0 0 0.5 1 0 0 0 0 1 0 0 1 0 1 0.5 0 0 2 0.5 0.5 0 0 0 3 1 0 0 0 0 模糊集ZO NS NB 控制量u的划分表:
变化等级 隶属度 -4 PB PS 0 0 0 0 1 -3 0 0 0 0.5 0.5 -2 0 0 0 1 0 -1 0 0 0.5 0.5 0 0 0 0 1 0 0 1 0 0.5 0.5 0 0 2 0 1 0 0 0 3 0.5 0.5 0 0 0 4 1 0 0 0 0 模糊集ZO NS NB
五、请设计一个二维模糊控制器，实现对工业锅炉的水位调节, 锅炉水位允许的误差范围为
答：P39,具体略。
昆工智能控制题库
?50mm，模糊控制器通过进水阀对水量进行调节，使水位保持在允许的范围。假设误差E
分为7个模糊子集：负大(NB)、负中(NM)、负小(NS)，零(ZO)、正小(PS) 正中(PM)、正大(PB)，其变化分为7个等级-3,-2,-1,0,+1,+2,+3; 误差变化EC的基本论域为[-15，+15]，分为5个模糊子集：负大(NB)、负小(NS)、零(ZO)、正小(PS)、正大(PB)，其变化分为7个等级-3,-2,-1,0,+1,+2,+3;控制输入U基本论域为[-15，+15]，分为7个模糊子集：负大(NB)、负中(NM)、负小(NS)，零(ZO)、正小(PS)、正中(PM)、正大(PB)，其变化分为7个等级-3,-2,-1,0,+1,+2,+3,请完成如下设计（共10 分）： (1）请画出水位二维模糊调节系统的结构框图; ( 2分)
(2) 分别计算误差、误差变化的量化因子和 控制输入的比例因子；( 4分) (3) 这种情况下,完备的模糊控制器应有多少条控制规则组成; ( 2分) (4) 简述离线计算模糊控制查询表的过程。( 2分)
答(1)见王勤的书P145; ( 2分)
(2)ke?3/50；k.?3/15；ku?15/3?5；( 4分)
e(3)35条；( 2分)
(4) 见王勤的书P145~147( 2分)
五、试画出神经网络直接逆控制系统的结构图，并根据结构图叙述其工作原理 答 教材P175
yd?t?NN1u?t?对象y?t?e?t?+-un?t?NN2 工作原理：神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。
显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整 。
在图中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。
五、试画出神经网络监督控制系统的结构图，并根据结构图叙述其工作原理 五、请分别画出一维模糊控制器和二维模糊控制器的结构图，并指明哪种的控制效果更好？为什么？
昆工智能控制题库
二维模糊控制器控制效果一般较好；因为相比一维模糊控制器, 二维模糊控制器能够较好地反映被控过程的动态品质。