模糊控制与神经网络部分知识点复习

前两天刚刚结束《智能控制系统》的考试，这门课重点考察的是模糊控制和神经网络。期间自己整理了一些习题，主要是填空和简答。模糊控制的大题主要是二维模糊控制器的设计，里面的题型不外乎两种，离散型和连续型模糊控制器的设计，只要明白了设计过程，这类题还是很好做的。

模糊控制的特点：

1） 无需知道被控对象的数学模型
2） 反映人类智慧思维的智能控制
3） 易被人们所接受
4） 构造容易
5） 鲁棒性好

模糊集合常用表示方法

（1）Zadeh表示法
（2）序偶表示法
（3）向量表示法

隶属度函数建立准则

（1） 表示隶属度函数的模糊集合必须是凸模糊集合。
（2） 变量所取隶属度函数通常是对称和平衡的。
（3）隶属度函数的逻辑要符合人们的语义顺序，避免不恰当的重叠。

四种确定隶属度函数的方法

（1）模糊统计法 （2）例证法 （3）专家经验法 （4）二元对比排序法

常用模糊关系的运算方法

(1) 玛达尼推理法 （2）扎德推理法 （3）模糊蕴含积运算

模糊判决方法（精确化过程）解模糊化

1）重心法 2）最大隶属度法 3）中位数法

常用的三种模糊化函数

(1) 单点模糊化、(2)三角形模糊化、（3）高斯函数

规则库规则主要有以下途径获得

(1)将专家知识或操作者经验直接转换为模糊语言规则；
(2)根据对模糊控制器控制过程的监督进行归纳和总结；
(3)利用模糊集合理论对被控制过程（生产过程）进行建模；
(4)在控制系统运行中，实现规则的自组织。
概括如下：
（1）专家经验法（2）观察法（3）基于模糊模型控制（4）自组织法

模糊控制器四部分组成

模糊化接口
对于任意输入x，将其模糊系统中去，当前的物理输入根据模糊子集的分布情况确定这些输入的隶属度。
知识库：
包括数据库和规则库。数据库包括：量化等级的选择、量化方式、比例 因子和模糊子集的隶属度函数。规则库：模糊控制系统是用一系列基于专家知识的语言来描述的，常采用“IF…THEN”的规则形式。
推理机
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，其实质是模糊逻辑推理。
解模糊化
模糊推理过程得到的结果还是一个模糊量，但在实际控制系统中，必须要有一个确定的值才能去控制或者驱动执行机构。这部分将进行推理结果精确化过程。

模糊控制表

常考问题

误差的量化因子与输出量的比例因子，形式不同的原因？(误差量化因子是模糊子集/论域，缩小；输出量比例因子是论域/模糊子集，放大)

误差量化因子是将输入量对应到论域中模糊子集中，因此要将输入量缩小；而输出的比列因子是把模糊量清晰化，是一个放大的过程，输出端乘以相应的倍数，才能把它扩大到原始信号那么大。两者对应的阶段不一样，作用也不同。

神经网络特征和功能

结构特征：并行、分布、容错
能力特征：自学习、自组织、自适应

神经网络功能

（1）联想记忆功能 、（2）非线性映射功能、（3）分类与识别功能、（4）优化计算功能、（5）知识处理功能。

神经网络分类

1）从网络性能角度：连续型和离散型，确定性和随机网络
2）从网络结构角度：前向网络和反馈网络
3）从学习方式角度：有导师学习和无导师学习网络
4）从连接突触性质：一阶线性关联网络和高阶非线性网络

从网络结构和学习算法相结合，分成几类：

（1）单层前向网络、（2）多层前向网络、（3）反馈网络、（4）随机神经网络
（5）竞争网络

5种基本的神经网络学习规则

（1）Hebb学习 （2）纠错学习（3）基于记忆的学习（4）随机学习算法（5）竞争学习

什么叫过适配

对训练集样本误差很小，对训练集样本以外的新样本数据误差很大。网络记忆了训练过的样本，但缺乏对新样本的泛化能力。

提高泛化能力的措施

1）调整网络规模，使之刚好足以“适配”
2）修正网络误差性能函数，使网络获得较小的权值和阈值，从而迫使网络的响应变得平滑，从而减小“过适配”。
3）自动归一化，以自动的方式决定最佳误差性能调整率。
4）提前终止法。

BP网络的局限性

1）学习率和稳定性的矛盾。
2）学习率的选择缺乏有效的方法。
3）训练过程可能陷于局部最小。
4）没有确定隐层神经元个数的有效方法。

神经网络控制的优越性

1）可以处理那些难以用模型和规则描述的过程或系统。
2）并行分布式信息处理，具有很强的容错性。
3）本质的非线性系统，在非线性系统控制中有很大前途。
4）具有很强的信息综合能力。
5）硬件实现越来越方便。

人工神经网络用于控制的形式

（1）作为控制器、（2）用于模式识别、（3）进行参数优化

最后，有不当之处还望指正。