资源描述
1递阶智能控制系统的主要结构特点有哪些。答：递阶智能控制是在研究早期学习控制系统的基础上，从工程控制论角度总结人工智能与自适应控制、自学习控制和自组织控制的关系后逐渐形成的。递阶智能控制系统是由三个基本控制级（组织级、协调级、执行级）构成的。如下所示：1.组织级组织级代表控制系统的主导思想，并由人工智能起控制作用。根据贮存在长期存储交换单元内的本原数据集合，组织器能够组织绝对动作、一般任务和规则的序列。其结构如下：2协调级协调级是组织级和执行级间的接口，承上启下，并由人工智能和运筹学共同作用。协调级借助于产生一个适当的子任务序列来执行原指令，处理实时信息。它是由不同的协调器组成，每个协调器由计算机来实现。下图是一个协调级结构的候选框图。该结构在横向上能够通过分配器实现各协调器之间的数据共享。1曲布处理1ft盘附时寄1Ir1IIFr43.执行级执行级是递阶智能控制的最底层，要求具有较高的精度但较低的智能；它按控制论进行控制，对相关过程执行适当的控制作用。其结构模型如下：2信息特征，获取方式，分层方式有哪些？答：一、信息的特征1，空间性：空间星系的主要特征是确定和不确定的（模糊）、全空间和子空间、同步和非同步、同类型和不同类型、数字的和非数字的信息，比传统系统更为复杂的多源多维信息。2，复杂性：复杂生产制造过程的信息往往是一类具有大滞后、多模态、时变性、强干扰性等特性的复杂被控对象，要求系统具有下层的实时性和上层的多因素综合判断决策能力，以保证现场设备局部的稳定运行和在复杂多变的各种不确定因素存在的动态环境下，获得整个系统的综合指标最优。3，污染性：复杂生产制造过程的信息都会受到污染，但在不同层次的信息受干扰程度不同，层次较低的信号受污染程度较大。二、获取方式信息主要是通过传感器获得，但经过传感器后要经过一定的处理来得到有效的信息，具体处理方法如下：1，选取特征变量可分为选择特征变量和抽取特征变量。选择特征变量直接从采集样本的全体原始工艺参数中选择一部分作为特征变量。抽取特征变量对所选取出来的原始变量进行线性或非线性组合，形成新的变量，然后去其中一部分作为特征变量。2，滤波的方法数字滤波用计算机软件滤波，通过一定的计算程序对采样信号进行平滑加工，提高信噪比，消除和减少干扰信号，以保证计算机数据采集和控制系统的可靠性。模拟滤波用硬件滤波。3，剔除迷途样本使用计算机在任意维空间自动识别删除迷途样本。三、分层方式1，通过计算机系统进行信号分层2，人工指令分层3，通过仪器设备进行测量，将数据进行分层4，先归类，后按照一定的规则集合分层3详细描述数据融合的流程和方法答：数据融合是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理。一、数据融合的流程：分析数据融合目的和融合层次一一智能地选择合适的融合算法一一将空间配准的数据（或提取数据的特征或模式识别的属性说明）进行有机合成一一准确表示或估计。有时还需要做进一步的处理，如匹配处理和类型变换等，以便得到目标的更准确表示或估计。具体可分为：1，特征级融合经过预处理的数据一一特征提取一一特征级融合一一融合属性说明2，像元级融合经过预处理的数据一一数据融合一一特征提取一融合属性说明3，决策级融合经过预处理数据一一特征提取一一属性说明一一属性融合一一融合属性说明二、数据融合方法：1，代数法主要包括：加权融合法，单变量图象差值法，图象比值法2，图像回归法首先假定影像的像元值是另一影像的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去影像的原始像元值，从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正，因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。3，主成分变换也称为W-L变换，数学上称为主成分分析（PCA）。PCT是应用于遥感诸多领域的一种方法，包括高光谱数据压缩、信息提取与融合及变化监测等oPCT使用相关系数阵或协方差阵来消除原始数据的相关性，以达到去除冗余的目的。对于融合后的数据来说各波段的信息所作出的贡献能最大限度地表现出来。4,K-T变换即Kauth-Thomas变换，简称K-T变换，又形象地成为缨帽变换。它是线性变换的一种，它能使座标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向。5，小波变换小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。小波变换是一种全局变换，在时间域和频率域同时具有良好的定位能力，从而被誉为数学显微镜。6，IHS变换3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度I,色度H,饱和度S,它们分别对应3个波段的平均辐射强度、3个波段的数据向量和的方向及3个波段等量数据的大小oRGB颜色空间和IHS色度空间有着精确的转换关系。7,贝叶斯（Bayes）估计8，D-S推理法9，人工神经网络（ANN）10，专家系统4详细描述递阶智能控制系统的优化算法模型答：递阶智能控制系统是在研究早期学习控制系统的基础上，从工程控制论角度总结人工智能和自适应控制、自学习控制和自组织控制的关系之后逐渐形成的，是智能控制的最早理论之一。注-策、递阶智能控制系统结构图:爰人机損口狀他叶囂书1推理、预测如结构图所示，递阶智能控制系统可分为现场级、控制级、局部优化级、全局优化级四个部位。具体优化算法：现场级通过数据采集系统与分布式控制系统将现场状态信号传递给控制级，控制级通过聚合器将各个信号经过一个个子过程完成数据融合，并将融合估值反馈给局部优化级，局部优化级对数据进行决策后将信息反馈给全局优化级并对下一级传达指令，全局优化级通过知识库对数据进行比较、推理、排序。预测之后作出决策，从而使整个系统总熵最小，实现全局最优。5.比较模糊集合和普通集合的异同。、集异同占、合小、普通集合模糊集合相同点1,基本概念相同：具有某种特定属性的对象的全体。2,分类方法大致一样，如：列举法，描述法，特征函数法3,运算规律大致相同，如：恒等律，父换律，结合律，分配律，吸收律，同一律，对偶律不同点兀素的范围有个清晰的界限集合的界限是模糊的，不明确的互补律仍然适用互补律不适用于模糊集合兀素定在集合里面元素和集合之间直接没有绝对的隶属关系支撑集等概念是模糊集合所特有的拥有更多的表示方法，如扎德表示法6确定“高智商”、“正常智商”和“低智商”的合理的隶属函数。u(95)=3/30=0.1u(105)=10/30=0.333u(115)=18/30=0.6u(125)=27/30=0.9u(135)=29/30=0.967u(100)=6/30=0.2u(110)=12/30=0.4u(120)=24/30=0.8u(130)=28/30=0.933u(140)=30/30=1高智商曲线：图1：高智商曲线解：由互联网搜索，调查的“高智商”的范围如下表1:952009520012020010520095200100200140200120200125200105200120200125200120200115200110200100200105200115200135200100200115200130200120200125200105200115200115200110200120200115200由上表可求出各点的隶属度如下：,xa,a=xb,b=x=c,cxd由高智商曲线知，a=90，b=140，c为无穷大，d无意义。隶属函数的确定:把高智商曲线图与常用隶属函数相匹配，可知，高智商的隶属函数应是梯形隶属函数模型，如下：0(x-a)/(b-a)1(d-x)/(d-c)0所以高智商隶属函数为：0,xv90（x-90）/50,90v=xvl401,140=x由互联网搜索，调查的“正常智商”的范围如下：751007010575110801008012085120901207010080115851159012090120951209012090115801157012080110801158512080110801107510585120951207511585120801209011595120由上表可求出各点的隶属度如下：u（70）=3/30=0.1u（75）=6/30=0.2u(80)=16/30=0.533u(85)=21/30=0.7u(90)=27/30=0.9u(95)=30/30=1u(100)=30/30=1u(105)=27/30=0.9u(110)=25/30=0.833u(115)=21/30=0.7u(120)=14/30=0.467隶属函数的确定:把正常智商曲线图与常用隶属函数相匹配，可知，正常智商的隶属函数应是正态隶属函数模型，如下：UA（x）=exp-（x-a）/b）2由正常智商曲线并计算知：a=98，b=607所以正常智商隶属函数为：UA（x）=exp-（x-98）/607）2由互联网搜索，调查的“低智商”的范围如下：407035654075457535704075357035653070306535753070307540754075357030703070307530653060357535753570307045704575357530653070由上表可求出各点的隶属度如下：u(30)=12/30=0.4u(35)=22/30=0.733u(40)=27/30=0.9u(45)=30/30=1u(50)=30/30=1u(55)=30/30=1u(60)=30/30=1u(65)=29/30=0.967u(70)=24/30=0.8u(75)=14/30=0.467图3：低智商曲线,xa,a=xb,b=x=c,cxd隶属函数的确定:把低智商曲线图与常用隶属函数相匹配，可知，低智商的隶属函数应是梯形隶属函数模型，如下：0(x-a)/(b-a)1(d-x)/(d-c)0由低智商曲线并计算知：a=0,b=45,c=60,d=80.所以低智商隶属函数为：0x/4514-x/200,x0,0=x45,45=x=60,60x807简述模糊控制系统的组成与工作原理答：模糊控制系统是一直全自动控制系统，是以模糊数学、模糊语言形式的知识表示和模糊逻辑推理为理论基础，采用计算机控制技术构成的一种具有闭环结构的数学控制系统，系统组成核心是模糊控制器。模糊控制系统由模糊化接口、模糊化推理、解模糊化接口、知识库、被控对象、比较元件等组成。模糊控制系统基本原理图控制系统原理图如上，图中虚线部分被称为模糊控制器部分。基本工作原理：微机经中断采样获取被控制量的精确值，然后将此量与给定值进行模糊化，变成模糊量，偏差e的模糊量可以相应的模糊语言表示，得到偏差e的模糊语言集合的一个子集。再由模糊子集、模糊控制规则和前向推理进行模糊推理，得到模糊控制量为u=ER,式中u为一个模糊量。为了对控制对象施加精确的控制，还需要将模糊量u转换为精确量。这一步骤称为解模糊。得到了精确的数字模糊量后，经数模转换为精确的模拟量送给执行机构，对被控制对象进一步控制。然后中断等待第二次采样进行第二步控制。这样循环下去，就实现了被控制对象的模糊控制。8试举例说明传统集合中叉积序偶的顺序是不能颠倒的。答：假设有2个传统集合A，B。令A=1,2,B=3,4。假定AxB=(1,3)，(1,4)，(2,3)，(2,4)表示直角坐标系中的点。若叉积序偶顺序可以颠倒，那么AxB中的元素(1,3)和(3,1)是表示同一个点，很显然，这是不符合逻辑的，所以叉积序偶中的顺序是不能颠倒的。9结合自身理解浅谈模糊数学与模糊集合的概念答：模糊数学是建立在模糊集合基础上研究和处理模糊性现象的一种数学理论和方法。而模糊集合中的元素与集合之间没有绝对的隶属关系，集合的边界也是模糊的。像我们常说的“冷”、“热”就是一些模糊集合，它们没有清晰的温度界限。同一个温度对于不同的人在不同的时刻得到的感觉也是不一样的，也就是说温度和冷热之间没有绝对的隶属关系。10举例说明模糊数学隶属函数的概念。答：隶属函数是用于表述模糊集合的一种数学工具。由于模糊集合中元素u和论域U之间的隶属关系具有不明确性，为了描述这种属关系，用区间0,1中某一数值来描述元素u属于论域U的程度，而由此在论域U上的产生函数“即为模糊集上的隶属函数。11.用模糊统计法确定“青年人”的隶属函数。解：(1)根据张南纶教授在武汉做的一项关于“青年人”年龄段区间的调查实验，在剔除迷途样本之后，得到以下129组有效数据，如下表所示：18-2518-3017-3020-3515-2818-2518-3519-2817-3016-3015-2815-2516-2818-3018-2518-2817-3015-3018-3018-3515-2517-2517-3018-3518-2518-3016-2818-3018-3515-3018-3515-2815-2516-3218-3018-3517-3018-3516-2820-3016-3018-3518-3518-2917-2818-3518-3518-2518-3016-2817-2715-2616-3518-3515-2515-2718-3516-3014-2518-2518-3020-3018-2818-3015-3018-2818-2516-2520-3018-3518-3018-3016-2817-2516-3018-3015-2518-3518-3018-2518-2616-3516-2816-2515-2517-3015-2516-3515-3018-3015-2516-3016-3015-2815-3615-2517-2818-3016-2518-3017-2518-2917-2915-3017-3016-3016-3515-3014-2518-3516-3018-3018-3516-2818-2518-3018-2818-3516-2418-3017-3015-3018-3518-2518-3015-3015-3017-3018-30(2)求不同样本下uo=27的隶属频率试验次数n102030405060708090100110120129隶属次数m61423313947536268768595101隶属频率f0.600.700.770.780.780.780.760.780.760.760.770.790.78(3)绘图得出u=27的隶属频率稳定值所以，忖的隶属频率稳定值为Ua（27）=O.783（4）同理，可以得到论域中每个元素对A的隶属频率，如下:x11121314151617181920A(x)0000.0160.2090.3950.5190.9610.9691x21222324252627282930A(x)11110.9910.7980.7830.7670.6200.597x31323334353637383940A(x)0.2090.2090.2020.2020.2020.0080000当xgEo,1OUt40,100时，A(x)=0。13125）根据以上数据，作出青年人的隶属函数曲线6）确定隶属函数通过分析比较，隶属函数图像与岭形分布的中间型非常相似，中间型的隶属函数如下a4二37，代入得函数。根据数据，选取a二13，a12，a=24，3二20所以青年人的隶属函数为：4-sinx22ji61,?4_r37
展开阅读全文