智能控制大作业

为什么说智能控制是自动化发展的必然？你对智能控制的发展方向有何看法？
1.自动化科技，将人从单调而繁重的重复性工作中解放出来，进而使人能够更多地投入到创造性的工作中，极大地拓展了人类认知和改造世界的能力。显然，自动化程度已经成为当今世界衡量一个国家科技发展水平和综合国力的重要标准之一，而以自动控制和信息处理为核心的智能自动化技术，更已成为推动生产力发展、改善人类生活以及促进社会前进的主要动力。所以智能控制是自动化发展的必然。
2.智能发展到现在，除了已有研究的持续进展外，其研究热点主要表现在交叉学科的兴起上，以及在新技术的具体应用上。在未来的一段时间之内，智能的发展仍旧会持续这种态势。随着信息化和人工智能技术的发展、大数据技术的应用，实现数据驱动的知识表达和可视化展现是仿真系统应用的必然。应用工业大数据降低制造型企业成本，建立基于智能化方法的电子设备制造过程，研究如何有效利用大量的离线、在线数据和知识，实现基于数据驱动的控制器设计，实现生产过程和设备的优化控制、预报和评价具有重要的理论与现实意义。
模糊控制、神经网络控制、专家控制各有何特点？
模糊控制依据人类经验制定规则，是一种无模型控制方法。是一种模仿人类语言表示的一种控制器。对线性和非线性系统都有良好的控制能力，具有良好的鲁棒性和适应性。神经网络基于一系列输入输出的数据，实现对系统的学习、控制。无需系统的数学模型。专家系统是一种基于知识的系统，当接收到输入信号后，专家系统通过知识库对其进行推理、判断、控制。
直接专家控制系统和间接专家控制系统各有什么特点，从保证系统的稳定性来看，哪种方法更困难些？
直接专家控制系统是直接取代传统的控制器，直接作用于被控对象。间接专家控制系统是与传统的控制器相结合，实现对控制对象的间接控制，如专家控制器控制PID参数等。如果是从系统的稳定性来看，直接专家控制系统困难一些，因为很难具备有完备的专家知识，经验库。
为什么BP网络是全局逼近的，而RBF网络是局部逼近的？它们各有突出的特点是什么？
BP神经网络采取的是sigmoid函数，sigmoid函数是一种全局函数，所以BP网络是全局逼近的。而RBF采取的是高斯基函数，高斯基函数是一种局部函数，所以RBF网络是局部逼近的。两者的主要区别就是在于激活函数的不同。BP神经网络采取了全局激活函数，RBF网络采取的是局部激活函数。
智能控制有哪些应用领域？试举出一个应用实例，并说明其工作原理和控制性能。
基于强化学习的无模型控制结构，利用神经网络实现此无模型控制方法的近似最优解。建立双神经网络实现连续状态的动作值函数最优逼近，采用经验回放、冻结参数等方法解决神经网络不稳定、难收敛等问题，动态调节贪婪策略提升神经网络收敛速度，建立双神经网络实现选择和动作分离处理过估计问题，采用最小二乘法最小化神经网络近似残差。在平面一级倒立摆的实验中验证了：此控制结构与经典PID控制结构相比响应速度快，控制性能良好，验证此控制结构在控制工程中的正确性和有效性。
- 设论域 $X$ 表示转速， $X =[100, 300, 500, 700, 900]$ ,论域 $Y$ 表示电机的控制电压， $Y=[10, 20, 30, 40, 50]$ 。已知在 $X, Y$ 上的模糊子集为： A = ‘转速低’ = $\frac{1}{100}+\frac{0.8}{300}+\frac{0.5}{500}+\frac{0.3}{700}+\frac{0}{900}$ A = ‘控制电压高’ = $\frac{0}{10}+\frac{0.2}{20}+\frac{0.5}{30}+\frac{0.7}{40}+\frac{1}{50}$
试确定 $X \times Y$ 上的模糊条件语言“若转速低，则控制电压高；否则控制电压不很高”所决定的模糊关系矩阵R，并计算出当转速‘不很低’时，所对应的控制电压y的模糊集合？要求采用matlab编写程序并输出结果。

clear all;
close all;
A = [1;0.8;0.5;0.3;0];                        %转速低
B = [0,0.2,0.5,0.7,1];                        %控制电压高
A_No= 1-A;                                    %转速不低
B_hypothesis  = [0,0.03,0.6,0.9,1];           %假设模糊子集：控制电压很高  
B_hypothesis_No = 1-B_hypothesis;             %可得模糊子集：控制电压不很高
for i = 1:5
    for j = 1:5
        AB(i,j)=min(A(i),B(j));
    end
end
for i = 1:5
    for j = 1:5
        ANoB_hypothesis_No(i,j)=min(A_No(i),B_hypothesis_No(j));
    end
end
% 计算模糊关系矩阵
R = max(AB,ANoB_hypothesis_No);
A2 = [1,0.9,0.6,0.03,0];                     %假设模糊子集：转速很低
A2No = 1-A2;                                 %可得模糊子集：转速不很低
for i = 1:5
    for j = 1:5
        D(i,j)=min(A2No(1,j),R(j,i));
    end
end
for i = 1:5
    y(i)=max(D(i,:));
end

智能控制大作业

智能控制大作业

猜你喜欢