智能控制技术复习总结
第一章：智能控制概述
简答：
1、智能控制的产生？
控制系统的复杂性：被控对象、环境、控制任务
传统控制理论与方法的局限性：缺乏合适的系统描述方法
缺乏有效的处理不确定性的方法
传统控制输入信息的单一性
与人的经验知识结合的必要性。
- 智能控制的发展历程？
萌芽期20世纪60年代：扎德的模糊集合论、费根鲍勃专家系统、门德尔人工智能控制
利昂兹智能控制
形成期20世纪70年代：傅京孙人工智能技术与自动控制技术的交叉，人、人机结合、无人参与，基于规则的控制，玛丹尼基于模糊语言描述控制规则的模糊控制器、自组织模糊控制器
发展期（约1980以后）：Hopfield引入了能量函数、机器人系统、实时专家系统、智能控制系统等的出现
-
智能控制的典型结构：
-
结构特点：被控对象描述的混合性、信息处理的层次性、控制器结构的组合性
-
功能特点：学习能力、适应能力、组织能力
-
智能控制分类：
模糊控制、神经控制、仿人控制
模拟人类各种优良的控制调节机制的学习控制
基于知识工程的专家控制
复合智能控制
- 典型的复合智能控制：
基于模糊神经网络的智能控制
基于神经网络和学习控制的智能控制
基于神经网络和专家系统的智能控制
PID模糊控制
神经网络自校正控制
- 控制理论的发展过程：
古典控制理论，20世纪30－50年代，单输入单输出线性系统，传递函数，线性常系数微分方程，代数判据根轨迹法，频率响应法，PID控制器设计
现代控制理论，20世纪50－70年代，多输入多输出系统，线性/非线性；定常/时变；连续/离散，非线性微分方程，状态方程、传递矩阵，状态空间描述法，代表人物，贝尔曼、卡尔曼、朗道，最优控制、时滞系统控制、基于网络的控制
大系统理论与智能控制，20世纪70年代末至今，控制理论的深度广度深度延伸，
第二章：模糊数学基础
-
模糊集合的交并补运算
-
常见的几种隶属度函数
-
模糊矩阵的合成和直积
-
几个计算：
第三章：模糊控制
- 模糊控制的特点
无需知道被控对象的数学模型，以控制经验为依据、是一种反映人类智慧思维的智能控制、易被人们所接受、构造容易、鲁棒性好
2、模糊控制器的基本结构
3、模糊控制算法步骤
步骤1：通过被控对象输出值与系统给定值比较，得到偏差信号的精确量
步骤2：将偏差信号的精确量转化为模糊量
步骤3：根据偏差信号的模糊量和模糊规则，通过模糊推理得到控制信号的模糊量
步骤4：将控制信号模糊量转化为精确量
- 模糊控制器的设计内容
（1）确定模糊控制器的输入变量和输出变量；
（2）设计模糊控制器的控制规则；
（3）确立模糊化和非模糊化的方法；
（4）选择模糊控制器的输入变量及输出变量的论域，
并确定模糊控制器的参数（量化因子、比例因子）。
-
模糊控制器的结构
-
最大隶属度法
-
重心法
-
量化因子和比例因子
-
练习
-
模糊控制查表法
优势：对给定的偏差和偏差变化，很容易得到相应的控制输出、
模糊控制器存放的只是一个查询表，需要的存储空间很少 、
模糊控制查询表是离线建立的，它丝毫没有影响模糊控制器实时的速度，满足实时控制要求
- 模糊控制查询表的设计
确定输入、输出变量及其论域、量化因子、比例因子
定义输入和输出变量的语言值、 制定模糊控制规则
求模糊控制表（包括模糊化方法和去模糊方法的确定、模糊推理等）
- 求模糊控制表
得表：
-
液位控制的模糊控制器设计
-
作业
第四章：人工神经网络基础
- 人工神经网络的特性
并行性、非线性映射、学习与适应、分布式信息存储
- 神经元激励函数作用
控制输入对输出的激活作用；
对输入、输出进行函数转换；
将可能无限域的输入变换成指定的有限范围内的输出。
3、激活函数种类
- 神经元网络分类
前向网络（BP网络、感知器）、反馈网络（神经认知机）、全互连网络（Hopfield网络）、混合性网络（RNN）
第五章：典型人工神经网络
- 单神经元感知器用途
实现模式分类识别器，解决只有两类的模式识别问题、只能识别具有线性边界的识别问题
实现逻辑函数功能，二值逻辑单元，不能实现异或
- 多层感知器的结构和功能
(1) 实现任意的布尔函数；
(2) 在模式识别问题中，它能划分输入空间，生成复杂的边界；
(3) 最后，它能逼近从RN到RM的任意连续映射。
3、BP算法基本思想
学习过程由信号的正向传输和偏差的反向传播组成。
在正向传输过程中，输入样本由输入层，经各隐含层作用后，传向输出层。
若输出层输出与期望输出的偏差较大，则进行偏差的反向传播过程。该过程是将输出偏差以某种方式，通过输出层、隐含层传播至输入层，并将偏差分摊给各层的神经元上，以获 得各层单元的偏差信号，并根据该信号调整神经单元间的连接权。
结构图：
- BP算法的局限性影响因素以及改进措施
局限性：
由于采用非线性梯度优化算法，往往得到的是问题的局部极小解；
迭代次数多 使得学习效率降低；
在学习新样本时，有遗忘旧样本的趋势，且要求表征每个样本的特征数目要相同。
影响因素：
初值权值：
随机选较小的值，尽量均匀覆盖权值空间，避免出现初始权值相同的情况。
激活函数：
由于常规的Sigmoid函数容易产生饱和现象，可通过调节Sigmoid函数的斜率或采用其它激励函数来改善网络的学习性能。
学习率：
学习率越大，收敛越快，但是，容易产生振荡；学习率越小，收敛越慢。。
改进措施：自适应变学习率方法、增加一个惯性项（一方面在一定程度上保持在前一次调整的方向上移动；另一方面滤除在偏差函数曲面陡变部分造成的错误调整 ）、增量型学习、积累型学习、与优化算法结合
算法基本流程：
-
BP网络的训练计算前向输出
-
径向基函数网络结构
一个隐层，一个输出层
高斯核函数：
参数：高斯基函数的中心、高斯基函数的宽度、隐含层和输出层之间的连接权
6、BP网络与RBF网络的对比
函数逼近：BP网络：由于采用了Sigmoid函数作为激活函数，对输入信号无限大的范围内均 会产生非零值，激活函数可全局接收输入信息；
RBF网络：隐含层神经元采用高斯基函数作为激活函数，只有距离基函数中心比较 近的输入会明显影响到网络的输出，因此，激活函数具有较强的局部 映射能力。
网络结构：BP网络可以由任意层神经元组成
RBF网络只有两层结构，即仅包含一个隐层和一个输出层。
学习速度：RBF网络比BP网络训练速度快，比较适合于对系统的实时
辨识和在线控制。
网络设计：择合适的径向基函数也是RBF网络设计的难点
功能：模式识别问题，RBF网比感知器有效得多、函数拟合问题，感知器用的隐节点少，比 RBF网的效率高
- 离散型Hopfiled网络两种工作方式
串行(异步)工作方式。
练习：
并行(同步)工作方式。
7、DHNN网络的联想记忆的基本条件
基本条件:
(1)能够收敛于稳定状态，利用此稳态来记忆样本信息；
(2)具有回忆能力，由某一残缺信息回忆起比较完整的记忆
实现的两个阶段：
学习记忆阶段：通过学习规则设计权值，获得能量井的分布；使不同的稳态对应于不同的记忆样本
联想记忆阶段：通过输入某一初始状态，找到与之海明距离意义上最近的稳态。正确回忆与错误回忆
- Hopfield网络例题
第六章：神经网络控制
- 神经网络用于控制的优越性
可以用于处理难以用模型或规则描述的过程或系统、适于处理实时性要求高的控制系统
可以实现任何非线性映射、具有很强的信息综合能力、硬件实现愈趋方便。
- 神经网络在控制中的作用
基于精确模型的各种控制结构中充当对象的模型——辨识。
在反馈控制系统中直接充当控制器——控制器。
在传统控制器中优化计算作用——优化PID参数。
在与其它智能控制方法和优化算法相融合中，为其提供非参
数化对象模型、优化参数、推理模型及故障诊断等
- 神经网络系统辨识
在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。
神经网络辨识的三要素：模型的选择、输入信号的选择、偏差准则的选择
神经网络辨识的特点：不要求建立实际系统的辨识格式、可以对本质非线性系统进行辨识、
收敛速度只与神经网络结构和所采用的学习算法有关、神经网络可以作为待辨识系统的 物理实现，用于在线控制。
4、 前向建模法（基于神经网络的非线性动态辨识）
利用神经网络来逼近非线性系统的前向动力学模型。
5、逆模型法
在非线性系统的控制中经常需要非线性系统的逆模型。
逆模型建模方法的缺陷：学习方法不一定是目标最优的、建模不精确
改进缺陷1）的策略:
① 适当地在稳定工作态下加入一个小信号的随机输入信号，从而提高系统的可辨识能力(模型的充分激励问题）。
② 借鉴神经控制器的指导思想和学习方法，采用下图的逆模型建模结构。逆模型的输入可以遍及整个系统的输入空间。
- 单神经元PID自适应控制
在控制系统中，利用一个神经元作为控制器，实现类似于PID控制器的功能，但其参数可以不断调整，从而实现自适应控制功能。
7、神经网络直接逆模型控制
假设被控系统可逆，通过离线建模过程得到系统的逆模型网络，然后用这一逆网络模型去直接控制被控对象。
应用前提:
系统的结构已知，即m，n已知；系统可逆
逆动力学模型：
局限性：采用离线设计方法，没有考虑到系统本身的输入输出状态，因此，一旦系统的 环境、参数发生变化时，这类控制器就不再适用。采用BP算法时，需要假设被控对象
的期望控制量已知，这在实际系统中往往难以实现。直接逆模型控制是开环控制，对 逆模型误差和干扰等十分敏感，鲁棒性较差，仅适用于比较简单的场合。
第七章：智能优化及其应用
1.遗传算法的基本步骤
第一章：智能控制概述
简答：
1、智能控制的产生？
控制系统的复杂性：被控对象、环境、控制任务
传统控制理论与方法的局限性：缺乏合适的系统描述方法
缺乏有效的处理不确定性的方法
传统控制输入信息的单一性
与人的经验知识结合的必要性。
- 智能控制的发展历程？
萌芽期20世纪60年代：扎德的模糊集合论、费根鲍勃专家系统、门德尔人工智能控制
利昂兹智能控制
形成期20世纪70年代：傅京孙人工智能技术与自动控制技术的交叉，人、人机结合、无人参与，基于规则的控制，玛丹尼基于模糊语言描述控制规则的模糊控制器、自组织模糊控制器
发展期（约1980以后）：Hopfield引入了能量函数、机器人系统、实时专家系统、智能控制系统等的出现
-
智能控制的典型结构：
-
结构特点：被控对象描述的混合性、信息处理的层次性、控制器结构的组合性
-
功能特点：学习能力、适应能力、组织能力
-
智能控制分类：
模糊控制、神经控制、仿人控制
模拟人类各种优良的控制调节机制的学习控制
基于知识工程的专家控制
复合智能控制
- 典型的复合智能控制：
基于模糊神经网络的智能控制
基于神经网络和学习控制的智能控制
基于神经网络和专家系统的智能控制
PID模糊控制
神经网络自校正控制
- 控制理论的发展过程：
古典控制理论，20世纪30－50年代，单输入单输出线性系统，传递函数，线性常系数微分方程，代数判据根轨迹法，频率响应法，PID控制器设计
现代控制理论，20世纪50－70年代，多输入多输出系统，线性/非线性；定常/时变；连续/离散，非线性微分方程，状态方程、传递矩阵，状态空间描述法，代表人物，贝尔曼、卡尔曼、朗道，最优控制、时滞系统控制、基于网络的控制
大系统理论与智能控制，20世纪70年代末至今，控制理论的深度广度深度延伸，
第二章：模糊数学基础
-
模糊集合的交并补运算
-
常见的几种隶属度函数
-
模糊矩阵的合成和直积
-
几个计算：
第三章：模糊控制
- 模糊控制的特点
无需知道被控对象的数学模型，以控制经验为依据、是一种反映人类智慧思维的智能控制、易被人们所接受、构造容易、鲁棒性好
2、模糊控制器的基本结构
3、模糊控制算法步骤
步骤1：通过被控对象输出值与系统给定值比较，得到偏差信号的精确量
步骤2：将偏差信号的精确量转化为模糊量
步骤3：根据偏差信号的模糊量和模糊规则，通过模糊推理得到控制信号的模糊量
步骤4：将控制信号模糊量转化为精确量
- 模糊控制器的设计内容
（1）确定模糊控制器的输入变量和输出变量；
（2）设计模糊控制器的控制规则；
（3）确立模糊化和非模糊化的方法；
（4）选择模糊控制器的输入变量及输出变量的论域，
并确定模糊控制器的参数（量化因子、比例因子）。
-
模糊控制器的结构
-
最大隶属度法
-
重心法
-
量化因子和比例因子
-
练习
-
模糊控制查表法
优势：对给定的偏差和偏差变化，很容易得到相应的控制输出、
模糊控制器存放的只是一个查询表，需要的存储空间很少 、
模糊控制查询表是离线建立的，它丝毫没有影响模糊控制器实时的速度，满足实时控制要求
- 模糊控制查询表的设计
确定输入、输出变量及其论域、量化因子、比例因子
定义输入和输出变量的语言值、 制定模糊控制规则
求模糊控制表（包括模糊化方法和去模糊方法的确定、模糊推理等）
- 求模糊控制表
得表：
-
液位控制的模糊控制器设计
-
作业
第四章：人工神经网络基础
- 人工神经网络的特性
并行性、非线性映射、学习与适应、分布式信息存储
- 神经元激励函数作用
控制输入对输出的激活作用；
对输入、输出进行函数转换；
将可能无限域的输入变换成指定的有限范围内的输出。
3、激活函数种类
- 神经元网络分类
前向网络（BP网络、感知器）、反馈网络（神经认知机）、全互连网络（Hopfield网络）、混合性网络（RNN）
第五章：典型人工神经网络
- 单神经元感知器用途
实现模式分类识别器，解决只有两类的模式识别问题、只能识别具有线性边界的识别问题
实现逻辑函数功能，二值逻辑单元，不能实现异或
- 多层感知器的结构和功能
(1) 实现任意的布尔函数；
(2) 在模式识别问题中，它能划分输入空间，生成复杂的边界；
(3) 最后，它能逼近从RN到RM的任意连续映射。
3、BP算法基本思想
学习过程由信号的正向传输和偏差的反向传播组成。
在正向传输过程中，输入样本由输入层，经各隐含层作用后，传向输出层。
若输出层输出与期望输出的偏差较大，则进行偏差的反向传播过程。该过程是将输出偏差以某种方式，通过输出层、隐含层传播至输入层，并将偏差分摊给各层的神经元上，以获 得各层单元的偏差信号，并根据该信号调整神经单元间的连接权。
结构图：
- BP算法的局限性影响因素以及改进措施
局限性：
由于采用非线性梯度优化算法，往往得到的是问题的局部极小解；
迭代次数多 使得学习效率降低；
在学习新样本时，有遗忘旧样本的趋势，且要求表征每个样本的特征数目要相同。
影响因素：
初值权值：
随机选较小的值，尽量均匀覆盖权值空间，避免出现初始权值相同的情况。
激活函数：
由于常规的Sigmoid函数容易产生饱和现象，可通过调节Sigmoid函数的斜率或采用其它激励函数来改善网络的学习性能。
学习率：
学习率越大，收敛越快，但是，容易产生振荡；学习率越小，收敛越慢。。
改进措施：自适应变学习率方法、增加一个惯性项（一方面在一定程度上保持在前一次调整的方向上移动；另一方面滤除在偏差函数曲面陡变部分造成的错误调整 ）、增量型学习、积累型学习、与优化算法结合
算法基本流程：
-
BP网络的训练计算前向输出
-
径向基函数网络结构
一个隐层，一个输出层
高斯核函数：
参数：高斯基函数的中心、高斯基函数的宽度、隐含层和输出层之间的连接权
6、BP网络与RBF网络的对比
函数逼近：BP网络：由于采用了Sigmoid函数作为激活函数，对输入信号无限大的范围内均 会产生非零值，激活函数可全局接收输入信息；
RBF网络：隐含层神经元采用高斯基函数作为激活函数，只有距离基函数中心比较 近的输入会明显影响到网络的输出，因此，激活函数具有较强的局部 映射能力。
网络结构：BP网络可以由任意层神经元组成
RBF网络只有两层结构，即仅包含一个隐层和一个输出层。
学习速度：RBF网络比BP网络训练速度快，比较适合于对系统的实时
辨识和在线控制。
网络设计：择合适的径向基函数也是RBF网络设计的难点
功能：模式识别问题，RBF网比感知器有效得多、函数拟合问题，感知器用的隐节点少，比 RBF网的效率高
- 离散型Hopfiled网络两种工作方式
串行(异步)工作方式。
练习：
并行(同步)工作方式。
7、DHNN网络的联想记忆的基本条件
基本条件:
(1)能够收敛于稳定状态，利用此稳态来记忆样本信息；
(2)具有回忆能力，由某一残缺信息回忆起比较完整的记忆
实现的两个阶段：
学习记忆阶段：通过学习规则设计权值，获得能量井的分布；使不同的稳态对应于不同的记忆样本
联想记忆阶段：通过输入某一初始状态，找到与之海明距离意义上最近的稳态。正确回忆与错误回忆
- Hopfield网络例题
第六章：神经网络控制
- 神经网络用于控制的优越性
可以用于处理难以用模型或规则描述的过程或系统、适于处理实时性要求高的控制系统
可以实现任何非线性映射、具有很强的信息综合能力、硬件实现愈趋方便。
- 神经网络在控制中的作用
基于精确模型的各种控制结构中充当对象的模型——辨识。
在反馈控制系统中直接充当控制器——控制器。
在传统控制器中优化计算作用——优化PID参数。
在与其它智能控制方法和优化算法相融合中，为其提供非参
数化对象模型、优化参数、推理模型及故障诊断等
- 神经网络系统辨识
在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。
神经网络辨识的三要素：模型的选择、输入信号的选择、偏差准则的选择
神经网络辨识的特点：不要求建立实际系统的辨识格式、可以对本质非线性系统进行辨识、
收敛速度只与神经网络结构和所采用的学习算法有关、神经网络可以作为待辨识系统的 物理实现，用于在线控制。
4、 前向建模法（基于神经网络的非线性动态辨识）
利用神经网络来逼近非线性系统的前向动力学模型。
5、逆模型法
在非线性系统的控制中经常需要非线性系统的逆模型。
逆模型建模方法的缺陷：学习方法不一定是目标最优的、建模不精确
改进缺陷1）的策略:
① 适当地在稳定工作态下加入一个小信号的随机输入信号，从而提高系统的可辨识能力(模型的充分激励问题）。
② 借鉴神经控制器的指导思想和学习方法，采用下图的逆模型建模结构。逆模型的输入可以遍及整个系统的输入空间。
- 单神经元PID自适应控制
在控制系统中，利用一个神经元作为控制器，实现类似于PID控制器的功能，但其参数可以不断调整，从而实现自适应控制功能。
7、神经网络直接逆模型控制
假设被控系统可逆，通过离线建模过程得到系统的逆模型网络，然后用这一逆网络模型去直接控制被控对象。
应用前提:
系统的结构已知，即m，n已知；系统可逆
逆动力学模型：
局限性：采用离线设计方法，没有考虑到系统本身的输入输出状态，因此，一旦系统的 环境、参数发生变化时，这类控制器就不再适用。采用BP算法时，需要假设被控对象
的期望控制量已知，这在实际系统中往往难以实现。直接逆模型控制是开环控制，对 逆模型误差和干扰等十分敏感，鲁棒性较差，仅适用于比较简单的场合。
第七章：智能优化及其应用
1.遗传算法的基本步骤
- 粒子群算法的步骤：
1.初始化粒子群，给予随机的位置和速度；
2.评估每个粒子的适应度值；
3.对每个粒子，更新历史最优位置；
4.对群体更新历史最优解；
5.对所有粒子更新位置和速度；
6.若达到终止条件，则终止，否则转步骤2；
- 粒子群算法的步骤：
1.初始化粒子群，给予随机的位置和速度；
2.评估每个粒子的适应度值；
3.对每个粒子，更新历史最优位置；
4.对群体更新历史最优解；
5.对所有粒子更新位置和速度；
6.若达到终止条件，则终止，否则转步骤2；