爱游戏智能控制_

　　爱游戏爱游戏爱游戏智能控制的特点：(1)分层递阶的组织结构 (2)自学习能力 (3)自适应能力 (4)自组织能力 (5)优化能力

　　4、专家系统：是一类包含着知识和推理的智能计算机程序，其内部含有大量的某个领域的专家水平的知识和经验，具有解决专门问题的能力。

　　1、智能控制:即设计一个控制器（或系统），使之具有学习、抽象、推理、决策等功能，并能根据环境（包括被控对象或被控过程）信息的变化做出适应性反应，可以有各种人工智能的水平，从而实现由人来完成的任务。

　　③与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。

　　神经网络控制器是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用，一旦系统出现干扰，反馈控制器重新起作用。

　　(1)基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型。

　　(2) 神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性。

　　①通过对传统控制器进行学习，然后用神经网络控制器逐渐取代传统控制器的方法，称为神经网络监督控制。神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。

　　②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。

　　9、人工神经网络是模拟人脑思维方式的数学模型。神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。

　　（1）前向网络:每一层的神经元只接受前一层神经元的输入。输入模式经过各层的顺次变换后，由输出层输出。在各神经元之间不存在反馈。感知器和误差反向传播网络采用前向网络形式。

　　设参考模型输出为 ym(k) ，控制系统要求对象的输出y(k)能够跟踪参考模型的输出ym(k)。则跟踪误差为

　　8、宽度优先搜索方法：搜索的节点是一层一层地检查的，只有在上一层的每一个节点都检查完毕之后，这一层的节点才能开始检查，也就是说，节点的扩展是按它们接近起始节点的程度依次进行的。

　　深度优先搜索方法就是按“最晚产生（最深的）节点优先扩展”的搜索方法，深度相等的节点其顺序可以任意排列。也就是总是向亲代到子代方向进行，直到不得不返回追踪的搜索。从树的观点看，不是从左枝开始，就是从右枝开始。

　　11、神经网络的学习算法按有无导师分类：①有导师学习，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。② 无导师学习，输入模式进入网络后，网络按照一预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。③再励学习，是介于上述两者之间的一种学习方式。

　　在RBF网络结构中，取网络的输入为r(k)，网络的径向基向量为H=[h1,…,hm]T，hj为高斯基函数：

　　式中：j＝1,…,m， bj为节点j的基宽参数， bj0，Cj为网络第j个节点的中心矢量。

　　（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；

　　（3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。

　　13、径向基函数(RBF)神经网络是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，因此，RBF网络是一种局部逼近的神经网络，已证明它能以任意精度逼近任意连续函数。

　　（3）神经网络在本质上是非线性系统，可以实现任意非线性映射，神经网络在非线性控制系统中具有很大的发展前途。

　　（4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题；

　　（5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段，为神经网络在控制中的应用开辟了广阔的前景。

　　（1）第一次匹配，R1触发，综合数据库更新数据为W1“它是农产品，食物为绿色，重5KG”；

　　（4）重复以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发， R1、R3、R5删除，执行R6，综合数据库更新数据为W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG”；

　　（5）以W4为匹配数据，第四次匹配， R1、R3、R5、R6触发， R1、R3、R5、R6都已执行，全部删除，所有规则匹配完毕，所以综合数据库W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG”，得到问题的求解。

　　7、正向推理（推理机的工作过程如下：① 推理机将知识库中的规则前提与这些事实进行匹配；一般是将每条规则的前提取出来，验证这些前提是否在数据库中，若都在，则匹配成功；不然的话，则取下一条规则进行匹配。②把匹配成功的规则的结论作为新的事实添加到综合数据库中。③ 用更新后的综合数据库中的事实，重复上面两个步骤，直到某个事实就是意想中的结论或是不再有新的事实产生为止。）

　　专家控制：是将专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下，仿效专家的经验，实现对系统的控制。

　　①专家系统能完成专门领域的功能，辅助用户决策；专家控制能进行独立的、实时的自动决策。专家控制比专家系统对可靠性和抗干扰有着更高的要求。

　　②专家系统处于离线工作方式，而专家控制要求在线获取反馈信息，即要求在线、专家控制器的分类

　　①直接型专家控制器：用于取代常规控制器，直接控制。具有模拟操作人工智能的功能。该控制器的任务和功能相对比较简单，但需要在线、实时控制。

　　②间接型专家控制器：用于和常规控制器相结合， 间接控制。具有模拟控制工程师智能的功能。该控制器能够实现优化适应、协调、组织等高层决策的智能控制。通常优化型、适应型专家控制器需要在线、实时、联机运行；协调型、组织型专家控制器可以离线、非实时运行，作为相应的计算机辅助系统。

　　（2）反馈网络:该网络结构在输出层到输入层存在反馈。需要工作一段时间才能达到稳定。Hopfield神经网络是其最典型的模型，它具有联想记忆的功能

　　(3) 自组织网络:Kohonen网络是最典型的自组织网络。不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。这种映射是通过无监督的自适应过程完成的。

　　（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。

　　（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，爱游戏个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。

　　14、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。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。

　　智能控制擅长解决非线性、时变等复杂控制问题，而传统控制适于解决线性、时不变等相对简单的控制问题。

　　智能控制的许多解决方案是在传统控制方案基础上的改进，因此，智能控制是对传统控制的扩充和发展，传统控制是智能控制的一个组成部分。

　　在这个意义上，传统控制和智能控制可以统一在智能控制的框架下，而不是被智能控制所取代。

　　（1）试按图中所给权值和阀值计算其输出，并填入线）指出该感知器实现的是何种逻辑。

　　(3) 神经网络与其他算法相结合：神经网络与专家系统、模糊逻辑、遗传算法等相结合可构成新型控制器。

　　(4) 优化计算：在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。

　　(5) 控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。

　　（2）以W1为匹配数据，第二次匹配，R1、R3、R6触发，R1已执行，将其删除，执行R3，综合数据库更新数据为W2“它是农产品，易坏食品，食物为绿色，重5KG”

　　（3）以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发，R1、R3已执行，将它们删除，执行R5，综合数据库更新数据为W3“它是农产品，它是牛肉，易坏食品，食物为绿色，重5KG”，得出结论是牛肉，与事实相违，此步因R5的不精确导致推理出错；

　　①传统控制方法在处理复杂化和不确定性问题方面能力很低；智能控制在处理复杂性、不确定性方面能力较高。智能控制系统的核心任务是控制具有复杂性和不确定性的系统，而控制的最有效途径就是采用仿人智能控制决策。

　　②传统控制是基于被控对象精确模型的控制方式；智能控制的核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。

　　②神经网络控制（从机理上对人脑生理系统进行简单结构的模拟，具有并行机制、模式识别、记忆和自学习能力的特点，能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性）

　　③遗传算法Leabharlann Baidu可用于模糊控制规则的优化及神经网络参数及权值的学习）

　　其中m为RBF网络隐层神经元的个数，wj为第j个网络隐层神经元与输出层之间的连接权，hj为第个j 隐层神经元的输出。

　　在RBF网络结构中，X=[x1,…xn]T为网络的输入向量。RBF网络的径向基向量为H=[h1,…hm]T，hj为高斯基函数：

　　其中j=1,…m， bj为节点j的基宽度参数，bj0，Cj为网络第j个结点的中心矢量，