智能控制习题答案

b)在matlab中simulink仿真图如下：

第四章 神经网络基础

1、生物神经元模型的结构功能是什么？ 答：生物神经元结构：

（1）、细胞体：由细胞核、细胞质和细胞膜等组成。 （2）、树突：胞体上短而多分枝的突起。相当于神经元的输入端，接受传入的神经冲动。 （3）、轴突：胞体上最长枝的突起，也称神经纤维。端部有很多神经末稍传出神经冲动。 （4）、突触：神经元间的连接接口，每个神经元约有1万~10万个突触。神经元通过其轴突的神经末稍，经突触与另一神经元的树突联接，实现信息的传递。由于突触的信息传递特性是可变的，形成了神经元间联接的柔性，称为结构的可塑性。

（5）、细胞膜电位：神经细胞在受到电的、化学的、机械的刺激后，能产生兴奋，此时，细胞内外有电位差，称膜电位。电位膜内为正，膜外为负。

生物神经元功能： （1）、兴奋与抑制

当传入神经元的冲动，经整合，使细胞膜电位升高，超过动作电位的阈值时，为兴奋状态，产生神经冲动，由轴突经神经末稍传出。

当传入神经元的冲动，经整合，使细胞膜电位降低，低于阈值时，为抑制状态，不产生神经冲动。 （2）、学习与遗忘

由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此，神经元有学习与遗忘的功能。 2、人工神经元模型的特点是什么？ 答：人工神经元模型的特点：

（1）、神经元及其联接；（2）、神经元间的联接强度决定信号传递的强弱；（3）、神经元间的联接强度是可以随训练改变的；（4）、信号是可以起刺激作用的，也可以起抑制作用；（5）、一个神经元接受的信号的累积效果决定该神经元的状态；（6）、每个神经元可以有一个“阈值”。 3、人工神经网络的特点是什么？如何分类？ 答：人工神经网络的特点：

（1）、非线性（2）、分布处理（3）、学习并行和自适应（4）、数据融合（5）、适用于多变量系统 （6）、便于硬件实现 人工神经网络的分类：

根据神经网络的连接方式，神经网络可分为三种形式： （1）、前向网络：神经元分层排列，组成输入层、隐含层和输出层。每一层的神经元只接受前一层神经元的输入。输入模式经过各层顺次的变换后，由输出层输出。在各神经元间不存在反馈。感知器和误差反向传播网络采用前向网络形式。

（2）、反馈网络：该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来

自输出神经元的反馈。这种神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。

（3）、自组织网络：当神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的响应特征，即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，所以也称为自组织特征图。 4、有哪几种常用的神经网络学习算法？ 常用的神经网络学习算法： （1）、有教师学习：在学习过程中，网络根据实际输出与期望输出的比较，进行联接权系的调整，将期望输出称导师信号是评价学习的标准。

（2）、无教师学习：无导师信号提供给网络，网络能根据其特有的结构和学习规则，进行联接权系的调整，此时网络学习评价的标准隐含于其内部。

（3）、再励学习:把学习看为试探评价过程，学习及选择一动作作用于环境，环境的状态改变，并产生再励信号反馈至学习机，学习机依据再励信号与环境当前的状态，再选择下一动作作用于环境，选择的原则是使受到奖励的可能性增大。

（4）、Hebb学习规则 （5）、Delta学习规则

第五章 典型神经网络

1、BP算法的特点是什么？增大权值是否能够使BP学习变慢？

答：误差反向传播的BP算法简称BP算法，是有导师的学习，其基本思想是梯度下降法。它采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差均方值为最小。学习的过程由正向传播和反向传播组成，在正向过程中，输入信息由输入层经隐层逐层处理，并传向输出层，每层神经元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，将误差信号按连接通路反向计算，由梯度下降法来调整各层神经元的权值，使误差信号减小。

主要优点：（1）非线性映射能力：无需事先了解描述这种映射关系的数学方程，只要提供足够多的样本模式对BP网络进行详细训练，它便能完成由n维输入空间到m输出空间的非线性映射。（2）泛化能力：当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射，这种能力称为多层前馈网络的泛化能力。（3）容错能力：输入样本中带有较大的误差，甚至个别错误对网络的输入输出规律影响很小。

标准的BP算法内在的缺陷：（1）易形成局部极小而得不到全局最优；（2）训练次数多使得学习效率低，收敛速度慢；（3）隐节点的选取缺乏理论指导；（4）训练时学习新样本有遗忘旧样本的趋势。增大权值不一定能够使BP学习变慢，由BP权值修正的原理可知，权值调整公式可汇总如下：

2、为什么说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网络的活化函数为S函数，其值在输入空间中无限大的范围内为非零值，因而是全局逼近的神经网络。

其突出特点如下：1、是一种多层网络化，包括输入层、隐含层和输出层；2、层与层之间采用全互联方式，同一层神经元不连接；3、权值通过delta 学习算法进行调节；4、神经元活化（激发）函数为S函数；5、学习算法由正向算法和反向算法组成；6、层与层之间的连接时单向的，信息的传播史双向的。

RBF网络的活化函数为高斯基函数，其值在输入空间中有限范围内为非零值，并且RBF神经网络的神经元具有局部逼近的神经网络。其输出特点如下：1、RBF径向基函数是局部的，学习速度快；2、已证明RBF网络具有唯一最佳逼近的特性，且无局部最小；3、在函数创建过程中可以自动增加隐含层的神经元个数，直到满足均方差要求为止无需单独的代码来训练函数，网络的创建过程就是训练过程。4、RBF网络用于非线性系统辨识与控制中，虽具有唯一最佳逼近特性，且无局部最小的优点，避免去确定隐层和隐层点数，网络可以根据具体问题自适应的调整，因此适应性更好。

3、何为神经网络的泛化能力？影响泛化能力的因素有哪些？ 答：泛化能力（综合能力、概括能力）：用较少的样本进行训练，是网络能在给定的区域内达到要求的精度。所以没有泛化能力的网络没有使用价值。

影响泛化能力的因素：1、样本；2、结构；3、初始权值4、训练样本集；5、需测试集。 4. 已知一个非线性函数y?1(?x12)sin(2?x2)，试用三层BP网络逼近输出y，画出网络的结构，写出网络各层节点2的表达式以及各层节点输出值的范围。 解：非线性函数y?1(?x12)sin(2?x2)画出三层BP网络的结构图 2

由输入得到两个隐节点、一个输出层节点的输出，输入层不考虑阈值 两个隐节点、一个输出层节点输出为

活化函数选择S型函数y?f(xl)?1 ?xl1?e如教材例6.1，取第一个输入、输出神经元与各隐含神经元的连接权均为1，第二个输入、输出神经元与各隐含层单元的连接权为2.则

由上式可得

第六章 高级神经网络

k1.PID控制器的一般形式为u(k)?kpe(k)?ki?e(j)?k[e(k)?e(k?1)]，也可写成等价形式

dj?0u(k)?k1u1(k)?k2u2(k)?k3u3(k)，其中u1(k)?e(k),u2(k)??e(k),j?0k，k1,k2,k3为PID控制器kp,ki,kd三个参数u3(k)??e(k)?e(k)?e(k?1)的线性表示。这一形式可以看成以u1(k),u2(k),u3(k)为输入，k1,k2,k3为权系数的神经网络结构，试推导出自适应神经网络PID控制器参数调整的学习算法。

解：自适应神经网络PID控制器结构如下图所示：

由图可知：控制器由两部分组成，分别为常规PID控制和神经网络。其中，常规PID直接对被控对象进行闭环控制，并且其控制参数kp、ki、kd为在线调整方式；神经网络根据系统的运动状态，调节PID控制器的参数，使输出层神经元的输出对应于PID控制器的三个可调参数。

学习算法如下：首先确定神经网络的结构，即确定输入节点数和隐含层节点数，并给出各层加权系数的初值w1和w2，并选定学习速率和惯性系数，令k=1；采样得到r(k)和y(k),计算当前时刻误差r(k)-y(k)；计算各神经网络的输入和输出，其输出层的输出即为PID控制器的三个控制参数kp、ki、kd并计算PID控制器的输出进行神经网络学习，在线调整加权系数，实现PID控制参数的自适应调整；令k=k1,进行上述步骤。 网络各层输入输出算法：