智能控制技术复习题课后答案 - 图文

例：设论域U={u1，u2，u3，u4，u5}中的两个模糊子集为0.60.510.40.3A?????u1u2u3u4u50.50.60.30.40.7B?????u1u2u3u4u5则并为交为A?B??0.6?0.50.5?0.61?0.30.4?0.40.3?0.7????u5u4u3u2u10.50.50.30.40.3????u1u2u3u4u5中的任为U、C为论域，A、B模糊集运算的基本定律：设UA?B??0.6?0.50.5?0.61?0.30.4?0.40.3?0.7????u1u2u3u4u50.60.610.40.7????u1u2u3u4u5意模糊子集，则有1）幂等律A∩A=A，A∪A=A；，）∩C）=（A ∩B∩C2）结合律A∩（B）∪C；）=（A∪B∪CA∪（B3）交换律= B∪AA∩B=B∩A，A∪B 0

7、设论域X=[U1，U2，U3，U4，U5]，Y=[V1，V2，V3，V4，V5]，定义：

A=轻=1/u1+0.8/u2+0.6/u3+0.4/u4+0.2/u5, B=重=0.2/v1+0.4/v2+0.6/v3+0.8/v4+1/v5 确定模糊语言规则：if X是轻，则Y是不很重，所决定的模糊关系矩阵R，并计算出当X为很轻，很重条件下的模糊集合y

1.专家系统

1.简述建造专家系统的步骤与设计技巧。 2.用结构图描述专家系统的基本结构。

解：1.⑴建造专家系统的步骤： ① 设计初始知识库，包括问题知识化、知识概念化、概念形式化、形式规则化、

规则合法化；

② 原型机的开发与试验； ③ 知识库的改进与归纳。 ⑵专家系统的设计技巧：

① 设计系统时，首先集中精力研究一小部分假设，以及随之的观测或观察； ② 挑选那些最有利于区别各个假设的观测。

③ 在决定规则时，首先从确认或区分各种假设所需数量最少的观测组合开始； ④ 把不具有很强的预测或区别能力的观测组合起来； ⑤ 建立中间假设；

⑥ 以各种事例来试验所涉及的系统。 2.专家系统结构框图：

推理机人机接口数据库过程接口解释机构知识库知识获取

2.模糊控制

被控对象为水箱，水箱通过调节阀可向内抽水和向外抽水。试设计一个模糊控制器，通过调节阀门将水位稳定在固定点附近。假设理想的水位高度为h0，实际测得的水位高度为h，选择液位差为e??h?h0?h，将当前水位对于稳定值得偏差e作为观测值。试求模糊矩阵R。

解：首先，将输入量和输出量模糊化。将偏差e分成5个模糊集：负大（NB），负小（NS），零（ZO），正小（PS），正大(PB)。将偏差e的变化分成7个等级：-3，-2，-1，0，1，2，3，从而得到水位的变化模糊表：

水位的变化模糊表

隶属度 -3 0 0 0 0 1 -2 0 0 0 0.5 0.5 -1 0 0 0.5 1 0 模糊集 PB PS ZO NS NB 控制量u作为调节阀门开度的变化。将其分为5个模糊集：负大（NB），负小（NS），零（ZO），正小（PS），正大(PB)。将u的变化分成9个等级：-4，-3，-2，-1，

变化等级 0 1 0 0 0 1 1 0.5 0 0 0 0 2 0.5 0.5 0 0 0 3 1 0 0 0 0 0，1，2，3，4，得到控制量模糊划分表：

控制量模糊划分表 隶属度 -4 0 0 0 0 1 -3 0 0 0 0.5 0.5 -2 0 0 0 1 0 模糊PB 集 PS ZO NS NB 其次，规则模糊化。可以写成表格的形式为：

模糊控制规则表 IF NBe NSe ZOe THEN NBu NSu ZOu 变化等级 -1 0 1 0 0 0 0 0 0.5 0.5 1 0.5 0.5 0 0 0 0 0 2 0 1 0 0 0 3 0.5 0.5 0 0 0 4 1 0 0 0 0 PSe PSu PBe PBu 然后根据模糊规则，可以求模糊矩阵：

R?(NBe?NBu)?(NSe?NSu)?(ZOe?ZOu)?(PSe?PSu)?(PBe?PBu)

NBe?NBu?1??1.00.5000000?0.5??0.50.5000000????0??00000000????1.00.50000000?00000000?????0?0??00000000???00000000???0?0??00000000???同理可得到其他矩阵，经过五个矩阵求并集，可以得到：

=

0?0??0??0? 0??0?0??00000??1.00.50?0.50.50.50.50?000???00.50.50.50.5000???R??0001.00.5000?

?0000.50.51.00.50???00000.50.50.50.5???0000000.51.0???3.BP神经网络

一个三层网络，如下图所示。输入层和输出层的激活函数均为线性函数

f?0??s??s，f?2??s??s，而隐含层的激活函数f?1??s??0.1s。第一个输入神经元

?和各个隐含层神经元的连接权均为1，即w?j1,j?1,2,3,4,而第二个输入神经元1?1与各隐层神经元的连接权均为2，即w?j12??2,j?1,2,3,4,第一个输出层神经元和各

?1?隐含层单元的连接权均为1，w1,i?1,2,3,4,第二个输出层神经元和各隐含层i?1?0??0??1?x,x2??1,1?时，期望输出单元连接权均为2，即w2当输入?2,i?1,2,3,4,1i???d1,d2???1,2?，学习率为0.1.输入层不考虑阀值。

x1x2y1y2

问：（1）当?i1,i2???1,1?时，网络的实际输出是多少？

（2）误差反向传播时，传播到包括输入、隐含和输出各层的误差分别是多

少？ 解：

（1）向前计算：隐含层输出

?1??0??1??0?x1?1??f?1?w11x1?w12x2???f?1??1?1?2?1??f?1??3??0.311

同理可得：

??????x2?0.3,x3?0.3,x4?0.3

1输出层输出：

?2??1??2??1??2??1??2??1?x1?2??f?2?w11x1?w12x2?w13x3?w14x4??f?2??1?0.3?1?0.3?1?0.3?1?0.3??1.2?

?2?同理：x2?2.4

（2）反向计算：输出层的误差

?1?2??d1?x1?2?f??2?s1?2???1?1.2??1??0.2

?2?同理：?2??0.4

????