神经网络与模糊控制考试题及答案 - 图文

历 年 题 库

30. 试述何为有导师学习？何为为无导师学习？

有导师学习也称为有监督学习，这种学习模式采用的是纠错规则。在学习训练过程中需要不断给网络成对提供一个输入模式和一个期望网络正确输出的模式，称为“教师信号”。将神经网络的实际输出同期望输出进行比较，当网络的输出与期望输出不符时，根据差错的方向和大小按一定的规则调整权值，以使下一步网络的输出更接近期望结果。

无导师学习也称为无监督学习，学习过程中，需要不断给网络提供动态输入信息，网络能根据特有的内部结构和学习规则，在输入信息流中发现任何可能存在的模式和规律，同时能根据网络的功能和输入信息调整权值，这个过程称为网络的自组织，其结果是使网络能对属于同一类的模式进行自动分类。

31．简述间接型专家控制器的概念及其分类。

间接型专家控制器用于和常规控制器相结合，组成对生产过程或被控对象进行间接控制的智能控制系统。具有模拟（或延伸，扩展）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(1分)。按照高层决策功能的性质，间接型专家控制器可分为以下几种类型： ① 优化型专家控制器(1分)；② 适应型专家控制器(1分)；③ 协调型专家控制器(1分)；④ 组织型专家控制器(1分)。 32. 简述基本遗传算法的构成要素。

（1）染色体编码方法，基本遗传算法使用固定长度的二进制来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的，其中个体的基因值可用均匀分布的随机值来生成。 (2)个体适应度评价，基本遗传算法与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体的概率多少。为正确计算这个概率必须先确定出由目标函数值J(x)到个体适应度函数F(x)的转换规则；

(3)遗传算子，即选择运算、交叉运算和变异运算的基本遗传算子； (4)基本遗传算法的运行参数，即Ｍ、Ｇ、33. 简述遗传算法的应用领域。

Pc和

Pm等参数。

遗传算法的应用领域：（ 1）函数优化；（2）组合优化；（3）生产调度问题；（4）自动控制；（5）机器人；（6）图像处理；（７）人工生命（８）遗传编程（９）机器学习。 34. 简述基本遗传算法的特点。

见书P201页

35. 简述基本遗传算法的应用步骤。

（1）确定决策变量及各种约束条件,即确定出个体的表现型Ｘ和问题的解空间；

(2)建立优化模型，即确定出目标函数的类型及数学描述形式或量化方法； （3）确定表示可行解的染色体编码方法，即确定出个体的基因型Ｘ及遗传算法的搜索空间；

(4)确定个体适应度的量化评价方法，即确定出由目标函数值J(x)到个体适应度函数F(x)的转换规则；

(5)设计遗传算子，即确定选择运算、交叉运算、变异运算等遗传算子的具体操作方法；

历 年 题 库

(6)确定遗传算法的有关运行参数，即Ｍ、Ｇ、Pc和Pm等参数； (7)确定解码方法，即确定出由个体表现型Ｘ到个体基因型x的对应关系或转换方法。

36．简述神经网络的发展历程。

神经网络的发展历程经过4个阶段。

（1 ）启蒙期（1890-1969年）( 1分) （2 ）低潮期（1969-1982）( 1分) （3） 复兴期（1982-1986）( 2分)

1982年，物理学家Hoppield提出了Hoppield神经网络模型，该模型通过引入能量函数，实现了问题优化求解，1984年他用此模型成功地解决了旅行商路径优化问题(TSP)。

在1986年，在Rumelhart和McCelland等提出了一种著名的多层神经网络模型，即BP网络。该网络是迄今为止应用最普遍的神经网络。 （4） 新连接机制时期（1986-现在）( 1分) 神经网络从理论走向应用领域。 37．简述神经网络具备的特征。

（1）能逼近任意非线性函数；( 1分)

（2）信息的并行分布式处理与存储；( 1分) (3) 可以多输入、多输出；( 1分)

（4）便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现；( 1分)

（5）能进行学习，以适应环境的变化。( 1分) 38．简述BP基本算法的优缺点。

BP网络的优点为：

（1）只要有足够多的隐层和隐层，BP网络可以逼近任意的非线性映射关系；

(2) 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，个别神经元的损坏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。 BP网络的主要缺点为：

（1）待寻优的参数较多，收敛速度较慢；

(2)目标函数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）难以确定隐层和隐层节点的数目。

39.简述RBF神经网络和BP神经网络的主要区别。

RBF神经网络的学习过程和BP神经网络的学习过程类似，二者的主要区别在于各使用不同的作用函数。BP神经网络中隐层使用的Sigmoid是函数，其值在输入空间中无限大的范围内为非零值，因而是一种全局逼近的神经网络（２分）；而RBF神经网络的作用函数是高斯函数，其值在输入空间中有限的范围内为非零值，因而是一种局部逼近的神经网络（２分），采用RBF神经网络可大大加快学习的速度，适合于实时控制的要求。（１分） 40．简述BP神经网络中，BP算法的基本思想。

误差反向传播的学习算法简称BP算法，其基本思想是按梯度下降法进行学习。 它采用梯度搜索技术，以期使网络的实际输出值与期望的输出值的误差均方值为最小。

历 年 题 库

41、模糊控制与传统控制的不同之处：

传统控制方法均是建立在被控对象精确数学模型基础上的，然而，随着系统复杂程度的提高，将难以建立系统的精确数学模型；模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础，从行为上模仿人的模糊推理和决策过程的一种智能控制方法。该控制方法适应对象的复杂性和不确定性，不需要依赖对象的精确数学模型可实现复杂系统的控制。 42、模糊控制器设计包括几项内容？

1．（本题5分）模糊控制器设计包括几项内容？

1）确定模糊控制器的输入变量和输出变量(即控制量) 2）设计模糊控制器的控制规则

3）确立模糊化和非模糊化（又称清晰化）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（如量化因子、比例

因子）

5）编制模糊控制算法的应用程序 6）合理选择模糊控制算法的采样时间

三、作图题

1. 分别画出以下应用场合下适当的隶属函数： （a）我们绝对相信

??附近的e(t)是“正小”，只有当e(t)足够远离时，我们才失去e(t)是44“正小”的信心；（4分） （b）我们相信

??附近的e(t)是“正大”，而对于远离的e(t)我们很快失去e(t)是“正大”22的信心；（4分） （c）随着e(t)从

??向左移动，我们很快失去e(t)是“正小”的信心，而随着e(t)从向右移44动，我们较慢失去e(t)是“正小”的信心。（4分）

1．

(a) (b) (c) 2. 分别画出以下应用场合下适当的隶属函数： （a）我们绝对相信

??附近的e(t)是“正小”，只有当e(t)足够远离时，我们才失去e(t)是22“正小”的信心；（4分） （b）我们相信

??附近的e(t)是“正大”，而对于远离的e(t)我们很快失去e(t)是“正大”33的信心；（4分）

历 年 题 库

（c）随着e(t)从

??向左移动，我们很快失去e(t)是“正小”的信心，而随着e(t)从向右移66动，我们较慢失去e(t)是“正小”的信心。（4分）

??1.0正小1.00.5正大0.5??e?t?,?rad.?3e?t?,?rad.?

2

(a) (b)

3.论域X=[0，100]上的模糊集合A代表“偏大”，在[0，80]区间上A(x)?0.0125x，在（80，100]区间上A(x)?1。

（1）写出A的隶属度函数的解析表达式 （2）画出A的隶属度函数曲线 答 A(x)?0.0125x 0?x?80

1 80?x?100 （2分） 图略（2分）

4.设实数论域X上的模糊集A “大约是5”采用高斯型隶属函数表示，其中参数

??1,c?52

（1）写出A的隶属度函数的解析表达式 （2分） （2）画出A的隶属度函数曲线 （2分）

答（1） A(x)?e?(x?5) （2分） （2） 图略（2分）

5.设实数论域X上的模糊集A “大约是6”采用三角形隶属函数表示，其中参数a=3; b=6; C=8

（1）写出A的隶属度函数的解析表达式 （2）画出A的隶属度函数曲线

2