一、智能控制简介

1. 智能控制与传统控制的差别在什么地方
   传统控制方法研究的主要目标是被控对象， 而智能控制研究的主要目标是控制器本身。 智能控制的研究重点不在控制对象的数学模型分析，而在于智能控制器模型的建立， 包括知识的获取、 表示和存储，智能推理方式的设计等。 其控制对象和控制性能也与传统控制有很大不同

2. 选用智能控制的考虑因素有哪些
   （1）模型的不确定性
   （2）高度非线性
   （3）复杂的任务要求

3. 智能控制的含义
   智能控制是自动控制与人工智能的结合，它可以自动测量被控对象的被控制量，并求出与期望值的偏差，同时采集输入环境信息，进而根据采集的输入信息和已有的知识进行“推理思考” ，得到对被控对象的输出控制量，使偏差尽可能减小或消除。
   

4. 智能控制特点
   （1）无需建立被控对象的数学模型，特别适合非线性对象、时变对象和复杂不确定的控制对象。
   （2）具有分层递阶的控制组织结构，体现了“智能递增，精度递减” 的原理，便于处理大量的信息和储存的知识，并进行推理。
   （3）控制效果具有自适应能力，鲁棒性好
   （4）具有学习能力，控制能力可以不断增强

5. 智能控制主要组成部分
   智能控制器（信息采集处理，核心：知识库和推理机制，规划和控制决策）
   被控对象
   外部环境
   

二、模糊控制

模糊控制特点：

1. 不需要知道被控对象数学模型，但要求具备操作人员和专家的经验和知识
2. 基于语言变量的控制方式，控制规则本身构成了被控对象的模糊模型
3. 鲁棒性好，适用于非线性、时变的系统控制

模糊控制组成部分及其功能

三、神经网络

1. 神经元的种类有哪些？其输入输出间的函数关系如何？
   线性神经元 ：线性关系 线性激活函数
   非线性神经元：高斯型 sigmoid型
2. 神经网络按连接的拓扑结构和信息流向分别应该如何分类？简述每一类型的特征
   层次性网络：神经元按照功能分为若干层
   互连型网络结构：任意两个神经元之间都可能相互连接
   前向网络：神经元分层排列；网络信息处理按照输入层到隐含层到输出层进行，神经元之间没有反馈信息
   递归网络：网络中每个神经元都有处理信息的能力，都可以从外界接收信息也可以向外界传输信息
3. 如何理解有导师学习与无导师学习
   有导师：向网络输入的样本的是输入模式和期望输出模式组成的成对信息，并对比实际输出和期望输出，若不符，则根据偏差的大小和方向，按照学习规则调整网络权值，使网络下一步实际输出更接近期望输出
   无导师：没有期望输出，不存在直接的偏差信息，根据网络特有的结构，按照之前设定好的规则，自动发现输入模式的内在规律，调整网络权值，使得网络可以体现外部输入的某些固有特性
   
   
4. 如何理解神经网络的泛化能力
   对于不在训练样本出现过的输入，网络能够做出正确反映的能力，也即网络的推广能力
   训练样本误差不能过分追求小，否则网络过分凸显样本的细节特征，而掩盖了样本的真正规律
   过少或者误差过大，将学不到对象的完整规律、并会导致曲线拟合不足
5. 基本BP算法的思想是什么？训练样本的流程如何？主要优点和缺点是什么？
   非线性最小二次；它应用梯度搜索技术，使网络的实际输出值与期望值的误差均方值为最小
   流程：
   优点：
   缺点：网络收敛速度慢；容易陷入局部极小值；当输入信号与训练的样本信号相距较远时，其网络的输出可能会产生完全不准确的结果，而且没有任何暗示
6. 动态Hopfield网络处理问题的重点是什么？简述DHNN网络用于联想记忆时的两个阶段及其任务？
   稳定性；
   学习记忆：设计能量井分布，根据给定的记忆样本，设计网络权值，使网络有期望的稳态，不同的稳态对应不同的记忆样本
   联想回忆：给定一个未知的输入模式作为初始态，网络通过自身的动力学演化，能够最终收敛到与其海明距离最近的稳态稳态
7. 神经网络控制的研究领域包括哪些？
   并行分布处理；非线性映射；通过训练学习；适应与集成；硬件实现；
8. 神经网络辨识的两种基本情况是什么？对于一个给定的未知系统，如何选择神经网络进行建模？
   前向建模：建立系统本身的模型， 也称正向建模
   逆向建模：建立系统的逆模型
   
9. 神经网络控制器有导师学习的重点是什么？
   偏差最小化；外界提供适当形式的导师信号，学习系统基于导师信号与网络实际输出之差调节网络参数
10. 结合神经网络控制在线学习方法的结构图，论述在线学习的思想和系统应满足的条件。
    
    适用于模型已知的动态环境
11. 结合多神经网络自学习控制器的结构图，说明多神经网络自学习控制系统的基本思想、原理和特点。
    
    
12. 使用神经网络之前， 为什么要用样本数据训练神经网络？
    学习的目的：通过训练样本来获取样本的隐含的规律和知识，并通过权值储存在网络中供工作期使用
    学习的实质：针对一个给定的样本集， 通过一定的学习算法调整网络的权系数， 使网络产生期望的输出或使网络形成某种有序状态， 最终使网络具有记忆、识别、分类、信息处理和问题优化求解等某一特定功能。
13. 神经网络训练过度的弊端是什么？ 如何判断网络是否训练过度？
    先谈泛化能力： 对于不在训练样本出现过的输入，网络能够做出正确反映的能力
    会导致网络过分显示样本的细节信息而忽略的真正的内在规律
14. 使用BP网络时， 通常需要在权值的调整公式中引入动量项， 请解释引入动量项的原因
    （1）在网络到达误差曲面平坦区域时（当进入误差性能函数的平坦区域时），有提高学习因子的作用
    （2）当前一次权值过调，避免网络在极值附近震荡（抑制振荡的平滑作用）
    （3）当前一次权值欠调，加速收敛的作用
    （4）在局部极小点附近，动量项的方向与当前的负梯度方向通常不一致， 此时动量项可改变当前误差函数$E$的负梯度方向，使误差函数$E$不易陷入局部极小点

三、专家系统

1. 什么是专家系统， 通常由哪几部分组成？ 有哪些特点
   专家系统就是模拟人类专家解决专业领域中复杂问题的计算机程序系统。
   由人机接口、知识获取结构、知识库、数据库、推理机和解释机构组成。
   特点：具有专家水平的专门知识；能够进行有效的推理；系统的透明性和灵活性；具有一定复杂性和难度

2. 专家控制的含义及实质是什么
   含义：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，仿效专家的经验来智能调控系统的一种智能控制方式。
   实质：基于被控对象和控制规律的各种专家知识进行系统的构造和运行，并以智能方式利用这些知识、使受控系统尽可能地优化和实用化。

3. 比较专家控制系统与专家系统的异同
   
   

4. 仿人智能控制的基本思想是什么
   在控制过程中，用计算机模拟人的控制行为，极大限度识别和利用控制系统动态过程中的特征信息，进行启发式直觉推理，最终使缺乏精确模型的系统得到有效控制。

5. 仿人智能控制的常用特征变量有哪些？ 分别反映了系统动态过程的什么特性？ (结合图形)
   偏差；偏差变化；偏差与偏差变化之积；偏差的连续两次变化之积；偏差的变化姿态；偏差的局部变化趋势；偏差变化的变化率

6. 理解仿人智能积分控制的原理
   
   
   

7. 基于特征辨识(或模式识别)的多模态智能控制的思想是什么
   通过特征识别， 判断系统当前所处的特征状态， 确定相应的控制策略， 进行多模态控制
   

8. 为什么要在基于特征辨识的多模态智能控制中引入特征变量？ 特征变量的作用是什么
   通过特征识别， 判断系统当前所处的特征状态， 确定相应的控制策略， 进行多模态控制
   （1）定性或者定量刻画被控过程的动态特征，如变化快慢。变化趋势
   （2）特征变量的适当组合，并配以适当参量，可以构成划分动态特征模式类的约束条件

9. 基于特征辨识的多模态智能控制的主要组成模块有哪些？ 各有什么功能
   特征信息的获取与处理；特征模式集；模式识别；控制规则集
   
   四、遗传算法

10. 遗传算法的基本操作有哪些？ 每种操作的方法是什么？
    复制：定义一个适配值函数作为每个个体的复制导向，决定每个个体是被复制还是淘汰以及复制数量（根据每个个体位串的适配值大小选择进行遗传操作的父代）
    交叉：将复制后进入匹配池的个体位串进行随机两两匹配；随机产生交叉点，对匹配后的位串进行交叉，产生新的位串
    变异：某一位串的某一位置偶然随机的改变

11. 简述遗传算法的基本工作流程
    首先，通过随机方式产生若干个所求解问题的数字编码(个体)来形成初始种群，以此为进化起点的第一代种群，并计算每个个体编码的适应度值来对每个个体进行数值评价。其次，根据每个个体的适应度值来对其选择和遗传。 其中，选择机制应保证适应度较高的个体能被较多地复制，而适应度低的个体则被较少地复制或被淘汰；遗传机制利用交叉和变异两种算子，以一定的交叉概率和变异概率对复制后的个体进行变换，从而产生新的个体。最后，通过新老个体的替换产生下一代种群。算法不断重复进行上述评价、选择、复制、交叉、变异、替换过程，直到结束条件得到满足。最后一代种群中适应度最高的个体， 就是所求解问题的最终优化结果。
    

12. 与传统的优化算法相比， 遗传算法有哪些特点？
    （1）只对参数集的编码进行操作，而不对参数本身进行操作
    （2）在解空间进行高效启发式搜索，而非盲目穷举或完全随机搜索
    （3）具有并行计算特点， 可通过大规模并行计算提高计算速度
    （4）计算简单， 功能强
    （5）是从许多初始点开始并行操作， 可有效防止搜索过程收敛于局部最优解
    （6）遗传算法对待寻优的函数基本无限制，应用范围广

13. 遗传算法有效工作的理论依据是什么？
    模式理论：从实质上论证了遗传算法的运行机制，一定程度上解释了位串编码结构在遗传过程中的一些规律性。平均适配值高、 定义长度短、 阶次低的模式， 其样本数量将随着遗传代数的增加呈指数增长
    积木块假设：低阶、 短定义长度、 高平均适应度的模式在遗传算子的作用下，能生成高阶、长定义长度、高平均适应度的模式，并可最终生成全局最优解

14. 遗传算法处理任一实际优化问题的总体思路是什么？