神经网络、模糊控制及专家系统第一章

模糊PID温度控制毕业设计第一章绪论1.1选题背景及其意义在工业生产过程中，控制对象各种各样，温度是生产过程和科学实验中普遍而且重要的物理参数之一。

在生产过程中，为了高效地进行生产，必须对它的主要参数，如温度、压力、流量等进行有效的控制。

温度控制在生产过程中占有相当大的比例，其关键在于测温和控温两方面。

温度测量是温度控制的基础，技术已经比较成熟。

由于控制对象越来越复杂，在温度控制方面，还存在着许多问题。

如何更好地提高控制性能，满足不同系统的控制要求，是目前科学研究领域的一个重要课题。

温度控制一般指对某一特定空间的温度进行控制调节，使其达到工艺过程的要求。

本文主要研究电锅炉温度控制的方法。

电锅炉是将电能转换为热能的能量转换装置［1］。

具有结构简单、无污染、自动化程度高等特点。

与传统的以煤和石化产品为燃料的锅炉相比还具有基本投资少、占地面积小、操作方便、热效率高、能量转化率高等优点。

近年来，电锅炉已成为供热采暖的主要设备。

锅炉控制作为过程控制的一个典型，动态特性具有大惯性大延迟的特点，而且伴有非线性。

目前国电热锅炉控制大都采用的是开关式控制，甚至是人工控制方法。

采用这些控制方法的系统稳定性不好，超调量大，同时对外界环境变化响应慢，实时性差。

另外，频繁的开关切换对电网产生很大的冲击，降低了系统的经济效益，减少了锅炉的使WORD版本.用年限。

因此，研究一种最佳的电锅炉控制方法，对提高系统的经济性，稳定性具有重要的意义。

1.2工业控制的发展概况工业控制的形成和发展在理论上经历了三个阶段50年代末起到70年代为第一阶段，即经典控制理论阶段，这期间既是经典控制理论应用发展的鼎盛时期，又是现代控制理论应用和发展时期；70年代至90年代为第二阶段，即现代控制理论阶段；90年代至今为第三阶段，即智能控制理论阶段[2]第一阶段：初级阶段。

它以经典控制理论为主要控制方案，采用常规气动、液动和电动仪表，对生产过程中的温度、流量、压力和液位进行控制。

模糊控制与神经网络控制模糊控制和神经网络控制是现代控制领域中的两个重要研究方向，它们通过不同的方法和理论来解决复杂系统的控制问题。

本文将就这两种控制方法进行介绍和对比，并探讨它们在实际应用中的优劣势。

一、模糊控制模糊控制是一种基于模糊逻辑理论的控制方法，它通过将输入和输出之间的关系进行模糊化来实现系统的控制。

模糊控制器的设计通常包括模糊化、规则库的建立、推理机制以及解模糊化等步骤。

在模糊控制中，输入和输出以模糊集形式表示，通过一系列的模糊规则进行推理得到控制信号。

模糊规则库中存储了专家知识，根据实际问题的需求可以设计不同的规则。

推理机制使用模糊规则进行推理，最后通过解模糊化将模糊输出转化为具体的控制量。

模糊控制的优点之一是适用于非线性和不确定性系统，它能够通过模糊化处理来处理实际系统中的不确定性和模糊性。

此外，模糊控制能够利用专家经验进行控制器的设计，无需准确的系统数学模型。

然而，模糊控制也存在一些局限性。

首先，模糊控制的规则库和参数通常需要由专家进行手动设计，这对专家的经验和知识有一定的要求。

其次，模糊控制的性能也会受到模糊规则的数量和质量的影响，如果规则库设计不当，控制性能可能无法满足要求。

二、神经网络控制神经网络控制是一种基于人工神经网络的控制方法，它通过将系统模型表示为神经网络结构来实现控制。

神经网络是一种模仿生物神经系统结构和功能的计算模型，具有自适应学习和适应性处理的能力。

在神经网络控制中，神经网络被用作控制器来学习系统的映射关系。

通过输入和输出的样本数据，神经网络根据误差信号不断调整权重和阈值，使得输出逼近于期望输出。

神经网络控制通常包括网络的结构设计、学习算法的选择和参数调整等步骤。

与模糊控制相比，神经网络控制具有更好的自适应性和学习能力。

它能够通过学习过程来建立系统的非线性映射关系，并且对于未知系统具有较好的鲁棒性。

此外，神经网络控制不需要准确的系统模型，对系统的数学模型要求相对较低。

Data, Information, Knowledge, IntelligenceIntelligence Knowledge Information Data房间温度高 解决温度 高的办法温度高原因通风量不足增大通风量房间温度 32℃理想温度 23℃Data, Information, Knowledge, IntelligenceIntelligence KnowledgeInformation Data传统控制面临的挑战‹ 实际系统由于存在复杂性、非线性、时变 性、不确定性和不完全性等，一般无法获得精 确的数学模型。

‹ 应用传统控制理论进行控制必须提出并遵循 一些比较苛刻的线性化假设，而这些假设在应 用中往往与实际情况不相吻合。

传统控制面临的挑战‹ 传统控制方法在解决大范围变工况、异常 工况等问题方面往往不尽人意。

‹环境和被控对象的未知和不确定性，导致无 法建立模型。

9 传统控制往往不能满足某些系统的性能要 求。

控制科学发展过程进展方向最优控制 确定性反馈控制 开环控制 智能控制 自学习控制自组织控制 自适应控制 鲁棒控制 随机控制对象的复杂性智能控制的发展¾ 1985 年 8月，IEEE在纽约召开第一届智能控制学术 研讨会，主题：智能控制原理和智能控制系统。

会议 决定在 IEEE CSS 下设 IEEE 智能控制专业委员会。

这 标志着智能控制这一新兴学科研究领域的正式诞生。

¾ 1987 年 1 月 ， 美 国 费 城 ， 第 一 次 智 能 控 制 国 际 会 议，IEEE CSS与CS两学会主办； ¾ 1987 年以来，一些国际学术组织，如 IEEE 、 IFAC 等定期或不定期举办各类有关智能控制的国际学术会 议或研讨会，一定程度上反映了智能控制发展的好势 头。

智能控制的发展¾ 1991年7月，中国人工智能学会成立。

¾ 1993年7月，成都，中国人工智能学会智能机器人专 业委员会成立大会暨首届学术会议。

控制系统中的模糊控制与神经网络控制比较在现代控制系统中，模糊控制和神经网络控制是两种常见的控制方法。

它们都具有一定的优势和特点，但是又各自存在一些局限性。

本文将就这两种控制方法进行比较，旨在帮助读者更好地理解和选择适合自己需求的控制方法。

一、模糊控制模糊控制是一种基于模糊逻辑的控制方法，它将人的直观经验与控制系统的数学模型相结合，用来应对系统模型不确定或难以建模的情况。

模糊控制系统由模糊化、模糊推理和解模糊化三个主要部分组成。

1、模糊控制的优势（1）适应不确定性：模糊控制可以很好地应对系统参数变化、环境变化等不确定性因素，因为它不需要准确的数学模型。

（2）处理非线性系统：对于非线性系统，模糊控制可以通过模糊化和模糊推理来逼近系统的动态特性，因此具备较好的适应性。

（3）易于理解和调试：模糊规则基于经验知识，形式简单易懂，参数调节相对容易，操作员或工程师可以理解和调试模糊控制系统。

2、模糊控制的局限性（1）计算复杂性：模糊控制系统需要进行模糊化、模糊推理和解模糊化等操作，这些操作可能导致计算量大、实时性差，不适合对响应时间要求较高的控制系统。

（2）难以优化：模糊控制的参数调节通常是基于试错法，缺乏理论指导，难以进行精确优化，因此对于某些需要高精度控制的系统效果并不理想。

二、神经网络控制神经网络控制是一种利用人工神经网络模拟生物神经网络的结构和功能来实现控制的方法。

神经网络控制系统由输入层、隐含层和输出层构成，通过训练神经网络来实现控制效果。

1、神经网络控制的优势（1）适应性强：神经网络具有强大的自适应性能，能够适应未知系统或具有时变性质的系统，从而在控制过程中实现自学习和自适应。

（2）映射能力强：神经网络可以将非线性映射问题转化为线性可分问题进行处理，从而更好地逼近系统的非线性特性。

（3）具备优化能力：可以通过合理的网络结构和训练算法，实现对网络参数的优化，从而提高控制系统的性能。

2、神经网络控制的局限性（1）训练需耗时：神经网络控制需要通过大量的数据训练神经网络，这可能需要耗费较长的时间，并且对数据质量和标定要求较高。

自动化系统的模糊控制与神经网络控制自动化系统的控制方法多种多样，其中模糊控制和神经网络控制是两种常见而有效的控制方法。

本文将就自动化系统的模糊控制与神经网络控制进行详细的介绍和对比。

一、模糊控制模糊控制是指在系统的控制过程中，根据模糊集合和模糊规则进行推理，以实现对系统的控制。

模糊控制通过模糊集合来描述控制对象的特征，通过模糊规则来描述控制的策略。

模糊控制的主要优点是对系统模型要求不高，适用于复杂的非线性系统。

模糊控制的缺点是控制效果不稳定，对系统的响应较慢。

二、神经网络控制神经网络控制是指利用人工神经网络对系统进行建模，并通过神经网络进行系统控制。

神经网络控制通过训练神经网络来获得系统的映射关系，并通过不断的优化训练来提高控制效果。

神经网络控制的主要优点是适应性强，可以对复杂的非线性系统进行较好的控制。

神经网络控制的缺点是需要大量的训练数据和计算资源。

三、模糊控制与神经网络控制的对比1. 建模方法模糊控制使用模糊集合和模糊规则进行建模，而神经网络控制使用人工神经网络进行建模。

模糊控制的建模过程相对简单，只需通过专家知识确定模糊集合和规则即可。

而神经网络控制的建模过程相对复杂，需要通过大量的训练数据进行神经网络的训练和优化。

2. 控制效果模糊控制对系统的控制效果常常较差，对于复杂的非线性系统，模糊控制的精度和稳定性均较低。

而神经网络控制对系统的控制效果较好，可以对复杂的非线性系统进行较精确的控制。

神经网络控制可以通过不断的训练和优化提高控制效果，并适应系统动态变化。

3. 训练需求模糊控制的训练过程相对简单，只需确定模糊集合和规则即可。

而神经网络控制的训练过程相对复杂，通常需要大量的训练数据和计算资源。

神经网络控制的训练需要通过反向传播算法等方法来不断优化网络参数，提高控制效果。

4. 适用范围模糊控制适用于复杂的非线性系统，特别是对于模糊规则较为明确的系统。

神经网络控制适用于复杂的非线性系统，并且对于系统的模糊规则不敏感，对于模糊性较强的系统具有更好的控制效果。

习题集第一章概论1.试从学科和能力两个方面说明什么是人工智能。

2.哪些思想、思潮、时间和人物在人工智能发展过程中起了重要作用?3.近年来人工智能研究取得哪些重要进展?4.为什么能够用计算机模拟人类智能?5.目前人工智能学界有哪些学派?它们的认知观为何?6.自动控制存在什么机遇与挑战?为什么要提出智能控制?7.简述智能控制的发展过程,并说明人工智能对自动控制的影响。

8.傅京孙对智能控制有哪些贡献?9.什么是智能控制?它具有哪些特点?10.智能控制器的一般结构和各部分的作用为何?它与传统控制器有何异同?11.智能控制学科有哪几种结构理论?这些理论的内容是什么?12.为什么要把信息论引入智能控制学科结构?13.人工智能不同学派的思想在智能控制上有何反映?第二章知识表示方法1.状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么?它们有何本质上的联系及异同点?2.设有3个传教士和3个野人来到河边,打算乘一只船从右岸渡到左岸去。

该船的负载能力为两人。

在任何时候,如果野人人数超过传教士人数,那么野人就会把传教士吃掉。

他们怎样才能用这条船安全地把所有人都渡过河去?3.利用下图,用状态空间法规划一个最短的旅行路程:此旅程从城市A开始,访问其他城市不多于一次,并返回A。

选择一个状态表示,表示出所求得的状态空间的节点及弧线,标出适当的代价,并指明图中从起始节点到目标节点的最佳路径。

4.试说明怎样把一棵与或解树用来表达下图所示的电网络阻抗的计算。

单独的R、L或C可分别用R、jωL或1/jωC来计算,这个事实用作本原问题。

后继算符应以复合并联和串联阻抗的规则为基础。

5.试用四元数列结构表示四圆盘梵塔问题,并画出求解该问题的与或图。

6.用谓词演算公式表示下列英文句子(多用而不是省用不同谓词和项。

例如不要用单一的谓词字母来表示每个句子)。

A computer system is intelligent if it can perform a task which,if performed by a human, requires intelligence.7.把下列语句表示成语义网络描述:(1)All man are mortal.(2)Every cloud has a silver lining.(3)All branch managers of DEC participate in a profit-sharing plan.8.作为一个电影观众,请你编写一个去电影院看电影的剧本。

BP神经网络BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。

如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。

它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。

单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。

在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。

直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。

BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。

输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

当实际输出与期望输出不符时，进入误差的反向传播阶段。

误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。

周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

神经网络神经网络是：思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。

逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。

比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题一、专家系统(Expert System)1，什么是专家系统？在日常生活中大家所认知的“专家”一般都拥有某一特定领域的大量专业知识，以及丰富的实际经验。

在解决问题时，专家们通常拥有一套独特的思维方式，能较圆满地解决一类困难问题，或向用户提出一些建设性的建议等。

专家系统一般定义为一个具有智能特点的计算机程序。

它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。

因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。

专家系统的基本结构如图1所示，其中箭头方向为数据流动的方向。

图1 专家系统的基本组成专家系统通常由知识库和推理机两个主要组成要素。

知识库存放着作为专家经验的判断性知识,例如表达建议、 推断、 命令、 策略的产生式规则等, 用于某种结论的推理、 问题的求解,以及对于推理、 求解知识的各种控制知识。

知识库中还包括另一类叙述性知识, 也称作数据,用于说明问题的状态,有关的事实和概念,当前的条件以及常识等。

专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。

一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。

推理机实际上是一个运用知识库中提供的两类知识,基于木某种通用的问题求解模型,进行自动推理、 求解问题的计算机软件系统。

它包括一个解释程序, 用于决定如何使用判断性知识推导新的知识, 还包括一个调度程序, 用于决定判断性知识的使用次序。

推理机的具体构造取决于问题领域的特点,及专家系统中知识表示和组织的方法。

推理机针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。