智能考试(计算)

第二章4.考虑语言变量：“Old”，如果变量定义为：10050)5/50(15000)(12xxxxold确定“NOTSoOld”，“VeryOld”，“MOREOrLESSOld”的隶属函数。解：1oold220050()1(50/5)50100NOTSxxxx2eryold20050()1(50/5)50100Vxxxx1orlessold240050()1(50/5)50100MORExxxx5.已知存在模糊向量A和模糊矩阵R如下：3.06.03.001.004.06.02.01.08.05.04.01.07.0RA计算RAB。6.令论域4321U，给定语言变量“Small”=1/1+0.7/2+0.3/3+0.1/4和模糊关系R=“Almost相等”定义如下：16.01.006.016.01.01.06.016.001.06.01R利用max-min复合运算，试计算：相等）是AlmostSmallXyR()()(。解：10.60.100.610.60.1y(10.70.30.1)0.10.610.600.10.61R（）(11)(0.70.6)(0.30.1)(0.10)(10.6)(0.71)(0.30.6)(0.10.1)10.70.60.3(10.1)(0.70.6)(0.31)(0.10.6)(10)(0.70.1)(0.30.6)(0.11)T7.已知模糊关系矩阵：15.05.01009.002.01.00014.009.004.018.02.01.008.01R计算R的二至四次幂。解：210.800.10.210.800.10.20.810.400.90.810.400.900.410000.41000.10010.50.10010.50.20.900.510.20.900.51RRR10.80.40.20.80.810.40.50.90.40.4100.40.20.5010.50.80.90.40.513210.80.40.50.80.810.40.50.90.40.410.40.40.50.50.410.50.80.90.40.51RRR42210.80.40.50.80.810.40.50.90.40.410.40.40.50.50.410.50.80.90.40.51RRR8.设有论域},{},,,{},,,{21321321zzZyyyYxxxX，二维模糊条件语句为“若A且B则C”，其中)(C,14.0)(,6.011.0)(,1.015.021321321ZFzzCYFByyyBXFAxxxA已知)(B,15.01.0)(,1.05.01*321**321*YFyyyBXFAxxxA由关系合成推理法，求得推理结论*C。解：令R表示模糊关系，则RABC.10.510.110.60.1TTRAB0.50.10.510.50.60.10.50.510.11110.60.110.60.10.10.110.10.60.10.10.1将1TR按行展开写成列向量为0.10.50.50.110.60.10.10.1T所以，10.10.10.40.110.50.50.40.510.50.50.40.510.10.10.40.110.41110.4110.60.60.40.610.10.10.40.110.10.10.40.110.10.10.40.11TRRC0.10.10.40.50.40.50.10.10.410.40.60.10.10.10.10.10.1.又因为CABR，10.10.510.50.10.510.10.50.50.10.10.10.1AB，将AB按行展开写成行向量，为0.10.510.10.50.50.10.10.1，则0.40.5CABR即120.40.5Czz9.已知语言变量x，y，z。X的论域为{1,2,3}，定义有两个语言值：“大”＝{0,0.5,1}；“小”={1,0.5,0}。Y的论域为{10,20,30,40,50}，语言值为：“高”={0,0,0,0.5,1}；“中”={0,0.5,1,0.5,0};“低”={1,0.5,0,0,0}。Z的论域为{0.1,0.2,0.3}，语言值为：“长”={0,0.5,1}；“短”={1,0.5,0}则：1）试求规则：如果x是“大”并且y是“高”那么z是“长”；否则，如果x是“小”并且y是“中”那么z是“短”。所蕴涵的x，y，z之间的模糊关系R。2）假设在某时刻，x是“略小”={0.7,0.25,0}，y是“略高”={0,0,0.3,0.7,1}试根据R分别通过Zadeh法和Mamdani法模糊推理求出此时输出z的语言取值。第三章4.已知某一炉温控制系统，要求温度保持在600度恒定。针对该控制系统有一下控制经验：（1）若炉温低于600度，则升压；低得越多升压就越高。（2）若炉温高于600度，则降压；高得越多降压就越低。（2）若炉温等于600度，则保持不变。设计模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7级，取5个模糊集。设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。解：定义理想温度点的温度为0T,实际测量温度为T，温度差为0eTTT。以为输入、输出变量的量化等级均为7级，5个模糊集，则误差e变化划分表为：隶属度变化等级-3-2-10123模糊集PB000000.51PS000010.50ZE000.510.500NS00.510000NB10.500000控制电压u变化划分表为：隶属度变化等级-3-2-10123模糊集PB000000.51PS000010.50ZE000.510.500NS00.510000NB10.500000根据一上两表设计一下模糊规则：若e负大，则u正大；若e负小，则u正小；若e为0，则u为0；若e正小，则u负小；若e正大，则u负大。模糊控制规则表为：若（if）NLeNSe0ePSePLE则（then）NLuNSU0uPSuPLu第五章4.已知一个非线性函数2121()sin(2)2yxx，试用三层BP网络逼近输出y，画出网络的结构，写出网络各层节点的表达式以及各层节点输出值的范围。非线性函数2121()sin(2)2yxx画出三层BP网络的结构图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1()1xlyfxle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1.PID控制器的一般形式为0()()()[()(1)]kpidjukkekkejkekek，也可写成等价形式112233()()()()ukkukkukkuk，其中1203()(),()(),()()()(1)kjukekukekukekekek，123,,kkk为PID控制器,,pidkkk三个参数的线性表示。这一形式可以看成以123(),(),()ukukuk为输入，123,,kkk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：