智能控制期末题库

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

模糊集合的表示方法包括（）

智能控制是一门新兴的交叉学科，在机器人控制中的应用和在过程控制中的应用。

神经网络训练完成之后，如果出现每次运行结果都不一样的情况，说明模型并不稳定，训练样本数据偏少。

经典集合的属属度函数只能取0或1，而模糊集合的属属度函数可以取[0,1]区间内的任意值。

激发函数是表征神经元对于输入信号的发送形式和强度，激发函数有Sigmoid、阈值函数等多种类型。

F1-Score是精确率和召回率的调和平均数，能够综合评价分类模型性能。

对抗训练时，误差反向传播更新的是（）。

RBF神经网络的隐藏层激活函数是（）。

去模糊化中，取属属度函数曲线与横坐标围成面积重心的方法称为（）。

线性神经网络的参数学习算法LMS又被称为（）。

正则化RBF网络的最佳逼近特性体现在同时满足对样本的（）和逼近曲线的最大光滑性。

画图 1、模糊控制系统原理框图流程结构（从左至右）：给定值r → [比较器] → e → [模糊化接口] → [模糊推理（规则库）] → [去模糊化接口] → [被控对象] → 输出y ↑____________________[传感器/检测装置]____________________↑ 模块功能说明：比较器：计算偏差e = r - y（给定值与实际输出的差）模糊化接口：将精确输入量（偏差e及其变化率ec）转化为模糊量（模糊集合），确定属属度模糊推理（规则库）：基于IF-THEN规则进行模糊推理，得到模糊输出集合去模糊化接口：将模糊输出集合转化为精确控制量（重心法、最大属属度法等）被控对象：接收控制信号，产生实际输出传感器/检测装置：检测系统输出，反馈至比较器形成闭环核心思想：将人类专家的控制经验表示为模糊规则，通过模糊推理实现自动控制。反馈回路确保系统的闭环稳定性。 2、单层感知器结构图组件说明：输入层：n个输入节点x₁, x₂, ..., xₙ（每个输入对应一个特征）权值w：每个输入连接一个可调权值偏置b：阈值/偏置（权值为+1的固定输入），增加模型灵活性求和器：net = Σwᵢxᵢ + b（线性组合）激活函数：阶跃函数f(net) = sign(net)，输出为+1或-1 数学表达：y = f(Σwᵢxᵢ + b)，其中f为阈值/符号激活函数。局限性：仅能解决线性可分问题（如AND、OR），无法解决XOR等线性不可分问题。 3、2输入、2输出、1隐含层的BP神经网络结构层级说明：输入层：节点数2，无（直接传递），接收外部输入信号x₁, x₂ 隐含层：节点数h（可调），激活函数Sigmoid/Tanh/ReLU，对输入进行非线性变换，提取特征输出层：节点数2，激活函数视任务而定，产生最终输出y₁, y₂ 前向传播（Forward）： 1. 隐含层输入：net¹ᵏ = Σw¹ₖᵢ·xᵢ + b¹ᵏ 2. 隐含层输出：hᵏ = f₁(net¹ᵏ)（f₁为隐含层激活函数，如Sigmoid） 3. 输出层输入：net²ᵏ = Σw²ᵏⱼ·hⱼ + b²ᵏ 4. 输出层输出：yₖ = f₂(net²ᵏ)（f₂为输出层激活函数）反向传播（Backward/BP）： 1. 计算输出层误差：δ²ᵏ = (dₖ - yₖ)·f₂'(net²ᵏ) 2. 反向传播至隐含层：δ¹ᵏ = f₁'(net¹ᵏ)·Σ(w²ᵏⱼ·δ²ᵏ) 3. 更新权值：Δw²ᵏⱼ = η·δ²ᵏ·hⱼ；Δw¹ᵏᵢ = η·δ¹ᵏ·xᵢ 关键特点：万能逼近定理保证三层BP网络可逼近任意连续函数；全连接结构，各层间所有神经元两两相连，通过误差反向传播进行监督学习。【缺少答案，请补充】（含图）（含图）（含图）

模糊推理计算（Mamdani推理）已知模糊规则“如果x是A且y是B，则z是C”。论域X={a₁,a₂,a₃}，Y={b₁,b₂,b₃}，Z={c₁,c₂,c₃}。 A = 0.5/a₁ + 1/a₂ + 0/a₃ B = 0/b₁ + 0.5/b₂ + 1/b₃ C = 0/c₁ + 1/c₂ + 0.5/c₃ 给定输入事实： A₁ = 1/a₁ + 0.5/a₂ + 0/a₃ B₁ = 0.1/b₁ + 0.6/b₂ + 1/b₃ 方法一：匹配度-截断法（推荐）步骤1：计算输入事实A₁与规则前提A的匹配度 $$\alpha_{A}=\max\{\min(\mu_{\{A_{1}\}}(a_{i}),\mu_{A}(a_{i}))\mid i=1,2,3\}$$ 步骤2：计算输入事实B₁与规则前提B的匹配度 $$\alpha_{B}=\max\{\min(\mu_{\{B_{1}\}}(b_{j}),\mu_{B}(b_{j}))\mid j=1,2,3\}$$ 步骤3：计算规则综合激发强度（AND连接取最小值） $$\alpha=\min(\alpha_{A},\alpha_{B})=\min(0.5,1)=0.5$$（含图）（含图）

1