智能控制是自動控制領域的前沿學科之一，是一門綜合性很強的多學科交叉的新興學科。智能控制的出現為解決複雜非線性，不確定系統的控制問題開闢了新的途徑。很多高校已經將智能控制列入了專業課程之一，今天就從應試的角度出發，基於北京航空航天大學劉金琨教授主編的《智能控制》第4版這本書的課後習題，盤點一下期末考試以及部分研究生複試時可能會遇到的一些問答題。
【1-1】簡述智能控制的概念。
所謂智能控制，即設計一個控制器（或系統），使之具有學習、抽象、推理、決策等功能，並能根據環境（包括被控對象或被控過程）信息的變化作出適應性反應，從而實現由人來完成的任務。
【1-2】智能控制由哪幾部分組成？各自的特點是什麼？
智能控制由人工智能、自動控制、運籌學組成。 人工智能是一個知識處理系統，具有記憶、學習、信息處理、形式語言、啟發推理等功能。自動控制描述系統動力學特性，是一種動態反饋。 運籌學是一種定量優化的方法。如線性優化，網絡規劃，調度，管理，優化決策和多目標優化的方法等等。
【1-3】比較智能控制和傳統控制的特點。
①傳統控制方法在處理複雜性、不確定性方面能力低而且有時喪失了這種能力,智能控制在處理複雜性、不確定性方面能力高 ②傳統控制是基於被控對象精確模型的控制方式,可謂“模型論”智能控制是智能決策論,相對於“模型論”可稱為“控制論” ③傳統的控制為了控制必須建模,而利用不精確的模型又採用摸個固定控制算法,使整個的控制系統置於模型框架下,缺乏靈活性,缺乏應變性,因此很難勝任對複雜系統的控制智能控制的可信是控制決策,次用靈活機動的決策方式迫使控制朝著期望的目標逼近。 ④傳統控制適用於解決線性、時不變等相對簡單的的控制問題。智能控制是對傳統控制理論的發展,傳統控制室智能控制的一個組成部分,是智能控制的低級階段。
【1-4】智能控制有哪些應用領域？試舉出一個應用實例。
應用領域:模糊系統、神經網絡、專家控制、工業想、系統、電力系統、機器人等其他領域的控制。 應用實例:模糊控制的交流伺服系統。
【2-1】專家系統由哪幾部分組成？各自的特點是什麼？
專家系統主要由知識庫和推理機構成。 知識庫包含多種功能模塊，主要有知識查詢，檢索，增刪，修改和擴充等。知識庫通過人機接口與領域專家相溝通，從而實現知識的獲取。 推理機是用於對知識庫中的知識進行推理來得到結論的“思維”機構。推理機包括正向推理，反向推理和雙向推理三種推理方式。
【2-2】比較專家系統和專家控制的區別與聯繫。
專家系統是一類包含知識和推理的智能計算機程序，其內部包含某領域專家水平的知識和經驗，具有解決專門問題的能力。 專家控制，是將專家系統的理論和技術同控制理論、方法與技術相結合，在未知環境下，仿效專家的經驗，實現對系統的控制。 專家控制與專家系統的區別 ①專家系統能完成專門領域的功能，輔助用戶決策；專家控制能進行獨立的、實時的自動決策。專家控制比專家系統對可靠性和抗干擾性有著更高的要求。 ②專家系統處於離線工作方式，而專家控制要求在線獲取反饋信息，即要求在線工作方式。
【4-1】模糊控制器由哪幾部分組成？各完成什麼功能？
模糊控制器由模糊化接口，知識庫，推理與解模糊接口三部分組成。 ①模糊化接口的主要作用是將真實的確定量輸入轉換為一個模糊矢量。 ②知識庫由數據庫和規則庫兩部分構成。數據庫存放的是所有輸入、輸出變量的全部模糊子集的隸屬度矢量值。在規則推理的模糊關係方程求解過程中，向推理機提供數據。規則庫是用來存放全部模糊控制規則的，在推理時為“推理機”提供控制規則。 ③推理與解模糊接口：推理是模糊控制器中，根據輸入模糊量，由模糊控制規則完成模糊推理來求解模糊關係方程，並獲得模糊控制量的功能部分。解模糊接口是輸出端具有轉換功能作用的部分，將推理結果作一次轉換，求得清晰的控制量輸出。
【4-2】模糊控制器設計的步驟怎樣？
模糊控制器最簡單的實現方法是將一系列模糊控制規則離線轉化為一個查詢表（又稱為控制表）。 1.模糊控制器的結構：單變量二維模糊控制器是最常見的結構形式。 2.定義輸入輸出模糊集 3.定義輸入輸出隸屬函數 4.建立模糊控制規則 5.建立模糊控制表 6.模糊推理：模糊推理是模糊控制的核心，它利用某種模糊推理算法和模糊規則進行推理，得出最終的控制量。 7.反模糊化：將模糊推理結果轉化為精確值。
【6-1】神經網絡的發展分為哪幾個階段？每個階段都有哪些特點？
神經網絡的發展經歷了4個階段： 1.啟蒙期（1890-1969年） 提出了第一個神經網絡模型：描述腦神經細胞動作的數學模型，即M-P模型； 從心理學的角度提出了至今仍對神經網絡理論有著重要影響的Hebb學習法則； 提出了描述信息在人腦中貯存和記憶的數學模型，即著名的感知機模型； 提出了自適應線性神經網絡，即Adaline網絡，並提出了網絡學習新知識的方法，即Widrow和Hoff學習規則（即δ學習規則），並用電路進行了硬件設計。 2.低潮期（1969-1982） 神經網絡的研究陷入低谷。少數學者繼續著神經網絡模型和學習算法的研究，提出了許多有意義的理論和方法。如ART網絡，自組織映射的SOM模型。 3.復興期（1982-1986） 提出了Hoppield神經網絡模型，該模型通過引入能量函數，實現了問題優化求解。此模型成功地解決了旅行商路徑優化問題(TSP)； 提出了一種著名的多層神經網絡模型，即BP網絡。該網絡是迄今為止應用最普遍的神經網絡； 4. 新連接機制時期（1986-現在） 神經網絡從理論走向應用領域，出現了神經網絡芯片和神經計算機。
【6-2】神經網絡按連接方式分為哪幾類？每一類有哪些特點？
根據神經網絡的連接方式，神經網絡可分為3種形式： 1.前向網絡 神經元分層排列，組成輸入層、隱含層和輸出層。每一層的神經元只接受前一層神經元的輸入。輸入模式經過各層的順次變換後，由輸出層輸出。在各神經元之間不存在反饋。感知器和誤差反向傳播網絡採用前向網絡形式。 2.反饋網絡 輸出層到輸入層存在反饋，每一個輸入節點都有可能接受來自外部的輸入和來自輸出神經元的反饋。這種神經網絡是一種反饋動力學系統，需要工作一段時間才能達到穩定。 3.自組織網絡 Kohonen網絡通過無導師的學習方式進行權值的學習，穩定後的網絡輸出就對輸入模式生成自然的特徵映射，從而達到自動聚類的目的。
【6-3】分別描述Hebb學習規則和Delta學習規則。
Hebb學習規則是一種聯想式學習算法。認為兩個神經元同時處於激發狀態時，它們之間的連接強度將得到加強，這一論述的數學描述被稱為Hebb學習規則，即
Hebb學習規則是一種無教師的學習方法，它只根據神經元連接間的激活水平改變權值，因此，這種方法又稱為相關學習或並聯學習。
Delta（δ）學習規則：
假設誤差準則函數為：
Xp為輸入模式:
W的修正規則為
上式稱為δ學習規則，又稱誤差修正規則。（對應劉金琨著《智能控制》第125頁的定義，此處僅截取核心的部分，詳細的推導過程等參考書籍的講解）
由於本筆者水平有限，上述均為參考答案，是筆者自行整理總結的，並不是官方權威的標準答案，因此難免存在不足和錯誤之處，真誠歡迎廣大讀者在下方評論區批評指正，感謝您的閱讀。
