[人工智能自动规划论文] 人工智能规划

《[人工智能自动规划论文] 人工智能规划》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、本文格式为Word版，下载可任意编辑[人工智能自动规划论文]人工智能规划阐述了人工智能掌握技术的进展概况，介绍了该掌握技术的优势，从模糊掌握、神经网络和遗传算法等方面探讨了该技术的应用特点及进展前景。以下是我整理共享的人工智能自动规划论文的相关资料，欢迎!人工智能自动规划论文篇一人工智能掌握技术在电气传动中的应用讨论【摘要】阐述了人工智能掌握技术的进展概况，介绍了该掌握技术的优势，从模糊掌握、神经网络和遗传算法等方面探讨了该技术的应用特点及进展前景。【关键词】人工智能;神经网络掌握;模糊神经元掌握;自适应神经网络0引言随着现代掌握理论的进展，掌握器设计的常规技术正渐渐被广泛使用

2、的人工智能软件技术(人工神经网络、模糊掌握、模糊神经网络、遗传算法等)所替代。这些方法的共同特点是，需要不同数量和类型的必需描述系统和特性的"a-priori'学问。该系统具有实现简洁、性能优异等优势。1人工智能掌握技术的优势不同人工智能掌握通常采纳完全不同的方法，但AI掌握器，例如神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这些AI函数近似器比常规的函数估量器具有更多的优势。(1)它们的设计不需要掌握对象的模型(在很多场合，很难得到实际掌握对象的精确动态方程，实际掌握对象的模型在掌握器设计时往往有许多不的确性因素。(2)通过适当调整(依据响应时间、下降时间

3、、鲁棒性能等)它们能提高性能。例如模糊规律掌握器的上升时间比最优PID掌握器快1.5倍，下降时间快3.5倍，过冲更小。第6页共6页本文格式为Word版，下载可任意编辑人工智能掌握器可分为监督、非监督或增加学习型三种。常规的监督学习型神经网络掌握器的拓朴结构和学习算法已经定型，这就给这种结构的掌握器增加了限制，使得计算时间过长，常规非人工智能学习算法的应用效果不好。采纳自适应神经网络和摸索法就能克服这些困难，加快学习过程的收敛速度。常规模糊掌握器的规章初值和模糊规章表是既定"a-priori'型，这就使得调整困难，当系统得不到"a-priori'(既定)信息时，整个系统就不能正常

4、工作。而应用自适应AI掌握器，如使用自适应模糊神经掌握器就能克服这些困难，并且用DSP比较简单实现这些掌握器。2人工智能在电气传动掌握中的运用2.1人工智能在直流传动中的运用2.1.1模糊规律掌握应用主要有两类模糊掌握器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊掌握器用于调速掌握系统中。值得留意的是这两种掌握器都有规章库，它是一个if-then模糊规章集。但Sugeno掌握器的典型规章是"假如x是A，并且y是B，那么Z=f(x,y)'。这里A和B是模糊集;Z=f(x,y)是x,y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，

5、因此Sugeno是Mamdani掌握器的特例。Mamdani掌握器由下面四个主要部分组成。1)模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。2)学问库由数据库和语言掌握规章库组成。开发规章库的主要方法是：把专家的学问和经受用于应用和掌握目标;建模操作器的掌握行动;建模过程;使用自适应模糊掌握器和人工神经网络推理机制。3)推理机制是模糊掌握器的核心，能仿照人的决策和推理模糊掌握行为。4)反模糊化实现量化和反模糊化。有许多反模糊化技术，例如，最大化反模糊化，中间平均技术等。第6页共6页本文格式为Word版，下载可任意编辑在很多资料中，介绍了多种被模糊化的掌握器，但这应

6、与"充分模糊'掌握器完全区分开来，"充分模糊'掌握器才是完全意义上的模糊掌握器，被模糊化的掌握器易于实现，往往通过改造现有古典掌握器得以实现，如被模糊化的PI掌握器(FPIC)使用模糊规律转变掌握器的比例、积分参数，从而使系统的性能得到提高。掌握器参数的微小变化可能导致特性的极大提高，被模糊化的掌握器参数调整方法如下：P(ti)=P(ti-1)+kPCP，I(ti)=I(ti-1)CI。但若应用"充分'模糊规律掌握器，系统响应远远优于FPIC和最优古典PI掌握器，用于最优化常规掌握器的计算时间比模糊化掌握器所需的时间多得多。因此，使用最小配置的FPIC掌握器是可能的选择之一，事

7、实上，这也是用现有驱动装置实现的最简洁方法。2.1.2ANNS的应用过去20多年，人工神经网络(ANNS)在模式识别和信号处理中得到广泛运用。由于ANNS有全都性的非线性函数估量器，因此它也可有效地运用于电气传动掌握领域，其优势是不需要被控系统的数学模型，全都性很好，对噪音不敏感。另外，由于ANNS是并行结构，它很适合多传感器输入运用，如在条件监控、诊断系统中能增加决策的牢靠性。假如网络有足够多的隐蔽层和隐蔽结点以及相宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐蔽层、