《智能控制系统理论及应用》求取 ⇩

目录1

第一章 绪论1

§1.1 现代控制理论面临的挑战1

§1.2 智能控制的提出2

§1.3 智能控制的分类4

1.3.1 基于规则的控制4

1.3.2 模糊控制5

1.3.3 神经控制6

§1.4 智能控制展望9

第二章 模糊集合论基础11

§2.1 经典集及其运算11

2.1.1 集合及其表示方法11

2.1.2 经典集的运算12

2.1.3 关系及其运算15

2.1.4 集合的特征函数20

§2.2 模糊集合的概念及运算22

2.2.1 模糊集合的概念及表示方法22

2.2.2 模糊集合的运算26

§2.3 模糊集的分解与扩张30

2.3.1 分解定理30

2.3.2 扩张原理32

§2.4 隶属函数的确定方法34

§2.5 模糊集合的模糊度量38

§2.6 模糊关系及其合成42

2.6.1 模糊关系及其运算42

2.6.2 模糊关系的合成44

2.6.3 模糊矩阵45

§2.7 模糊关系方程48

习题52

第三章 模糊控制论55

§3.1 模糊控制的基本思想55

§3.2 模糊控制器的设计方法57

3.2.1 确定模糊控制器的输入输出变量57

3.2.2 确定输入输出变量的模糊语言描述57

3.2.3 模糊规则的建立及模糊推理63

3.2.4 解模糊74

3.2.5 论域和比例因子的确定79

§3.3 模糊控制器的参数确定81

3.3.1 模糊规则可调整的模糊控制器81

3.3.2 比例因子自调整的模糊控制89

3.3.3 具有积分作用的模糊控制92

3.3.4 机械手伺服系统的智能模糊控制94

§3.4 规则自组织模糊控制101

3.4.1 性能测量102

3.4.2 控制量校正104

3.4.3 控制规则修正105

§3.5 自学习模糊控制108

3.5.1 模糊推理格式与算法109

3.5.2 辨识算法111

§3.6 复合模糊控制126

3.6.1 模型参考自适应控制的模糊设计方法126

3.6.2 一类非线性系统的模糊变结构设计130

3.6.3 模糊建模在变结构控制中的应用132

§3.7 模糊系统辨识134

3.7.1 模糊模型135

3.7.3 模糊关系的确定136

3.7.2 参考模糊集合的确定136

3.7.4 模糊关系的修正137

§3.8 模糊模式识别140

3.8.1 最大隶属度法142

3.8.2 择近原则144

§3.9 模糊控制静态和动态特性分析147

3.9.1 静态特性147

3.9.2 稳定性分析155

习题168

4.1.1 人工神经网络概念171

第四章 人工神经网络理论171

§4.1 人工神经网络理论概述171

4.1.2 神经网络模型175

§4.2 神经网络学习算法178

4.2.1 Hebbian学习规则179

4.2.2 感知器学习规则181

4.2.3 Delta学习规则183

4.2.6 Winner-Take-All学习法则184

4.2.7 Outstar学习规则184

4.2.5 相关学习法184

4.2.4 Widrow-Hoff学习规则184

§4.3 前向神经网络模型及其算法185

4.3.1 线性分类器186

4.3.2 感知器189

4.3.3 Adaline和Madaline200

§4.4 Hopfield神经网络205

4.4.1 离散型Hopfield网络（DHNN）206

4.4.2 连续型Hopfield神经网络（CHNN）208

§4.5 联想记忆神经网络211

4.5.1 线性联想记忆211

4.5.2 回馈型自联想网络213

4.5.3 双向联想记忆（BAM）217

§4.6 自组织神经网络221

4.6.1 最小Hamming距离分类网络221

4.6.2 Kohonen网络227

4.6.3 CPN模型232

4.6.4 自组织特征映射234

4.6.5 自适应共振理论（ART）240

4.7.1 模拟退火算法253

§4.7 随机神经网络模型253

4.7.2 Boltzmann机256

4.7.3 学习算法256

§4.8 CMAC神经网络260

4.8.1 CMAC模型的结构261

4.8.2 网络的工作原理分析264

4.8.3 CMAC的学习算法及收敛速度275

习题281

§5.1 神经控制的概念286

第五章 神经控制论286

§5.2 神经控制的学习模式289

5.2.1 监督式学习289

5.2.2 增强式学习306

§5.3 直接逆控制与自适应控制309

5.3.1 直接逆控制309

5.3.2 自适应控制313

§5.4 神经网络增强式学习控制318

5.4.1 行为选择神经网络（ASN）318

5.4.2 行为评价神经网络（AEN）320

§5.5 非线性控制的神经网络方法323

5.5.1 非线性系统反馈线性化324

5.5.2 基于神经网络的自适应非线性反馈326

§5.6 基于神经网络的复合控制方法330

5.6.1 基于神经网络的模型参考自适应控制330

5.6.2 基于神经网络的最优控制342

§5.7 系统辨识的神经网络方法347

5.7.1 Hopfield神经网络模型347

5.7.2 基于参考模型的参数估计348

5.8.1 改进的HCNN352

§5.8 神经网络在规划中的应用352

5.8.2 求解非线性规划问题的方法355

5.8.3 求解多项式形式的非线性方程组358

习题359

第六章 混合智能控制系统362

§6.1 混合智能控制系统的一般结构362

§6.2 神经网络模糊系统363

6.2.1 神经网络与模糊系统的生理背景363

6.2.2 模糊系统和生物神经网络模型的联系364

6.2.3 基于神经网络的模糊控制367

6.3.1 网络结构371

6.3.2 学习规则371

§6.3 模糊神经网络371

6.3.3 模糊神经网络的应用373

§6.4 基于神经网络的专家系统375

6.4.1 专家系统的基本原理375

6.4.2 基于神经网络的专家系统383

习题387

7.1.1 引言391

7.1.2 模糊控制方案的建立391

§7.1 水泥回转窑的模糊辨识和控制391

第七章 智能控制的应用391

7.1.3 控制系统的实现395

7.1.4 控制效果396

§7.2 自动倒车系统的神经网络控制及模糊控制397

7.2.1 采用模糊控制方法397

7.2.2 采用神经网络控制400

7.2.3 模糊控制与神经网络控制的比较401

参考文献404