《模糊控制·神经控制和智能控制论》求取 ⇩

序篇 智能控制论1

0.1 控制理论的产生及其发展1

0.2 智能控制的产生及其发展2

0.3 传统控制和智能控制4

0.5 智能控制的基础及学科范畴6

0.4 智能控制论6

0.6 本书学习指南8

1.1.1 思维与思维科学10

1.1 信息社会与思维科学10

第一篇 智能控制的新学科基础10

第1章 思维科学与智能模拟10

1.1.2 思维的类型11

1.2.2 思维的神经基础16

1.2.1 思维与智能16

1.2 思维的神经基础16

1.3.1 智能模拟的科学基础17

1.3 智能模拟17

1.3.3 智能模拟的基本途径18

1.3.2 智能模拟的哲学基础18

1.4.1 结构主义方法20

1.4 智能模拟中的科学方法论20

1.4.4 信息科学方法21

1.4.3 演绎主义方法21

1.4.2 行为主义方法21

1.5 智能控制与智能模拟22

2.1 模糊数学的创立及发展23

第2章 模糊逻辑与粗糙集合23

2.2.1 集合的概念及定义25

2.2 经典集合及其运算25

2.2.2 集合的直积26

2.2.4 集合的运算性质27

2.2.3 映射与关系27

2.2.5 集合的表示及特征函数28

2.3.1 模糊子集的定义及表示29

2.3 模糊集合及其运算29

2.3.2 模糊子集的运算31

2.4.1 截集33

2.4 模糊集合与经典集合的联系33

2.4.2 分解定理34

2.5 隶属函数35

2.4.3 扩张原则35

2.5.1 隶属函数的确定方法36

2.5.2 常用的隶属函数39

2.6.1 模糊矩阵41

2.6 模糊矩阵与模糊关系41

2.6.2 模糊关系45

2.6.3 模糊关系的合成48

2.7.2 模糊向量的笛卡尔乘积50

2.7.1 模糊向量50

2.7 模糊向量50

2.7.3 模糊向量的内积与外积51

2.8.1 模糊逻辑52

2.8 模糊逻辑与模糊推理52

2.8.2 模糊语言60

2.8.3 模糊推理66

2.9.1 粗糙集合的基本概念72

2.9 粗糙集合72

2.9.3 粗糙集合的特点及其应用73

2.9.2 粗糙度与粗糙隶属函数73

3.1.1 神经网络研究简史74

3.1 神经网络研究的概述74

第3章 神经网络与计算智能74

3.2.1 脑的宏观结构76

3.2 脑与神经系统76

3.1.2 神经网络的主要特点76

3.2.2 神经细胞的结构与功能77

3.2.3 神经元模型79

3.3.1 神经网络的联接形式85

3.3 神经网络的结构和学习规则85

3.3.2 神经网络的学习和训练87

3.3.3 神经网络的学习规则88

3.4.2 前向多层网络的BP学习算法91

3.4.1 感知器91

3.4 典型前向网络——BP网络91

3.4.3 BP算法的改进算法94

3.4.4 前向网络递推预报误差算法（RPE）99

3.5.1 Hopfield网络模型101

3.5 典型反馈网络——Hopfield网络101

3.5.2 Hopfield网络的联想记忆功能102

3.5.3 Hopfield网络的优化计算功能103

3.6.1 CMAC网络的基本思想104

3.6 小脑模型关联控制器——CMAC网络104

3.6.2 CMAC网络的工作原理105

3.6.3 小脑模型运算机106

3.7.1 Kohonen网络原理107

3.7 大脑自组织特征映射模型——Kohonen网络107

3.7.2 Kohonen网络学习规则及算法108

3.8.2 Boltzmann机模型109

3.8.1 模拟退火109

3.8 基于概率式学习的Boltzmann机模型109

3.9 其它类型的神经网络110

3.8.3 Boltzmann机的训练和学习规则110

4.1.1 遗传学的产生与发展111

4.1 遗传学和生物进化论111

第4章 遗传算法与人工生命111

4.1.2 生物进化论112

4.2.1 进化计算113

4.2 进化计算和遗传算法113

4.2.2 遗传算法114

4.3.1 遗传算法的结构115

4.3 遗传算法的结构和基本原理115

4.3.2 选择、交叉和突然变异的方法116

4.3.3 遗传算法的实现步骤118

4.4.1 模式定理（Schema theorem）119

4.4 遗传算法的理论与方法论119

4.4.2 虚拟边界定理120

4.4.3 遗传算法中的方法论121

4.5.1 遗传算法在模糊推理中的应用122

4.5 遗传算法和模糊逻辑、神经网络的融合122

4.5.2 遗传算法和神经网络的融合123

4.6.1 遗传算法的主要特点124

4.6 遗传算法的特点及研究方向124

4.6.2 遗传算法的研究课题125

4.8 人工生命126

4.7 遗传编程126

4.8.2 人工生命的研究领域127

4.8.1 人工生命与人工智能127

5.1.1 非平衡热力学系统的基本概念129

5.1 耗散结构论129

第5章 复杂开放系统的自组织理论129

5.1.2 自组织现象131

5.1.3 稳定性与分叉理论132

5.1.4 耗散结构形成的条件133

5.2.1 协同学134

5.2 协同学与突变论134

5.2.2 突变论135

5.3.1 混沌的基本概念139

5.3 混沌学139

5.3.2 开放系统的混沌动力学141

5.3.3 维数与李雅普诺夫指数143

5.3.4 混沌的潜在应用领域144

5.4 智能控制与非线性科学146

6.1 物元分析学科的创立与发展147

第6章 物元分析与可拓集合147

6.2.1 物元的概念及其表示148

6.2 物元及其可拓性148

6.2.2 物元的可拓性149

6.3 物元变换152

6.3.2 物元的基本变换及其运算153

6.3.1 物元要素的基本变换153

6.3.3 物元基本变换的性质154

6.4.1 可拓集合的概念156

6.4 可拓集合156

6.4.2 可拓集合的关系和运算158

6.4.3 物元可拓集159

6.4.4 可拓关系及其运算160

6.5.1 实域中的距、模及位值161

6.5 关联函数161

6.5.2 简单关联函数与初等关联函数164

6.6.1 物元方程和蕴含方程167

6.6 物元方程与关联不等式167

6.5.3 质度函数167

6.6.2 转换桥的基本概念168

6.6.3 问题的物元模型169

第二篇 智能控制的知识工程和信息科学基础第7章 智能控制的知识工程基础170

6.6.4 关联不等式和不相容问题求解170

7.1.1 什么是专家系统174

7.1 专家系统基础174

7.2.1 一般专家系统的结构175

7.2 专家系统的结构175

7.1.2 建立专家系统的目的和意义175

7.2.2 理想化的专家系统的结构178

7.3.1 知识表示的重要性179

7.3 知识的表示179

7.3.2 谓词逻辑表示法180

7.3.4 语义网络表示法182

7.3.3 时序逻辑表示法182

7.3.6 框架表示法184

7.3.5 产生式表示法184

7.3.8 定性模型知识表示法185

7.3.7 过程表示法185

7.3.9 神经网络产生规则表示法189

7.3.10 Petri网的知识表示法190

7.3.11 知识的综合集成表示192

7.4.2 不精确推理的方法194

7.4.1 不精确推理的一般描述194

7.4 专家系统中的推理方法194

7.5.1 基于规则的推理201

7.5 智能控制系统中的推理201

7.5.2 模糊逻辑推理202

7.5.3 基于神经网络的推理204

7.5.4 定性推理205

7.5.5 基于事例的推理206

7.5.6 基于规则、事例和模型的综合推理208

7.6.1 知识获取的途径209

7.6 知识的获取209

7.6.2 知识获取的步骤210

7.7.1 产生式系统的结构及特点212

7.7 产生式系统212

7.7.3 产生式系统的应用213

7.7.2 产生式系统的分类213

7.8.1 学习系统214

7.8 智能学习系统214

7.8.2 机器学习215

7.8.3 智能学习系统216

7.9 人机智能结合系统217

7.9.2 人-机智能结合的必要条件218

7.9.1 人的智能模型218

7.9.3 人-机交互作用219

7.9.4 计算机的智能结构220

8.1.1 可能性空间222

8.1 智能控制和信息科学222

第8章 智能控制的信息科学基础222

8.2 信息论的产生及发展223

8.1.2 从可能性空间看信息223

8.3.2 信息是知识的内涵225

8.3.1 信息的概念225

8.3 信息是知识的内涵225

8.4 信息系统模型226

8.5 熵和信息227

8.6 负熵与广义信息论228

9.1.1 智能控制的定义230

9.1 智能控制的基本概念230

第三篇 智能控制理论与系统设计230

第9章 智能反馈控制理论基础230

9.1.2 智能控制的基本要素232

9.2.2 基于信息论的递阶智能控制结构233

9.2.1 智能控制系统的基本结构233

9.2 智能控制系统的结构233

9.3 智能控制系统的类型235

9.2.3 基于广义信息的智能控制系统结构235

9.4 智能控制系统的理论基础及其本质236

10.1.2 大系统递阶结构的描述237

10.1.1 大系统控制的基本形式237

第10章 多级递阶智能控制237

10.1 复杂系统控制的基本形式237

10.2.2 协调的基本原则239

10.2.1 协调239

10.2 递阶控制的一般原理239

10.3.2 多级递阶智能控制的原理240

10.3.1 多级递阶智能控制系统的组成240

10.3 多级递阶智能控制240

10.3.3 机器人递阶智能控制系统的结构241

10.4 人-机交互的多级递阶智能控制242

11.1.2 专家控制系统的结构245

11.1.1 专家控制系统的特点245

第11章 基于知识的专家控制245

11.1 专家控制系统245

11.1.3 专家控制系统的原理246

11.2 实时过程控制专家系统247

11.3.1 专家控制器的一般结构248

11.3 专家控制器248

11.3.2 一种工业过程专家控制器249

11.4.1 系统的观测矩阵250

11.4 基于知识的智能过程控制250

11.4.2 基于知识系统的符号模型251

11.4.3 基于知识的双容器液位控制252

12.1.1 模糊控制的基本思想254

12.1 模糊自动控制原理254

第12章 模糊控制254

12.1.2 模糊控制系统的组成256

12.1.3 模糊控制的基本原理257

12.2.1 模糊控制器的结构设计263

12.2 模糊控制器设计的基本方法263

12.2.2 模糊控制规则的设计265

12.2.3 精确量的模糊化方法270

12.2.4 模糊推理及其模糊量的非模糊化方法271

12.2.5 论域、量化因子、比例因子的选择275

12.2.6 模糊控制查询表及算法流程图278

12.2.7 采样时间的选择279

12.3 模糊控制器的设计举例280

12.3.2 建立模糊控制规则281

12.3.1 确定模糊控制器的结构281

12.3.4 建立模糊控制表282

12.3.3 确定模糊变量的赋值表282

12.3.5 简单模糊控制器的控制特性284

12.4.1 控制规则的解析描述287

12.4 解析描述控制规则可调整的模糊控制器287

12.4.2 带有调整因子的控制规则288

12.4.3 模糊控制规则的自调整与自寻优290

12.4.4 带有自调整因子的模糊控制器294

12.4.5 带自调整函数的模糊控制规则295

12.5.1 基于模糊关系模型的系统辨识298

12.5 模糊系统辨识与模糊预测298

12.5.2 基于模糊关系模型的建模举例301

12.5.3 自适应模糊预测模型305

12.5.4 基于T-S模型的模糊系统辨识306

12.5.5 基于“模糊控制系统”的模型预报310

12.6.1 自适应模糊控制器的结构314

12.6 自适应·自组织·自学习模糊控制314

12.6.2 自适应模糊控制器的原理315

12.6.3 模型参考模糊自适应控制系统321

12.6.4 自校正模糊控制器331

12.6.5 自适应递阶模糊控制336

12.7.1 提高模糊控制稳态精度的方法341

12.7 提高模糊控制性能的多种方法341

12.7.2 提高模糊控制滞后对象能力的方法346

12.7.3 用三维模糊控制提高控制高阶对象的能力349

12.8.1 模糊控制器的多值继电器模型351

12.8 模糊控制器的模型结构及系统稳定性分析351

12.8.2 模糊控制器的代数模型354

12.8.3 模糊控制器的语言模型357

12.8.4 模糊控制器的颗粒模型、准线性模型和细胞模型362

12.8.5 双输入双输出模糊控制器的解析结构368

12.9.1 模糊控制系统稳定性分析理论的研究进展377

12.9 模糊控制系统稳定性分析的理论与方法377

12.9.2 基于语言模糊状态模型的稳定性分析378

12.10 模糊控制软件开发工具与模糊控制芯片384

12.10.1 模糊控制软件的开发工具385

12.10.2 模糊控制芯片391

13.1.1 神经控制的基本思想404

13.1 神经控制的基本原理404

第13章 神经控制404

13.2 神经网络控制的分类405

13.1.2 神经网络在控制中的主要作用405

13.2.1 基于神经网络的智能控制406

13.2.2 基于传统控制理论的神经控制408

13.3.1 间接学习神经控制410

13.3 神经网络学习控制的结构410

13.3.3 特殊学习神经控制的结构412

13.3.2 一般学习神经控制的结构412

13.4 神经网络直接反馈控制413

13.3.4 一般和特殊相结合的学习结构413

13.5 神经网络模型参考自适应控制416

13.6 神经网络自校正控制417

13.7.2 神经网络内模控制419

13.7.1 内模控制419

13.7 神经网络内模控制419

13.8.1 PSD控制420

13.8 神经元自适应PSD控制420

13.8.2 神经元自适应PSD控制算法421

13.9.1 FNAOC的结构422

13.9 基于模糊神经网络的自组织控制422

13.9.2 双向联想记忆网络及其产生模糊规则423

13.9.3 应用LVQ法产生If部分隶属函数425

13.9.4 FNAOC系统的应用426

13.10.2 模糊神经网络控制模型429

13.10.1 多变量系统的模糊控制模型429

13.10 多变量系统的模糊神经网络控制429

13.11 基于神经网络的模糊逻辑控制系统设计431

13.11.1 一般模糊控制的基本结构及其描述432

13.11.2 基于神经网络的模糊控制和决策433

13.11.3 神经网络每层节点的函数功能434

13.11.4 混合学习算法435

13.11.5 无人小车的神经网络模糊控制439

13.12 基于模糊推理和神经网络建造专家系统的一种方法441

13.12.2 神经网络的结构442

13.12.1 设计的基本思想和步骤442

13.12.3 导入算法443

13.12.4 隶属函数和模糊规则的修改444

13.12.6 从训练后的神经网络中提取规则举例446

13.12.5 信念传播与导出算法446

13.13.1 神经网络专家系统447

13.13 神经网络专家系统与故障诊断447

13.13.2 基于神经网络的控制系统故障诊断448

14.1.1 常规PID控制451

14.1 从PID控制看仿人智能控制451

第14章 基于规则的仿人智能控制451

14.1.2 对常规PID控制的剖析452

14.1.3 从PID控制得到的启发453

14.2.1 仿人智能控制的基本思想454

14.2 仿人智能控制的原理与结构454

14.2.2 仿人智能控制行为的特征变量455

14.2.3 仿人智能控制器的结构457

14.2.4 仿人智能控制的多种模式458

14.3.2 一个智能开关控制器的设计实例459

14.3.1 智能开关控制459

14.3 仿人智能开关控制器459

14.4.1 仿人比例控制的原理460

14.4 仿人比例控制器460

14.5.1 仿人智能积分原理461

14.5 仿人智能积分控制461

14.4.2 仿人比例控制算法461

14.5.2 仿人智能积分控制算法463

14.6.2 滞后过程的仿人智能采样控制464

14.6.1 采样周期对数字控制的影响464

14.6 仿人智能采样控制464

14.7.1 采样周期与控制周期的差异466

14.7 仿人智能控制周期的自选择466

14.8 基于极值采样的仿人智能控制467

14.7.3 仿人智能控制周期的在线自选择467

14.7.2 仿人智能控制周期467

14.8.2 仿人智能控制算法及其特点468

14.8.1 仿人智能控制器的静特性及运行机理468

14.9.1 过程的能量储存特性及其控制469

14.9 基于过程补余量的仿人智能控制469

14.9.2 基于过程补入量的仿人智能控制规则470

14.9.3 目标补入量J的递推算法471

15.1.1 模式识别的基本概念472

15.1 模式识别与智能控制472

第15章 基于模式识别的智能控制472

15.1.3 模式识别与智能控制474

15.1.2 模式识别与形象思维474

15.2.2 相平面e-？上特征模式类的划分475

15.2.1 系统瞬态响应特征的模式分类475

15.2 系统动态特性的模式识别475

15.2.3 误差相空间的特征模式集477

15.3.1 特征信息、特征状态与特征模式478

15.3 基于模式识别的智能控制478

15.3.2 基于模式识别的智能控制器的结构479

15.3.3 基于模式识别的智能控制器的设计480

15.3.4 基于模式识别的智能控制器的工业应用481

16.1.1 变结构控制的基本原理483

16.1 变结构控制的基本原理483

第16章 多模变结构智能控制483

16.1.2 变结构控制的应用484

16.2.2 VSC是一种双模控制方式486

16.2.1 VSC可视为一种规则控制486

16.2 变结构控制是一种双模控制486

16.3.2 变结构控制的不足487

16.3.1 变结构控制思想的启迪487

16.3 变结构控制的剖析487

16.4.2 多模变结构智能控制器设计488

16.4.1 多模变结构智能控制的基本思想488

16.4 多模变结构智能控制的原理488

16.5.1 滑动模态控制的系统描述489

16.5 模糊滑动模态控制489

16.4.3 多模变结构智能控制规则489

16.5.2 模糊滑动模态控制491

16.5.3 基于模糊逻辑的连续滑模控制492

17.1.2 学习控制律495

17.1.1 学习控制的基本概念495

第17章 学习控制与自学习控制495

17.1 学习控制系统495

17.1.3 学习控制的收敛性497

17.2.1 位置伺服系统的学习控制501

17.2 伺服系统的学习控制501

17.2.2 位置伺服系统的模糊学习控制506

17.3.1 自学习控制系统的结构510

17.3 自学习控制系统510

17.3.2 基于规则的自学习控制系统511

17.4 基于规则的自学习模糊控制512

17.4.1 建立模糊控制规则512

17.4.2 自学习模糊控制算法514

17.4.3 自学习控制算法举例515

18.1.1 由输入r所引起的混沌517

18.1 混沌与控制系统517

第18章 混沌控制与混沌预测517

18.1.3 混沌和周期解的共存519

18.1.2 由采样周期所引起的混沌519

18.2.1 混沌的短期预测功能520

18.2 混沌预测520

18.2.2 混沌短期预测的方法521

18.3.1 混沌芯片522

18.3 混沌模糊控制器522

18.3.2 混沌模糊控制器523

19.1 可拓控制的基本概念525

第19章 基于可拓逻辑的智能控制525

19.2 可拓控制的基本结构和原理526

19.3.2 特征量的选取和特征模式的确定528

19.3.1 可拓控制器的结构528

19.3 可拓控制器的设计方法528

19.3.3 特征状态关联度的计算529

19.3.5 确定控制模式和计算控制器输出530

19.3.4 测度模式的划分530

19.4.2 可拓知识库532

19.4.1 可拓专家系统的结构532

19.4 可拓专家系统的结构及原理532

19.4.3 评价机构与组织机构原理533

20.1.1 李雅普诺夫意义下的稳定性535

20.1 李雅普诺夫稳定性理论535

第20章 智能控制系统的稳定性分析535

20.1.2 李雅普诺夫稳定性理论536

20.2.1 大范围稳定与绝对稳定的概念538

20.2 绝对稳定性理论538

20.2.2 波波夫的稳定性分析方法540

20.2.3 圆判据541

20.3.1 智能控制系统的智能性542

20.3 智能控制系统的智能性与能控性542

20.3.2 智能控制系统的能控性544

20.4.2 智能控制规律的统一描述形式545

20.4.1 智能控制系统稳定性的定性分析545

20.4 智能控制系统的稳定性分析545

20.4.3 基于Lyapunov函数智能控制闭环系统稳定性分析546

第21章 智能控制在工业过程控制中的应用548

20.4.4 基于非线性科学的稳定性分析548

21.1.2 模糊控制器的结构549

21.1.1 概述549

第四篇 智能控制的工程应用549

21.1 蒸汽发动机的模糊控制系统549

21.1.3 模糊变量的论域及其隶属函数550

21.1.4 控制规则552

21.2.1 概述553

21.2 模糊控制在退火炉燃烧过程控制中的应用553

21.1.5 模糊控制的结果553

21.2.2 模糊控制系统的组成554

21.2.3 模糊控制器和模糊自寻优控制器555

21.2.4 应用效果与结论557

21.3.1 概述558

21.3 气炼机的自适应模糊控制系统558

21.3.3 气炼机控制系统的硬件设计559

21.3.2 自动气炼机的结构及其工艺流程559

21.3.4 气炼机控制系统的软件设计560

21.3.5 自动气炼机的模糊控制器562

21.3.6 自动气炼机透烧、预烧延时的自适应模糊控制563

21.4.2 模糊聚类分析566

21.4.1 概述566

21.3.7 小结566

21.4 电弧冶炼炉的模糊控制566

21.4.3 模糊控制规则568

21.4.4 控制系统的组成569

21.5.1 概述570

21.5 智能控制在造纸过程中的应用570

21.4.5 小结570

21.5.2 造纸过程分析及其控制571

21.5.3 造纸过程的专家智能控制572

21.5.4 实际运行结果577

21.6.1 概述578

21.6 仿人智能温度控制器578

21.5.5 小结578

21.6.3 仿人智能控制算法579

21.6.2 整机简介579

21.6.4 性能对比及结论581

21.7.1 神经自组织模糊控制系统的结构582

21.7 神经网络自组织模糊控制器及其在电力系统中的应用582

21.7.2 各部分功能及作用583

21.7.3 自组织模糊控制系统工作流程586

21.7.4 在电力系统频率控制中的应用588

21.8 轧钢机钢板厚度的非线性神经控制589

21.7.5 总结589

21.8.1 轧钢机模型与控制问题590

21.8.3 应用神经网络模型的非线性控制592

21.8.2 用神经网络进行对象建模592

第22章 智能控制在运载工具控制中的应用595

21.8.4 结果595

22.1.2 高技术机翼ATW596

22.1.1 概述596

22.1 高技术机翼的倾斜和力矩的模糊逻辑控制596

22.1.3 ATW的模糊控制597

22.1.4 鲁棒性测试及结论601

22.2.1 列车自动驾驶系统602

22.2 预测模糊控制在列车自动驾驶系统中的应用602

22.2.2 地铁列车的预测模糊控制系统603

22.2.3 应用实例及其效果605

22.3.1 排放量最小化607

22.3 汽车喷油系统的神经网络控制607

22.3.2 CMAC神经网络基础608

22.3.3 CMAC神经网络喷油控制610

第23章 智能控制在机器人控制中的应用611

22.3.4 CMAC控制器实验结果与结论611

23.1.2 模糊指令与模糊算法614

23.1.1 概述614

23.1 机器人的模糊控制614

23.1.3 模糊指令的解释615

23.1.4 机器人的模糊控制616

23.2.1 机器人及其控制620

23.2 基于神经网络的机器人控制620

23.1.5 机器人的控制过程620

23.2.2 神经网络控制的机器人621

23.3.2 应用神经网络补偿误差方式623

23.3.1 基于模型的误差补偿方式623

23.3 工业机器人的神经网络高精度控制623

23.3.3 实验结果624

23.4.2 学习控制的构成626

23.4.1 问题的提出626

23.4 应用学习控制抑制机器人的振动626

23.4.3 有弹性轴的机器人模型627

第24章 智能控制在家电产品中的应用629

23.4.4 工业机器人的学习控制的应用实验629

24.1.1 洗净度传感器631

24.1 模糊全自动洗衣机631

24.1.2 布量、布质传感器632

24.1.3 基于洗净度的模糊推理633

24.1.4 基于布量、布质的模糊控制634

24.1.5 模糊全自动洗衣机的特点635

24.2.1 模糊吸尘器设计的基本要求636

24.2 模糊控制吸尘器636

24.2.3 模糊控制吸尘器637

24.2.2 灰尘传感器637

24.3.2 模糊识别和模糊推理639

24.3.1 手抖修正原理639

24.3 模糊控制摄像机639

24.4.2 人工神经网络的培训641

24.4.1 系统组成及工作原理641

24.4 基于神经网络的冰柜温度智能控制系统641

24.4.3 性能测试与分析643

24.5.1 混沌仿真器的构成644

24.5 混沌控制煤油暖风器644

24.5.3 混沌暖风器的运行效果646

24.5.2 混沌产生舒适暖风的机理646

参考文献648

附录 本书作者及其合作者1999～2005年发表的学术论文、著作目录657