《智能控制理论与技术》求取 ⇩

第1章绪论1

1.1 智能控制的基本概念1

1.1.1 智能控制的研究对象1

1.1.2 智能控制系统1

1.1.3 智能控制系统的基本结构2

1.1.4 智能控制系统的主要功能特点3

1.1.5 智能控制研究的数学工具4

1.2 智能控制的发展概况4

1.3 智能控制理论10

参考文献15

第2章模糊逻辑控制16

2.1 概述16

2.1.1 模糊控制与智能控制16

2.1.2 模糊集合与模糊数学的概念16

2.1.3 模糊控制的发展和应用概况17

2.2 模糊集合及其运算19

2.2.1 模糊集合的定义及表示方法19

2.2.2 模糊集合的基本运算22

2.2.3 模糊集合运算的基本性质23

2.3.1 模糊关系的定义及表示24

2.2.4 模糊集合的其它类型运算24

2.3 模糊关系24

2.3.2 模糊关系的合成26

2.4 模糊逻辑与近似推理27

2.4.1 语言变量27

2.4.2 模糊蕴含关系28

2.4.3 近似推理30

2.4.4 模糊蕴含关系运算方法的比较和选择35

2.4.5 合成运算方法的选择40

2.4.6 句子连接关系的逻辑运算41

2.5.1 模糊推理的基本方法42

2.5 基于控制规则库的模糊推理42

2.5.2 模糊推理的性质45

2.5.3 模糊控制中几种常见的模糊推理类型49

2.6 模糊控制的基本原理52

2.6.1 模糊控制器的基本结构和组成52

2.6.2 模糊化运算54

2.6.3 数据库55

2.6.4 规则库58

2.6.5 模糊推理与清晰化计算60

2.6.6 论域为离散时模糊控制的离线计算62

2.7 模糊控制系统的分析和设计67

2.7.1 模糊模型表示67

2.7.2 模糊系统分析68

2.7.3 模糊系统设计74

2.7.4 基于Takagi-Sugeno模型的稳定性分析和设计81

2.7.5 基于模糊状态方程模型的系统分析和设计90

2.8 自适应模糊控制107

2.8.1 基于性能反馈的直接自适应模糊控制107

2.8.2 基于模糊模型求逆的间接自适应模糊控制114

参考文献123

第3章神经网络控制125

3.1 概述125

3.1.1 神经元模型125

3.1.2 人工神经网络127

3.1.3 生物神经网络系统与计算机处理信息的比较128

3.1.4 神经网络的发展概况128

3.2 前馈神经网络129

3.2.1 感知器网络130

3.2.2 BP网络133

3.2.3 BP网络学习算法的改进135

3.2.4 神经网络的训练136

3.3 反馈神经网络140

3.3.1 离散Hopfield网络140

3.3.2 连续Hopfield网络150

3.3.3 Boltzmann机154

3.4 局部逼近神经网络158

3.4.1 CMAC神经网络158

3.4.2 B样条神经网络163

3.4.3 径向基函数神经网络168

3.5 模糊神经网络169

3.5.1 基于标准模型的模糊神经网络170

3.5.2 基于Takagi-Sugeno模型的模糊神经网络177

3.6 基于神经网络的系统建模与辨识181

3.6.1 概述181

3.6.2 逼近理论与网络建模183

3.6.3 利用多层静态网络的系统辨识187

3.6.4 利用动态网络的系统辨识190

3.7 神经网络控制194

3.7.1 概述194

3.7.2 神经网络控制结构195

3.7.3 基于全局逼近神经网络的控制201

3.7.4 基于局部逼近神经网络的控制205

3.7.5 模糊神经网络控制209

3.7.6 有待解决的问题216

3.8 神经网络在机器人控制中的应用217

3.8.1 神经网络运动学控制217

3.8.2 神经网络动力学控制222

3.8.3 神经网络路径规划227

参考文献237

4.1.1 专家控制的由来240

4.1.2 专家系统240

4.1 概述240

第4章专家控制240

4.1.3 专家控制的研究状况和分类244

4.2 专家控制的基本原理246

4.2.1 专家控制的功能目标246

4.2.2 控制作用的实现247

4.2.3 设计规范和运行机制249

4.3 专家控制系统的典型结构250

4.3.1 系统结构250

4.3.2 系统实现256

4.4 专家控制的例示258

4.4.1 自动调整过程258

4.4.2 自动调整过程的实现263

4.5 专家控制技术的研究课题264

4.5.1 实时推理264

4.5.2 知识获取266

4.5.3 专家控制系统的稳定性分析270

4.6 一种仿人智能控制274

4.6.1 概念和定义274

4.6.2 原理和结构276

4.6.3 仿人智能控制的特点278

参考文献279

第5章学习控制282

5.1 概述282

5.1.1 学习控制问题的提出282

5.1.2 学习控制的表述283

5.1.3 学习控制和自适应控制284

5.1.4 学习控制的研究状况和分类284

5.2 基于模式识别的学习控制286

5.2.1 学习控制系统的一般形式286

5.2.2 模式分类288

5.2.3 可训练控制器290

5.2.4 线性再励学习控制292

5.2.5 Bayes学习控制292

5.2.6 基于模式识别的其他学习控制方法294

5.2.7 研究课题297

5.3 基于迭代和重复的学习控制297

5.3.1 迭代和重复自学习控制的基本原理298

5.3.2 异步自学习控制301

5.3.3 异步自学习控制时域法304

5.3.4 异步自学习控制频域法309

5.4 联结主义学习控制313

5.4.1 基本思想313

5.4.2 联结主义学习系统的实现原理315

5.4.3 联结主义学习控制系统的结构322

5.4.4 研究课题324

参考文献325

第6章分层递阶智能控制328

6.1 一般结构原理328

6.2 组织级330

6.3.1 协调级的原理结构333

6.3 协调级333

6.3.2 Petri网翻译器336

6.3.3 协调级的Petri网结构337

6.3.4 协调级结构的决策和学习339

6.4 执行级343

参考文献344

第7章遗传算法345

7.1 概述345

7.2 遗传算法的工作原理及操作步骤347

7.2.1 遗传算法的基本操作347

7.2.2 遗传算法的模式理论350

7.3 遗传算法的实现及改进353

7.3.1 遗传算法的实现353

7.3.2 遗传算法的改进356

7.3.3 改进的遗传算法举例357

7.4 遗传算法应用举例361

7.4.1 遗传算法在模糊逻辑控制中的应用361

7.4.2 遗传算法在神经网络控制中的应用365

7.4.3 用遗传算法进行路径规划369

参考文献373