《智能控制技术》求取 ⇩

第一章 智能控制概述1

1.1 智能控制的基本概念1

1.1.1 什么是智能控制1

1.1.2 智能控制的研究对象2

1.2 智能控制系统的特征和性能2

1.2.1 智能控制系统的一般结构2

1.2.2 智能控制系统的主要功能特征3

1.2.3 智能控制系统的特征模型3

1.3 智能控制系统的类型5

1.4 智能控制的发展概况9

习题10

1.5 小结10

第二章 智能控制的知识工程基础11

2.1 知识的基本概念11

2.1.1 什么是知识11

2.1.2 知识的分类12

2.2 知识的表示12

2.2.1 一阶谓词表示法13

2.2.2 时序逻辑表示法15

2.2.3 产生式表示法16

2.2.4 语义网络知识表示法16

2.2.5 框架知识表示法19

2.2.6 Petri网知识表示法23

2.2.7 定性模型知识表示法26

2.2.8 可视知识模型29

2.3.1 非自动知识获取30

2.3 知识的获取30

2.3.2 自动知识获取31

2.4 知识的处理35

2.4.1 推理的方式与分类35

2.4.2 推理控制策略37

2.4.3 状态空间的搜索策略40

2.5 小结49

习题51

3.1 递阶控制的一般原理52

3.1.1 大系统递阶结构的描述52

第三章 分级递阶智能控制52

3.1.2 递阶控制的一般原理53

3.2 分级递阶智能控制53

3.2.1 分级递阶智能控制系统的结构53

3.2.2 分级递阶智能控制原理54

3.3 小结59

习题59

第四章 遗传算法60

4.1 什么是遗传算法60

4.1.1 遗传算法的生物遗传学基础60

4.1.2 遗传算法的特点61

4.1.3 遗传算法的基本操作62

4.2.1 遗传算法的模式理论66

4.2 遗传算法的理论基础66

4.2.2 遗传算法实现中的一些基本问题72

4.3 基于遗传的机器学习系统75

4.3.1 分类器系统的结构75

4.3.2 规则信息系统77

4.3.3 信任分配系统77

4.3.4 机器学习中的遗传算法78

4.4 遗传算法的计算机实现79

4.5 基于遗传算法的系统在线辨识90

4.5.1 遗传算法在参数辨识中的应用91

4.5.2 遗传算法参数辨识仿真示例92

4.6 小结93

习题94

第五章 神经网络控制95

5.1 神经网络的基本概念95

5.1.1 生物神经元模型95

5.1.2 人工神经元模型96

5.1.3 人工神经网络模型98

5.1.4 神经网络的学习方法99

5.2 前向网络及其主要算法102

5.2.1 感知器102

5.2.2 BP网络103

5.3 反馈网络108

5.3.1 Hopfield网络108

5.2.3 RBF网络108

5.3.2 Boltzmann机网络112

5.3.3 自组织特征映射网络(Kohonen网络)114

5.4 神经网络模型辨识115

5.4.1 正向建模115

5.4.2 逆模型118

5.5 神经元自适应PID控制120

5.5.1 神经控制的基本思想120

5.5.2 单神经元自适应PID控制120

5.6 神经元自适应PSD控制123

5.6.1 自适应PSD控制算法123

5.6.2 单神经元自适应PSD控制124

5.7 神经网络内模控制126

5.7.1 内模控制126

5.7.2 神经网络内模控制127

5.8 神经网络自适应控制127

5.8.1 神经网络自校正控制128

5.8.2 神经网络模型参考控制129

5.9 神经网络PID控制130

5.9.1 基于BP神经网络Kp,KI,KD参数自学习PID控制器130

5.9.2 改进型BP神经网络Kp,KI,KD参数自学习PID控制器133

5.10 小结137

习题138

6.1 概述139

6.1.1 模糊概念139

第六章 模糊控制的数学基础139

6.1.2 模糊性与随机性140

6.2 模糊集合141

6.2.1 普通集合141

6.2.2 模糊集合143

6.2.3 模糊集合与普通集合的联系148

6.3 模糊关系与模糊关系合成150

6.3.1 模糊关系的基本概念150

6.3.2 模糊关系合成153

6.3.3 模糊关系的性质154

6.3.4 模糊变换155

6.4.1 模糊语言与语言变量157

6.4 模糊推理157

6.4.2 模糊命题与模糊条件语句159

6.4.3 模糊推理163

6.5 小结174

习题174

第七章 模糊控制177

7.1 模糊控制系统原理177

7.1.1 传统控制系统的特点177

7.1.2 模糊控制系统的工作原理179

7.1.3 模糊控制的系统结构181

7.1.4 模糊控制器的结构与组成187

7.2.1 模糊控制器设计要求192

7.2 模糊控制器设计192

7.2.2 清晰量的模糊化194

7.2.3 模糊量的清晰化198

7.2.4 模糊控制规则及控制算法200

7.3 自调整模糊控制技术214

7.3.1 带有自调整因子的模糊控制器215

7.3.2 带有自调整函数的模糊控制器216

7.4 神经网络实现的模糊控制218

7.4.1 常规模糊系统的等价神经网络218

7.4.2 模糊神经网络技术在温度控制过程中的应用224

7.4.3 基于T-S模型的模糊神经网络229

7.5.1 遗传算法和模糊逻辑、神经网络的融合230

7.5 基于遗传算法优化的模糊控制230

7.5.2 基于遗传算法优化的模糊控制器233

7.5.3 基于遗传算法的模糊温度控制实验234

7.6 小结235

习题236

第八章 专家控制238

8.1 专家系统概述238

8.1.1 什么是专家系统238

8.1.2 专家系统的基本组成239

8.1.3 专家系统的特征及类型240

8.2 专家控制系统241

8.2.1 专家控制系统的特点241

8.2.2 专家控制系统的工作原理242

8.2.3 专家控制器246

8.3 模糊专家系统247

8.3.1 模糊专家系统的基本结构247

8.3.2 可能性分布与模糊测度248

8.3.3 模糊性知识的规则表示251

8.3.4 不确定性推理模型254

8.4 逻辑程序设计语言255

8.4.1 Prolog语言的特点255

8.4.2 Prolog语言的语法与数据结构255

8.4.3 Prolog程序的执行与控制257

8.5 小结261

习题262

9.1.1 仿人智能控制的基本思想263

9.1 仿人智能控制的原理263

第九章 基于规则的仿人智能控制263

9.1.2 仿人智能行为的特征变量264

9.2 仿人智能开关控制266

9.2.1 智能开关控制266

9.2.2 智能开关控制器设计示例266

9.3 仿人比例控制267

9.3.1 仿人比例控制原理267

9.3.2 仿人比例控制算法268

9.4 仿人智能积分控制269

9.4.1 仿人智能积分原理269

9.4.2 仿人智能控制算法270

9.5.1 系统动态特征模式类271

9.5 基于特征辨识的多模态智能控制271

9.5.2 基于特征辨识的智能控制273

9.6 小结274

习题275

第十章 智能控制应用示例276

10.1 电加热炉炉温智能控制276

10.1.1 电加热炉模型分析276

10.1.2 电加热炉炉温智能控制279

10.2 集装箱吊车的模糊控制289

10.2.1 吊车模糊控制规则的建立289

10.2.2 模糊逻辑吊车控制器的结构290

10.2.3 模糊控制的可编程控制器实现293

10.3.1 MC68HC11E9数字单片机的特性296

10.3 模糊控制技术的微机实现296

10.3.2 温度模糊控制器的实现302

10.4 模糊控制的洗衣机306

10.4.1 模糊控制洗衣机系统电路结构306

10.4.2 洗衣机的模糊推理309

10.4.3 洗衣机物理量检测方法311

10.4.4 布质、布量的模糊推理313

10.5 倒立摆的模糊神经网络控制317

10.5.1 再励学习的模糊神经网络317

10.5.2 倒立摆的模糊神经网络自适应控制322

参考文献325