《智能控制系统 模糊逻辑·专家系统·神经网络控制》求取 ⇩

目次1

前言1

1 绪论1

1.1　智能控制的发展过程及特点1

1.2　智能控制的基本设计方法3

1.2.1　模糊控制3

1.2.2　专家控制系统5

1.2.3　分级递阶智能控制6

1.2.4　神经网络控制系统6

1.3　智能控制系统的现状与发展趋势10

2　模糊控制系统11

2.1　概述11

2.2.1　普通集合12

2.2　模糊集合的基本概念12

2.2.2　模糊集合14

2.2.3　模糊运算15

2.3　模糊关系17

2.3.1　普通关系17

2.3.2　模糊关系17

2.3.3　模糊变换20

2.3.4　模糊决策21

2.4 模糊推理Fuzzy Inference22

2.4.1 模糊逻辑22

2.4.2 模糊语言算子22

2.4.3 模糊推理24

2.5 模糊控制器的基本原理与设计方法24

2.5.1 模糊控制器的基本原理24

2.5.2 基本模糊控制器的设计方法26

2.6 Fuzzy自整定PID参数控制器的设计37

2.7 自校正模糊控制器的设计39

2.8 模糊控制系统的稳定性分析43

2.8.1 模糊控制系统的结构与稳定性43

2.8.2 模糊系统的全局渐近稳定性判据47

2.8.3 非线性系统的模糊稳定性判据50

3 专家智能控制系统54

3.1 专家系统的基本组成54

3.2 专家系统的知识表示方法55

3.2.1 产生式规则表示法55

3.2.2 状态空间表示法56

3.2.3 框架表示法57

3.2.4 “与或图”表示法58

3.2.5 黑板模型结构59

3.2.6 神经网络知识表示61

3.2.7 综合知识的表达方法62

3.3 专家系统的自动推理机制62

3.3.1 宽度优先搜索66

3.3.2 深度优先搜索67

3.3.3 不精确推理67

3.3.4 模糊Petri网的不确定知识获取与推理73

3.4 专家控制系统的基本原理与基本结构78

3.5 直接专家控制80

3.5.1 知识库建立81

3.5.2 控制知识的获取81

3.5.3 推理方法的选用82

3.6 间接专家控制82

3.7.1 仿人智能控制基本方法88

3.7 仿人智能控制88

3.7.2 仿人分层递阶智能控制器91

3.8 专家模糊控制系统设计93

3.8.1 基本控制级93

3.8.2 专家智能协调级93

3.8.3 智能协条级的知识获取93

4 神经网络基本理论96

4.1 人工神经网络的基本特性96

4.1.1 神经元的解剖96

4.1.2 神经网络的基本特性97

4.2 感知器模型98

4.3 多层感知机模型100

4.4 前向多层神经网络的BP学习算法102

4.4.1 单样本学习法103

4.4.2 随机学习法105

4.4.3 集中学习法106

4.4.4 加快反传算法的收敛速度106

4.5 Hopfield神经网络106

4.5.1 离散型Hopfield神经网络107

4.5.2 连续型Hopfield神经网络108

4.6 动态反馈控制网络110

4.7 自组织神经网络113

4.8 自适应线性元件（Adaline）114

4.8.1 线性可分性115

4.8.2 非线性可分性——非线性输入函数116

4.8.3 MADALINES网络117

4.8.4 Widrow-Hoffδ规则117

4.9 玻耳兹曼机模型118

4.10 双向联想记忆网络119

5 神经网络系统辨识123

5.1 系统辨识的基础123

5.2 神经网络系统辨识的可行性分析124

5.2.1 可行性分析124

5.2.2 ANN学习算法的收敛性分析126

5.3 多层前馈神经网络用于系统辨识129

5.4 基于单层神经网络的线性系统辨识方法134

5.4.1 动态系统与误差函数的构造135

5.4.2 基于梯度学习方法的动态系统参数136

5.5 Hopfield网络的动态系统辨识138

5.5.1 Hopfield网络模型138

5.5.2 Hopfield网络实现系统辨识138

5.5.3 模拟结果140

5.5.4 辨率响应辨识141

5.6 几种神经网络辨识算法的比较142

6 神经网络智能控制系统148

6.1 几种典型的神经网络控制系统结构148

6.1.1 直接自校正控制148

6.1.2 间接自校正控制149

6.1.3 神经网络模型参考自适应控制（NNMRAC）149

6.1.4 NN与常规控制方法的结合149

6.1.5 神经网络内模控制150

6.1.6 神经网络非线性预测控制（NPC）150

6.1.7 神经网络专家系统控制150

6.1.8 神经网络模糊控制151

6.1.9 基于CMAC网络的学习控制系统151

6.1.10 神经网络与其它控制方法153

6.2 ANN智能控制系统的可控性与稳定性分析153

6.2.2 智能控制的稳定性分析154

6.2.1 智能控制的可控性154

6.3 ANN学习控制器设计156

6.4 基于高斯基函数网络（GPFN）的智能控制设计159

6.4.1 引言159

6.4.2 GPFN网络特点与结构160

6.4.3 广义GRLS网络学习算法及系统辨识161

6.4.4 基于GPFN网络的智能PID控制器设计163

6.4.5 神经PID控制系统的收敛性和稳定性分析166

6.4.6 仿真实验结果167

6.5 基于自适应神经网络的智能控制169

6.5.1 自适应神经网络结构169

6.5.2 单层自适应Adaline网络的智能控制器设计174

6.5.3 基于多层自适应网络的自学习控制176

7.1.1 自适应控制系统180

7.1 神经网络自适应控制方法180

7 神经网络自适应控制系统180

7.1.2 神经网络自适应控制系统的类型181

7.2 基于单层感知器的自适应控制器设计183

7.2.1 逆动态建模与学习规则183

7.2.2 神经网络控制器184

7.2.3 噪声序列的估计185

7.2.4 仿真实例187

7.3 非线性神经网络自校正控制188

7.3.1 非线性神经网络逼近描述188

7.3.2 自校正自适应神经控制189

7.4 非线性系统的自适应神经控制191

7.4.1 最小相位性质191

7.4.2 自适应神经控制191

7.5.1 动态递归神经网络195

7.5 基于动态递归神经网络的模型参考自适应控制195

7.5.2 基于RNM（递归网模型）的系统建模196

7.5.3 基于RNC（动态递归网控制）的自适应控制197

7.5.4 动态网络控制系统的收敛性分析199

7.5.5 基于模糊逻辑推理的自适应学习率200

7.5.6 系统仿真结果201

7.6 神经网络自适应控制在机器人控制中的应用202

7.6.1 神经网络的机器人逆模学习控制203

7.6.2 基于神经网络的机器人模型参考自适应控制210

8 模糊神经网络智能控制系统217

8.1 模糊控制与神经网络的融合217

8.2 模糊神经网络控制模型220

8.2.1 模糊联想存贮器（FAM）220

8.2.2 模糊控制网络224

8.3.1 神经模糊网络推理225

8.3 神经模糊推理系统225

8.3.2 模糊神经网络的直接推理模型230

8.4 模糊神经网络自学习控制器设计234

8.4.1 基本模糊逻辑控制234

8.4.2 模糊神经网络自学习控制235

8.5 模糊神经网络自适应控制系统237

8.5.1 模糊逻辑推理控制器237

8.5.2 模糊高斯基函数网络推理控制器设计240

8.5.3 神经网络动态系统辨识244

8.5.4 系统仿真结果与控制实例246

8.6 模糊神经网络自组织控制系统249

8.6.1 自组织模糊控制器249

8.6.2 模糊神经网络自组织控制系统252

8.6.3 仿真实验结果及应用分析261

9.1　最优控制系统264

9.1.1 目标函数及最优控制问题264

9 神经网络最优控制系统264

9.1.2　线性二次型最优控制问题的一般解266

9.2　基于神经网络的最优控制问题的求解270

9.2.1　线性离散系统的最优控制问题270

9.2.2　人工神经网络模型271

9.2.3　用神经网络解最优控制问题271

9.3　神经网络伺服最优鲁棒控制系统273

9.3.1　伺服系统的离散最优鲁棒控制274

9.3.2　神经网络控制器设计276

10.1　遗传算法基本原理282

10.1.1　基本遗传算法282

10　遗传算法与智能控制系统282

10.1.2　遗传算法的数学基础284

10.1.3　非线性优化问题的遗传算法287

10.2　遗传算法在智能控制中的应用291

10.2.1　用遗传算法辨识系统参数291

10.2.2　基于遗传算法的控制参数在线优化方法293

10.3　遗传算法在神经网络学习中的应用295

10.3.1　遗传神经网络结构296

10.3.2　用遗传算法训练神经网络权值297

10.3.3　用遗传算法学习的神经网络控制器298

10.4　模糊推理神经网络与遗传算法的结合302

11　综合智能控制系统的工程应用307

11.1　智能机器人的模糊控制307

11.1.1　机器人的控制系统307

11.1.2　机器人的模糊控制310

11.2　实时专家智能控制系统的设计与应用317

11.2.1　REICS组成与功能模块318

11.2.2　REICS的知识表示方法319

11.2.3　REICS的推理机制326

11.2.4　REICS的知识获取与知识库管理337

11.2.5　人机接口与解释机制338

11.2.6　REICS的应用实例341

11.3　直流调速系统的智能协调控制341

11.3.1　神经网络专家智能协调控制342

11.3.2　智能协调控制系统的仿真与计算机软硬件实现347

11.4　熟料窑炉的综合集成智能控制350

11.4.1　综合集成智能控制系统设计350

11.4.2　综合集成智能控制的计算机软硬件实现362

11.4.3　系统实时控制实验结果363

参考文献365

附录　本书的部分仿真程序清单376

一、前馈网络的模拟程序377

二、面向方程的数值积分法模糊神经网络仿真程序384

三、面向结构图的离散相似法智能控制系统仿真程序392

四、工业过程二阶被控对象的模糊神经网络控制系统仿真程序403

五、基于BP网络的系统辨识仿真程序408

六、非线性系统的神经网络自适应、自学习、自组织控制系统仿真程序413

七、两关节点机器人控制仿真程序441

八、屏幕图形打印程序450

九、屏幕绘图程序457

十、模糊逻辑倒立摆控制程序462

十一、基于模糊逻辑的二关节机器人控制仿真程序484

十二、遗传算法模拟仿真程序489

十三、三关节点机器人实时模糊控制系统仿真程序505