智能控制（第2版）

第1章 概論
1.1 人工智能
1.1.1 人工智能的定義與發(fā)展
1.1.2 人類智能與人工智能
1.1.3 人工智能的各種認(rèn)知觀
1.2 智能控制的進展
1.2.1 自動控制的機遇與挑戰(zhàn)
1.2.2 自動化與人工智能
1.2.3 智能控制的發(fā)展
1.3 智能控制的定義、特點與結(jié)構(gòu)理論
1.3.1 智能控制的定義與特點
1.3.2 智能控制器的一般結(jié)構(gòu)
1.4 智能控制的結(jié)構(gòu)理論
1.4.1 二元結(jié)構(gòu)理論
1.4.2 三元結(jié)構(gòu)理論
1.4.3 四元結(jié)構(gòu)理論
1.5 本章概要
習(xí)題1
第2章 知識表示方法
2.1 狀態(tài)空間法
2.1.1 問題狀態(tài)描述
2.1.2 狀態(tài)圖示法
2.2 問題歸約法
2.2.1 問題歸約描述
2.2.2 與或圖表示
2.3 謂詞邏輯法
2.3.1 謂詞演算
2.3.2 謂詞公式
2.3.3 置換與合一
2.4 語義網(wǎng)絡(luò)法
2.4.1 二元語義網(wǎng)絡(luò)的表示
2.4.2 多元語義網(wǎng)絡(luò)的表示
2.4.3 語義網(wǎng)絡(luò)的推理過程
2.5 框架表示
2.5.1 框架的構(gòu)成
2.5.2 框架的推理
2.6 劇本表示
2.6.1 劇本的構(gòu)成
2.6.2 劇本的推理
2.7 過程表示
2.8 小結(jié)
習(xí)題2
第3章 搜索推理技術(shù)
3.1 圖搜索策略
3.2 盲目搜索
3.2.1 寬度優(yōu)先搜索
3.2.2 深度優(yōu)先搜索
3.2.3 等代價搜索
3.3 啟發(fā)式搜索
3.3.1 啟發(fā)式搜索策略和估價函數(shù)
3.3.2 有序搜索
3.3.3 A*算法
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理規(guī)則
3.4.3 含有變量的消解式
3.4.4 消解反演求解過程
3.5 規(guī)則演繹系統(tǒng)
3.5.1 規(guī)則正向演繹系統(tǒng)
3.5.2 規(guī)則逆向演繹系統(tǒng)
3.5.3 規(guī)則雙向演繹系統(tǒng)
3.6 產(chǎn)生式系統(tǒng)
3.6.1 產(chǎn)生式系統(tǒng)的組成
3.6.2 產(chǎn)生式系統(tǒng)的推理
3.6.3 產(chǎn)生式系統(tǒng)舉例
3.7 系統(tǒng)組織技術(shù)
3.7.1 議程表
3.7.2 黑板法
3.7.3 △-極小搜索法
3.8 不確定性推理
3.8.1 關(guān)于證據(jù)的不確定性
3.8.2 關(guān)于結(jié)論的不確定性
3.8.3 多個規(guī)則支持同一事實時的不確定性
3.9 非單調(diào)推理
3.9.1 默認(rèn)推理
3.9.2 非單調(diào)推理系統(tǒng)
3.10 小結(jié)
習(xí)題3
第4章 遞階控制系統(tǒng)
4.1 遞階智能機器的一般理論
4.1.1 遞階智能機器的一般結(jié)構(gòu)
4.1.2 遞階智能機器的主要定義
4.1.3 IPDI原理的解析公式
4.2 遞階智能控制系統(tǒng)的結(jié)構(gòu)
4.2.1 組織級的結(jié)構(gòu)
4.2.2 協(xié)調(diào)級的結(jié)構(gòu)
4.2.3 執(zhí)行級的結(jié)構(gòu)
4.3 智能機器人系統(tǒng)的遞階控制模型
4.3.1 組織級的控制模型
4.3.2 協(xié)調(diào)級的控制模型
4.3.3 執(zhí)行級的控制模型
4.4 遞階智能控制系統(tǒng)示例
4.4.1 智能機器人遞階裝配系統(tǒng)
4.4.2 核反應(yīng)堆的遞階控制
4.5 四層遞階控制系統(tǒng)舉例
4.5.1 紅旗自主車駕駛系統(tǒng)的組成
4.5.2 汽車自主駕駛控制系統(tǒng)的四層遞階結(jié)構(gòu)
4.5.3 駕駛控制系統(tǒng)的結(jié)構(gòu)與算法
4.5.4 自主駕駛系統(tǒng)高速公路試驗
4.6 小結(jié)
習(xí)題4
第5章 專家控制系統(tǒng)
5.1 專家系統(tǒng)
5.1.1 專家系統(tǒng)的特點
5.1.2 專家系統(tǒng)的結(jié)構(gòu)與類型
5.1.3 建筑專家系統(tǒng)的步驟與設(shè)計技巧
5.1.4 新型專家系統(tǒng)
5.2 專家控制系統(tǒng)
5.2.1 專家控制系統(tǒng)的控制要求與設(shè)計原則
5.2.2 專家控制系統(tǒng)的結(jié)構(gòu)
5.2.3 專家控制系統(tǒng)的類型
5.2.4 專家控制器示例
5.3 專家規(guī)劃器的設(shè)計與實現(xiàn)
5.3.1 規(guī)劃系統(tǒng)結(jié)構(gòu)和機理
5.3.2 ROPES機器人規(guī)劃系統(tǒng)
5.4 實時專家控制系統(tǒng)
5.4.1 實時控制系統(tǒng)的特點與要求
5.4.2 REICS系統(tǒng)的結(jié)構(gòu)
5.4.3 REICS的設(shè)計與實現(xiàn)
5.4.4 REICS系統(tǒng)的仿真與應(yīng)用
5.5 小結(jié)
習(xí)題5
第6章 模糊控制系統(tǒng)
6.1 模糊控制的數(shù)學(xué)基礎(chǔ)
6.1.1 模糊集合、模糊邏輯及其運算
6.1.2 模糊邏輯推理
6.1.3 模糊判決方法
6.2 模糊控制器的結(jié)構(gòu)
6.2.1 模糊控制器的一般結(jié)構(gòu)
6.2.2 PID模糊控制器
6.2.3 自組織模糊控制器
6.2.4 自校正模糊控制器
6.2.5 自學(xué)習(xí)模糊控制器
6.2.6 專家模糊控制器
6.3 模糊控制器的設(shè)計
6.3.1 模糊控制器的設(shè)計內(nèi)容與原則
6.3.2 模糊控制器的控制規(guī)則形式
6.4 模糊控制系統(tǒng)的設(shè)計方法
6.4.1 查表法
6.4.2 梯度下降法
6.4.3 遞推最小二乘法
6.4.4 聚類法
6.4.5 模糊系統(tǒng)設(shè)計的其他方法
6.5 模糊控制器的設(shè)計實例
6.5.1 造紙機模糊控制系統(tǒng)的設(shè)計
6.5.2 直流調(diào)速系統(tǒng)模糊控制器的設(shè)計
6.6 模糊控制器的特性
6.6.1 模糊控制器的靜態(tài)特性
6.6.2 模糊控制器的動態(tài)品質(zhì)
6.6.3 模糊控制系統(tǒng)的可控性
6.6.4 模糊控制系統(tǒng)的魯棒性
6.6.5 一類模糊控制系統(tǒng)在定向干擾下的可控性與魯棒性
6.7 模糊控制系統(tǒng)應(yīng)用舉例
6.7.1 雙支撐狀態(tài)的兩足機器人力控制問題
6.7.2 模糊變增益力控制原理
6.7.3 兩足機器人控制的實現(xiàn)與結(jié)果
6.8 小結(jié)
習(xí)題6
第7章 神經(jīng)控制系統(tǒng)
7.1 神經(jīng)網(wǎng)絡(luò)簡介
7.1.1 人工神經(jīng)網(wǎng)絡(luò)研究的起源
7.1.2 用于控制的人工神經(jīng)網(wǎng)絡(luò)
7.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
7.2.1 神經(jīng)元及其特性
7.2.2 人工神經(jīng)網(wǎng)絡(luò)的基本類型
7.2.3 人工神經(jīng)網(wǎng)絡(luò)的典型模型
7.3 人工神經(jīng)網(wǎng)絡(luò)示例及其算法
7.3.1 多層感知器（MLP）
7.3.2 數(shù)據(jù)群處理方法（GMDH）網(wǎng)絡(luò)
7.3.3 自適應(yīng)諧振理論（ART）網(wǎng)絡(luò)
7.3.4 學(xué)習(xí)矢量量化（LVQ）網(wǎng)絡(luò)
7.3.5 Kohonen網(wǎng)絡(luò)
7.3.6 Hopfield網(wǎng)絡(luò)
7.3.7 Elman and Jordan網(wǎng)絡(luò)
7.3.8 小腦模型連接控制（CMAC）網(wǎng)絡(luò)
7.4 神經(jīng)控制的結(jié)構(gòu)方案
7.4.1 NN學(xué)習(xí)控制
7.4.2 NN直接逆控制
7.4.3 NN自適應(yīng)控制
7.4.4 NN內(nèi)?？刂?br />7.4.5 NN預(yù)測控制
7.4.6 NN自適應(yīng)判斷控制
7.4.7 基于CAMC控制
7.4.8 多層NN控制
7.4.9 分級NN控制
7.5 模糊邏輯、專家系統(tǒng)及神經(jīng)網(wǎng)絡(luò)在控制中的集成
7.5.1 模糊神經(jīng)網(wǎng)絡(luò)原理
7.5.2 模糊神經(jīng)控制方案
7.6 神經(jīng)控制器的設(shè)計實例
7.6.1 石灰窯神經(jīng)內(nèi)?？刂葡到y(tǒng)的設(shè)計
7.6.2 神經(jīng)模糊自適應(yīng)控制器的設(shè)計
7.7 神經(jīng)控制系統(tǒng)應(yīng)用舉例
7.7.1 水輪發(fā)電機雙神經(jīng)元同步控制系統(tǒng)
7.7.2 高速列車運行過程的直接模糊神經(jīng)控制
7.8 小結(jié)
習(xí)題7
第8章 學(xué)習(xí)控制系統(tǒng)
8.1 學(xué)習(xí)控制概述
8.1.1 什么是學(xué)習(xí)控制
8.1.2 為什么要研究學(xué)習(xí)控制
8.1.3 學(xué)習(xí)控制的發(fā)展
8.2 學(xué)習(xí)控制方案
8.2.1 基于模式識別的學(xué)習(xí)控制
8.2.2 反復(fù)學(xué)習(xí)控制
8.2.3 重復(fù)學(xué)習(xí)控制
8.2.4 基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)控制
8.3 學(xué)習(xí)控制的某些問題
8.3.1 學(xué)習(xí)控制系統(tǒng)的建模
8.3.2 學(xué)習(xí)控制的穩(wěn)定性和收斂性分析
8.4 學(xué)習(xí)控制系統(tǒng)舉例
8.4.1 自學(xué)習(xí)模糊神經(jīng)控制模型
8.4.2 自學(xué)習(xí)模糊神經(jīng)控制算法
8.4.3 弧焊過程自學(xué)習(xí)模糊神經(jīng)控制系統(tǒng)
8.5 小結(jié)
習(xí)題8
第9章 其他智能控制
9.1 仿人控制
9.1.1 仿人控制原理與原型算法
9.1.2 仿人控制器的屬性與設(shè)計步驟
9.2 進化控制
9.2.1 遺傳算法的基本原理
9.2.2 遺傳算法的求解步驟
9.2.3 進化控制及其形式化描述
9.2.4 移動機器人進化控制系統(tǒng)的體系結(jié)構(gòu)和算法
9.3 免疫控制
9.3.1 免疫算法的提出和定義
9.3.2 免疫算法的設(shè)計方法和參數(shù)選擇
9.3.3 免疫控制的系統(tǒng)結(jié)構(gòu)和計算框圖
9.3.4 免疫控制系統(tǒng)示例
9.4 小結(jié)
習(xí)題9
第10章 智能控制的應(yīng)用與研究展望
10.1 智能控制的應(yīng)用研究領(lǐng)域與現(xiàn)狀
10.2 智能控制應(yīng)用研究存在的問題
10.3 智能控制的進一步研究問題
10.3.1 智能控制將起越來越重要的作用
10.3.2 智能控制的進一步研究問題
10.4 展望智能控制的發(fā)展
10.4.1 尋求更新的理論框架
10.4.2 進行更好的技術(shù)集成
10.4.3 開發(fā)更成熟的應(yīng)用方法
10.5 結(jié)束語
習(xí)題10
參考文獻