智能控制（第4版）

第1章 緒論
1．1 智能控制的發(fā)展過程
1．2 智能控制的幾個重要分支
1．3 智能控制的特點、研究工具及應用
思考題與習題1
第2章 專家控制
2．1 專家系統(tǒng)
2．1．1 專家系統(tǒng)概述
2．1．2 專家系統(tǒng)的構成
2．1．3 專家系統(tǒng)的建立
2．2 專家控制
2．2．1 專家控制概述
2．2．2 專家控制的基本原理
2．2．3 專家控制的關鍵技術及特點
2．3 專家PID控制
2．3．1 專家PID控制原理
2．3．2 仿真實例
思考題與習題2
本章附錄(程序代碼)
第3章 模糊控制的理論基礎
3．1 概述
3．2 模糊集合
3．2．1 模糊集合的概念
3．2．2 模糊集合的運算
3．3 隸屬函數(shù)
3．4 模糊關系及其運算
3．4．1 模糊矩陣
3．4．2 模糊矩陣的運算與模糊關系
3．4．3 模糊關系的合成
3．5 模糊推理
3．5．1 模糊語句
3．5．2 模糊推理
3．5．3 模糊關系方程
思考題與習題3
本章附錄(程序代碼)
第4章 模糊控制
4．1 模糊控制的基本原理
4．1．1 模糊控制原理
4．1．2 模糊控制器的組成
4．1．3 模糊控制系統(tǒng)的工作原理
4．1．4 模糊控制器的結(jié)構
4．2 模糊控制系統(tǒng)分類
4．3 模糊控制器的設計
4．3．1 模糊控制器的設計步驟
4．3．2 模糊控制器的Matlab仿真
4．4 模糊控制應用實例――洗衣機的模糊控制
4．5 模糊自適應整定PID控制
4．5．1 模糊自適應整定PID控制原理
4．5．2 仿真實例
4．6 Sugeno模糊模型
4．7 基于極點配置的單級倒立擺TS模糊控制
4．7．1 TS模糊系統(tǒng)的設計
4．7．2 單級倒立擺的TS模型模糊 控制
4．8 模糊控制的應用
4．9 模糊控制發(fā)展概況
4．9．1 模糊控制發(fā)展的幾個轉(zhuǎn)折點
4．9．2 模糊控制的發(fā)展方向
4．9．3 模糊控制面臨的主要任務
思考題與習題4
本章附錄(程序代碼)
第5章 自適應模糊控制
5．1 模糊逼近
5．1．1 模糊系統(tǒng)的設計
5．1．2 模糊系統(tǒng)的逼近精度
5．1．3 仿真實例
5．2 簡單的自適應模糊控制
5．2．1 問題描述
5．2．2 模糊逼近原理
5．2．3 控制算法設計與分析
5．2．4 仿真實例
5．3 間接自適應模糊控制
5．3．1 問題描述
5．3．2 控制器的設計
5．3．3 仿真實例
5．4 直接自適應模糊控制
5．4．1 問題描述
5．4．2 控制器的設計
5．4．3 自適應律的設計
5．4．4 仿真實例
5．5 機器人關節(jié)數(shù)學模型
5．6 基于模糊補償?shù)臋C械手自適應模糊控制
5．6．1 系統(tǒng)描述
5．6．2 基于模糊補償?shù)目刂?
5．6．3 基于摩擦補償?shù)目刂?
5．6．4 仿真實例
思考題與習題5
本章附錄(程序代碼)
第6章 神經(jīng)網(wǎng)絡的理論基礎
6．1 神經(jīng)網(wǎng)絡發(fā)展簡史
6．2 神經(jīng)網(wǎng)絡原理
6．3 神經(jīng)網(wǎng)絡的分類
6．4 神經(jīng)網(wǎng)絡學習算法
6．4．1 Hebb學習規(guī)則
6．4．2 Delta（δ）學習規(guī)則
6．5 神經(jīng)網(wǎng)絡的特征及要素
6．6 神經(jīng)網(wǎng)絡控制的研究領域
思考題與習題6
第7章 典型神經(jīng)網(wǎng)絡
7．1 單神經(jīng)元網(wǎng)絡
7．2 BP神經(jīng)網(wǎng)絡
7．2．1 BP網(wǎng)絡特點
7．2．2 BP網(wǎng)絡結(jié)構
7．2．3 BP網(wǎng)絡的逼近
7．2．4 BP網(wǎng)絡的優(yōu)缺點
7．2．5 BP網(wǎng)絡逼近仿真實例
7．2．6 BP網(wǎng)絡模式識別
7．2．7 BP網(wǎng)絡模式識別仿真實例
7．3 RBF神經(jīng)網(wǎng)絡
7．3．1 RBF網(wǎng)絡結(jié)構與算法
7．3．2 RBF網(wǎng)絡設計實例
7．3．3 RBF網(wǎng)絡的逼近
7．3．4 高斯基函數(shù)的參數(shù)對RBF網(wǎng)絡逼近的影響
7．3．5 隱含層節(jié)點數(shù)對RBF網(wǎng)絡逼近的影響
7．3．6 控制系統(tǒng)設計中RBF網(wǎng)絡的逼近
思考題與習題7
本章附錄(程序代碼)
第8章 高級神經(jīng)網(wǎng)絡
8．1 模糊RBF網(wǎng)絡
8．1．1 網(wǎng)絡結(jié)構
8．1．2 基于模糊RBF網(wǎng)絡的逼近算法
8．1．3 仿真實例
8．2 小腦模型神經(jīng)網(wǎng)絡
8．2．1 CMAC概述
8．2．2 一種典型CMAC算法
8．2．3 仿真實例
8．3 Hopfield網(wǎng)絡
8．3．1 Hopfield網(wǎng)絡原理
8．3．2 基于Hopfield網(wǎng)絡的路徑優(yōu)化
思考題與習題8
本章附錄(程序代碼)
第9章 神經(jīng)網(wǎng)絡控制
9．1 概述
9．2 神經(jīng)網(wǎng)絡控制的結(jié)構
9．2．1 神經(jīng)網(wǎng)絡監(jiān)督控制
9．2．2 神經(jīng)網(wǎng)絡直接逆控制
9．2．3 神經(jīng)網(wǎng)絡自適應控制
9．2．4 神經(jīng)網(wǎng)絡內(nèi)?？刂?
9．2．5 神經(jīng)網(wǎng)絡預測控制
9．2．6 神經(jīng)網(wǎng)絡自適應評判控制
9．2．7 神經(jīng)網(wǎng)絡混合控制
9．3 單神經(jīng)元自適應控制
9．3．1 單神經(jīng)元自適應控制算法
9．3．2 仿真實例
9．4 RBF網(wǎng)絡監(jiān)督控制
9．4．1 RBF網(wǎng)絡監(jiān)督控制算法
9．4．2 仿真實例
9．5 RBF網(wǎng)絡自校正控制
9．5．1 神經(jīng)網(wǎng)絡自校正控制原理
9．5．2 自校正控制算法
9．5．3 RBF網(wǎng)絡自校正控制算法
9．5．4 仿真實例
9．6 基于RBF網(wǎng)絡直接模型參考自適應控制
9．6．1 基于RBF網(wǎng)絡的控制器設計
9．6．2 仿真實例
9．7 一種簡單的RBF網(wǎng)絡自適應控制
9．7．1 問題描述
9．7．2 RBF網(wǎng)絡原理
9．7．3 控制算法設計與分析
9．7．4 仿真實例
9．8 基于不確定逼近的RBF網(wǎng)絡自適應控制
9．8．1 問題的提出
9．8．2 模型不確定部分的RBF網(wǎng)絡逼近
9．8．3 控制器的設計及分析
9．8．4 仿真實例
9．9 基于模型整體逼近的機器人RBF網(wǎng)絡自適應控制
9．9．1 問題的提出
9．9．2 針對f(x)進行逼近的控制
9．9．3 仿真實例
9．10 神經(jīng)網(wǎng)絡數(shù)字控制
9．10．1 基本原理
9．10．2 仿真實例
9．11 離散系統(tǒng)的RBF網(wǎng)絡控制
9．11．1 系統(tǒng)描述
9．11．2 經(jīng)典控制器設計
9．11．3 自適應神經(jīng)網(wǎng)絡控制器設計
9．11．4 穩(wěn)定性分析
9．11．5 仿真實例
思考題與習題9
本章附錄(程序代碼)
第10章 智能算法及其應用
10．1 遺傳算法的基本原理
10．2 遺傳算法的特點
10．3 遺傳算法的發(fā)展及應用
10．3．1 遺傳算法的發(fā)展
10．3．2 遺傳算法的應用
10．4 遺傳算法的設計
10．4．1 遺傳算法的構成要素
10．4．2 遺傳算法的應用步驟
10．5 遺傳算法求函數(shù)極大值
10．6 基于遺傳算法的TSP問題優(yōu)化
10．6．1 TSP問題的編碼
10．6．2 TSP問題的遺傳算法設計
10．6．3 仿真實例
10．7 粒子群優(yōu)化算法
10．7．1 標準粒子群算法
10．7．2 粒子群算法的參數(shù)設置
10．7．3 粒子群算法的基本流程
10．8 粒子群算法的函數(shù)優(yōu)化與參數(shù)辨識
10．8．1 基于粒子群算法的函數(shù)優(yōu)化
10．8．2 基于粒子群算法的參數(shù)辨識
10．9 差分進化算法
10．9．1 標準差分進化算法
10．9．2 差分進化算法的基本流程
10．9．3 差分進化算法的參數(shù)設置
10．10 差分進化算法的函數(shù)優(yōu)化與參數(shù)辨識
10．10．1 基于差分進化算法的函數(shù)優(yōu)化
10．10．2 基于差分進化算法的參數(shù)辨識
思考題與習題10
本章附錄(程序代碼)
第11章 迭代學習控制
11．1 基本原理
11．2 基本迭代學習控制算法
11．3 迭代學習控制的關鍵技術
11．4 機械手軌跡跟蹤迭代學習控制仿真實例
11．4．1 控制器設計
11．4．2 仿真實例
11．5 線性時變連續(xù)系統(tǒng)迭代學習 控制
11．5．1 系統(tǒng)描述
11．5．2 控制器設計及收斂性分析
11．5．3 仿真實例
思考題與習題11
本章附錄(程序代碼)
附錄A
參考文獻