智能控制系统 模糊逻辑·专家系统·神经网络控制PDF电子书下载

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 Inference 22

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