智能控制系统理论及应用PDF电子书下载

目录 1

第一章 绪论 1

§1.1 现代控制理论面临的挑战 1

§1.2 智能控制的提出 2

§1.3 智能控制的分类 4

1.3.1 基于规则的控制 4

1.3.2 模糊控制 5

1.3.3 神经控制 6

§1.4 智能控制展望 9

第二章 模糊集合论基础 11

§2.1 经典集及其运算 11

2.1.1 集合及其表示方法 11

2.1.2 经典集的运算 12

2.1.3 关系及其运算 15

2.1.4 集合的特征函数 20

§2.2 模糊集合的概念及运算 22

2.2.1 模糊集合的概念及表示方法 22

2.2.2 模糊集合的运算 26

§2.3 模糊集的分解与扩张 30

2.3.1 分解定理 30

2.3.2 扩张原理 32

§2.4 隶属函数的确定方法 34

§2.5 模糊集合的模糊度量 38

§2.6 模糊关系及其合成 42

2.6.1 模糊关系及其运算 42

2.6.2 模糊关系的合成 44

2.6.3 模糊矩阵 45

§2.7 模糊关系方程 48

习题 52

第三章 模糊控制论 55

§3.1 模糊控制的基本思想 55

§3.2 模糊控制器的设计方法 57

3.2.1 确定模糊控制器的输入输出变量 57

3.2.2 确定输入输出变量的模糊语言描述 57

3.2.3 模糊规则的建立及模糊推理 63

3.2.4 解模糊 74

3.2.5 论域和比例因子的确定 79

§3.3 模糊控制器的参数确定 81

3.3.1 模糊规则可调整的模糊控制器 81

3.3.2 比例因子自调整的模糊控制 89

3.3.3 具有积分作用的模糊控制 92

3.3.4 机械手伺服系统的智能模糊控制 94

§3.4 规则自组织模糊控制 101

3.4.1 性能测量 102

3.4.2 控制量校正 104

3.4.3 控制规则修正 105

§3.5 自学习模糊控制 108

3.5.1 模糊推理格式与算法 109

3.5.2 辨识算法 111

§3.6 复合模糊控制 126

3.6.1 模型参考自适应控制的模糊设计方法 126

3.6.2 一类非线性系统的模糊变结构设计 130

3.6.3 模糊建模在变结构控制中的应用 132

§3.7 模糊系统辨识 134

3.7.1 模糊模型 135

3.7.3 模糊关系的确定 136

3.7.2 参考模糊集合的确定 136

3.7.4 模糊关系的修正 137

§3.8 模糊模式识别 140

3.8.1 最大隶属度法 142

3.8.2 择近原则 144

§3.9 模糊控制静态和动态特性分析 147

3.9.1 静态特性 147

3.9.2 稳定性分析 155

习题 168

4.1.1 人工神经网络概念 171

第四章 人工神经网络理论 171

§4.1 人工神经网络理论概述 171

4.1.2 神经网络模型 175

§4.2 神经网络学习算法 178

4.2.1 Hebbian学习规则 179

4.2.2 感知器学习规则 181

4.2.3 Delta学习规则 183

4.2.6 Winner-Take-All学习法则 184

4.2.7 Outstar学习规则 184

4.2.5 相关学习法 184

4.2.4 Widrow-Hoff学习规则 184

§4.3 前向神经网络模型及其算法 185

4.3.1 线性分类器 186

4.3.2 感知器 189

4.3.3 Adaline和Madaline 200

§4.4 Hopfield神经网络 205

4.4.1 离散型Hopfield网络（DHNN） 206

4.4.2 连续型Hopfield神经网络（CHNN） 208

§4.5 联想记忆神经网络 211

4.5.1 线性联想记忆 211

4.5.2 回馈型自联想网络 213

4.5.3 双向联想记忆（BAM） 217

§4.6 自组织神经网络 221

4.6.1 最小Hamming距离分类网络 221

4.6.2 Kohonen网络 227

4.6.3 CPN模型 232

4.6.4 自组织特征映射 234

4.6.5 自适应共振理论（ART） 240

4.7.1 模拟退火算法 253

§4.7 随机神经网络模型 253

4.7.2 Boltzmann机 256

4.7.3 学习算法 256

§4.8 CMAC神经网络 260

4.8.1 CMAC模型的结构 261

4.8.2 网络的工作原理分析 264

4.8.3 CMAC的学习算法及收敛速度 275

习题 281

§5.1 神经控制的概念 286

第五章 神经控制论 286

§5.2 神经控制的学习模式 289

5.2.1 监督式学习 289

5.2.2 增强式学习 306

§5.3 直接逆控制与自适应控制 309

5.3.1 直接逆控制 309

5.3.2 自适应控制 313

§5.4 神经网络增强式学习控制 318

5.4.1 行为选择神经网络（ASN） 318

5.4.2 行为评价神经网络（AEN） 320

§5.5 非线性控制的神经网络方法 323

5.5.1 非线性系统反馈线性化 324

5.5.2 基于神经网络的自适应非线性反馈 326

§5.6 基于神经网络的复合控制方法 330

5.6.1 基于神经网络的模型参考自适应控制 330

5.6.2 基于神经网络的最优控制 342

§5.7 系统辨识的神经网络方法 347

5.7.1 Hopfield神经网络模型 347

5.7.2 基于参考模型的参数估计 348

5.8.1 改进的HCNN 352

§5.8 神经网络在规划中的应用 352

5.8.2 求解非线性规划问题的方法 355

5.8.3 求解多项式形式的非线性方程组 358

习题 359

第六章 混合智能控制系统 362

§6.1 混合智能控制系统的一般结构 362

§6.2 神经网络模糊系统 363

6.2.1 神经网络与模糊系统的生理背景 363

6.2.2 模糊系统和生物神经网络模型的联系 364

6.2.3 基于神经网络的模糊控制 367

6.3.1 网络结构 371

6.3.2 学习规则 371

§6.3 模糊神经网络 371

6.3.3 模糊神经网络的应用 373

§6.4 基于神经网络的专家系统 375

6.4.1 专家系统的基本原理 375

6.4.2 基于神经网络的专家系统 383

习题 387

7.1.1 引言 391

7.1.2 模糊控制方案的建立 391

§7.1 水泥回转窑的模糊辨识和控制 391

第七章 智能控制的应用 391

7.1.3 控制系统的实现 395

7.1.4 控制效果 396

§7.2 自动倒车系统的神经网络控制及模糊控制 397

7.2.1 采用模糊控制方法 397

7.2.2 采用神经网络控制 400

7.2.3 模糊控制与神经网络控制的比较 401

参考文献 404