智能控制系统及其应用PDF电子书下载

第1章 概述 1

1.1 自动控制系统及其理论的发展历程 1

1.2 智能控制系统及其理论 6

1.2.1 智能控制理论 7

1.2.2 智能控制系统的基本功能特点 10

1.2.3 智能控制技术的应用 10

1.3 智能控制与传统控制的比较分析 11

1.3.1 传统控制的特点与不足 11

1.3.2 智能控制与传统控制的关系 11

1.4 智能优化算法 12

1.5 本书内容 14

第2章 前向神经网络 17

2.1 感知器网络 20

2.1.1 感知器的网络结构及其功能 20

2.1.2 感知器权值的学习规则与训练 22

2.2 自适应线性元件 25

2.2.1 自适应线性神经元模型和结构 26

2.2.2 W-H学习规则及其网络的训练 27

2.3 反向传播网络 28

2.3.1 反向传播法网络模型与结构 28

2.3.2 BP算法 29

2.3.3 BP网络的设计 31

2.3.4 BP网络的限制与不足 32

2.4 径向基函数网络 33

2.4.1 径向基函数网络结构 33

2.4.2 网络训练与设计 35

2.4.3 广义径向基函数网络 36

第3章 网络训练优化算法及其性能对比 37

3.1 基于标准梯度下降的方法 38

3.1.1 附加动量法 38

3.1.2 自适应学习速率 39

3.1.3 弹性BP算法 40

3.2 基于数值优化方法的网络训练算法 40

3.2.1 拟牛顿法 41

3.2.2 共轭梯度法 42

3.2.3 Levenberg-Marquardt法 42

3.3 前向网络的数值性能对比 43

3.3.1 非线性函数的逼近 43

3.3.2 逼近非线性直流电机的输入／输出特性 45

第4章 递归神经网络 47

4.1 各种递归神经网络 47

4.1.1 全局反馈型递归神经网络 48

4.1.2 前向递归神经网络 50

4.1.3 混合型网络 57

4.1.4 小结 57

4.2 全局反馈递归网络 59

4.2.1 海布学习规则 61

4.2.2 正交化的权值设计 62

4.2.3 离散型反馈网络的稳定点与稳定域 65

4.3 连续型霍普菲尔德网络 72

4.3.1 对应于电子电路的网络结构 73

4.3.2 霍普菲尔德能量函数及其稳定性分析 75

4.3.3 能量函数与优化计算 77

4.4 自组织竞争网络 79

4.4.1 网络结构 79

4.4.2 竞争学习规则 81

4.4.3 竞争网络的训练过程 82

4.5 科荷伦自组织映射网络 84

4.5.1 科荷伦网络拓扑结构 85

4.5.2 网络的训练过程 86

4.5.3 科荷伦网络的应用 87

第5章 神经网络在智能控制系统中的应用 90

5.1 直接正向模型建立 90

5.2 逆模型建立 91

5.3 系统中的控制 92

5.3.1 监督式控制 92

5.3.2 直接逆控制 93

5.4 BP网络结构、参数及训练方法的设计与选择 93

5.4.1 BP网络的设计 94

5.4.2 采用自适应学习速率与固定学习速率的比较 98

5.4.3 改进算法的性能比较 99

5.5 具有PID特性的神经网络非线性自适应控制 100

5.5.1 NLPIDC的结构 101

5.5.2 NLPIDC的输入／输出关系 101

5.5.3 NLPIDC的权值调整公式 102

5.5.4 NLPIDC闭环控制系统的稳定性分析 103

5.5.5 NLPIDC的实时在线控制策略步骤 105

5.5.6 基于ADAMS和Matlab的三级倒立摆镇定控制仿真平台 106

5.6.7 NLPIDC在三级倒立摆镇定控制中的应用 108

第6章 模糊理论基础 110

6.1 基本概念与术语 110

6.2 模糊集合及其隶属函数 113

6.2.1 模糊集合的定义 113

6.2.2 模糊集合的表示方法 114

6.2.3 模糊集合的并、交、补运算 115

6.2.4 模糊集合的隶属函数 115

6.3 模糊逻辑 117

6.3.1 二值逻辑、多值逻辑和模糊逻辑 117

6.3.2 模糊逻辑的基本运算 117

6.3.3 模糊关系和模糊矩阵 119

6.3.4 模糊语言及其算子 122

6.4 模糊规则与模糊推理 125

6.4.1 模糊“如果-那么”规则 125

6.4.2 模糊逻辑推理 126

第7章 模糊控制器的设计方法 133

7.1 精确与模糊控制的事例 133

7.1.1 采用精确的非模糊求解方法 133

7.1.2 模糊方法 136

7.2 模糊逻辑控制过程 137

7.3 输入变量和输出变量的确定 138

7.4 论域的确定 139

7.5 确定模糊化和解模糊化方法 140

7.5.1 模糊化方法 141

7.5.2 解模糊判决方法 143

7.6 模糊控制规则 144

7.7 模糊逻辑推理 146

7.7.1 合成模糊推理法 146

7.7.2 结论是线性函数的模糊推理方法 155

7.8 量化因子及比例因子的选择 156

第8章 模糊控制系统的应用 158

8.1 速度模糊控制器的设计 159

8.2 三种控制器的设计与性能比较 162

8.2.1 控制算法的描述 163

8.2.2 结果的对比 165

8.3 变参数双模糊控制器 166

8.3.1 变参数双模糊控制器 167

8.3.2 仿真实验验证 169

8.3.3 小结 170

第9章 模糊神经网络 172

9.1 引言 172

9.2 模糊系统的关系式 173

9.3 采用神经网络直接实现的模糊系统 174

9.4 Sugeno模糊推理法 175

9.5 B样条模糊神经网络 176

9.5.1 B样条函数及其网络 176

9.5.2 B样条模糊神经网络控制器的设计 179

9.6 径向基函数神经网络 180

9.7 小结 182

第10章 模糊神经系统的应用 183

10.1 基于ANFIS的非线性电机系统的建模 183

10.1.1 .ANFIS的结构 183

10.1.2 混合学习算法 184

10.1.3 基于ANFIS的非线性电机系统建模 185

10.1.4 辨识模型的验证 186

10.2 神经模糊建模平台的设计与应用 189

10.2.1 建模方法的选择 189

10.2.2 模型输入变量个数的辨识 190

10.2.3 模糊规则个数的辨识 191

10.2.4 实际建模中需要考虑的几个问题 191

10.2.5 其他功能 192

10.2.6 应用实例 193

第11章 进化算法 197

11.1 标准遗传算法 198

11.1.1 遗传算法的基本特点 198

11.1.2 遗传算法的基本操作 199

11.1.3 遗传算法的设计步骤 201

11.1.4 遗传算法的实质 203

11.1.5 小结 203

11.2 进化算法的分析及其性能对比 204

11.2.1 进化算法基本原理 204

11.2.2 遗传算法 204

11.2.3 遗传编程 205

11.2.4 进化策略 206

11.2.5 进化规划 206

11.3 进化算法的性能对比 207

11.3.1 编码策略 207

11.3.2 选择方法 208

11.3.3 遗传算子 209

11.4 遗传编程中一种改进的GROW算法 211

11.4.1 改进的GROW方法 212

11.4.2 多样性的量度 213

11.4.3 回归实验 213

11.4.4 实验结果及分析 214

第12章 进化算法的应用 217

12.1 模糊神经网络和遗传算法相结合的控制策略 217

12.2 基于遗传算法和单纯形法的直流电机参数辨识 223

12.2.1 直流电机非线性模型及其待辨识参数 223

12.2.2 基于遗传算法和单纯形法的非线性系统参数辨识 224

12.2.3 系统参数辨识及其结果验证 226

12.2.4 小结 229

第13章 智能优化算法及其应用 230

13.1 基于感知范围的鱼群优化算法 230

13.1.1 标准人工鱼群算法 230

13.1.2 生物系统中的鱼群模型 231

13.1.3 新鱼群算法描述 232

13.1.4 新鱼群算法的实施步骤 233

13.1.5 测试函数的对比实验及其结果分析 233

13.1.6 作用力权重因子的线性变化策略 235

13.1.7 小结 236

13.2 人工免疫算法 237

13.2.1 基于相似性矢量距的选择概率计算方法 237

13.2.2 一种改进的抗体相似性及抗体浓度表示方法 239

13.2.3 免疫疫苗的引入及算法求解旅行商问题步骤 240

13.2.4 改进算法求解TSP问题基本步骤 241

13.2.5 对比实验及其结果分析 242

13.2.6 小结 243

13.3 不同蚁群优化算法在CTSP中的性能对比 244

13.3.1 蚁群优化算法的框架 244

13.3.2 CTSP关于蚁群优化算法的描述 245

13.3.3 蚂蚁系统 245

13.3.4 精华蚂蚁系统 246

13.3.5 基于排列的蚂蚁系统 247

13.3.6 最大-最小蚂蚁系统 248

13.3.7 蚁群系统 248

13.3.8 5种ACO算法的CTSP实验及其结果分析 249

13.3.9 小结 252

13.4 基于进化策略与蚁群算法的融合算法求解旅行商问题 252

13.4.1 进化策略求解TSP问题 252

13.4.2 蚁群算法求解TSP问题的基本描述 253

13.4.3 进化策略与最大-最小蚂蚁算法的融合 254

13.4.4 中国31个省会城市TSP问题的求解 255

13.5 粒子群与模拟退火的混合算法求解TSP问题 258

13.5.1 基本粒子群算法 258

13.5.2 带有突变的粒子群优化算法 260

13.5.3 模拟退火算法 261

13.5.4 粒子群与模拟退火混合算法 261

13.5.5 混合算法求解中国旅行商问题实验及其结果分析 263

13.5.6 小结 264

参考文献 265