智能控制与智能系统PDF电子书下载

前言 1

第1章　绪论 1

1.1　智能系统与智能控制的含义 1

1.1.1　人工智能及其主要学派 1

序 1

1.1.2　智能控制 2

1.1.3　智能系统 3

1.1.4　智能控制的结构理论 4

1.2.1　智能控制学科的形成 6

1.2　智能控制的形成与发展概述 6

1.2.2　智能控制历史上的人物和事件 8

1.2.3　智能控制与智能系统的发展趋势 10

1.3　应用概述：从智能控制到智能系统 12

1.3.1　仙台城市地铁控制系统 13

1.3.2　神经网络在彩色印刷中的应用 13

1.3.3　拓展全球规模的智能系统 13

1.3.6　在线学习的多媒体智能系统 14

1.3.4　智能系统在生物数据处理中的应用 14

1.3.5　智能系统在医疗诊断中的应用 14

1.3.7　智能电子商务 15

1.3.8　用于旅行的智能系统 15

1.3.9　智能系统在电力系统中的应用 16

1.3.10　智能飞行控制系统 17

1.4　开发智能系统的商业化应用 18

1.4.1　改变传统的控制观念 18

1.4.2　考虑为用户带来的回报 19

1.4.3　市场的认可 20

1.4.4　智能控制与传统控制的定位 20

1.5　本书概要与教学建议 21

本章参考文献 22

第2章　专家系统与专家控制 26

2.1　专家系统 26

2.1.1　专家系统的基本概念和组成 26

2.1.2　知识表示、黑板、推理与产生式系统 29

2.1.3　专家系统的优缺点 38

2.1.4　建立专家系统的步骤 40

2.2　专家控制 43

2.2.1　专家控制的形成和发展 43

2.2.2　专家控制规范 45

2.2.3　专家控制的知识结构 47

2.2.4　专家控制存在的问题 51

2.3.1　专家系统在工程管理中的应用 52

2.3　专家系统和专家控制的应用概况 52

2.3.2　专家系统在日本工业界的应用 53

2.3.3　专家控制在集散控制中的应用 53

2.4　专家控制系统设计和应用举例 54

2.4.1　工业过程稳态控制的专家控制系统 54

2.4.2　自主式陆地车辆的专家控制：道路跟随试验 58

2.5　本章小结 60

本章参考文献 61

3.1　引言 64

第3章　模糊集合理论 64

3.2　经典集合的简要回顾 65

3.2.1　经典集合的定义 65

3.2.2　基本术语 65

3.2.3　经典集合的表示方法 66

3.3　模糊集合与隶属函数 66

3.3.1　模糊集合的定义及表示方法 67

3.3.2　模糊集合的运算 69

3.3.3　模糊集合运算的性质 72

3.4　隶属函数的类型与建立 72

3.4.1　隶属函数确定的常用方法 73

3.4.2　隶属函数的形状和类型 75

3.4.3　建立隶属函数应遵循的原则 78

3.4.4　模糊集合的扩展原理 80

3.5　模糊关系与模糊推理 80

3.5.1　关系和关系矩阵 81

3.5.2　模糊关系与模糊关系矩阵 82

3.5.3　模糊关系矩阵的运算 83

3.5.4　模糊语言和语言变量 85

3.5.5　模糊蕴含关系 89

3.5.6　模糊推理 93

3.5.7　模糊推理系统的常见模型 97

3.6　本章小结 103

本章参考文献 103

第4章　模糊控制的原理和设计 104

4.1　模糊控制的基本原理 104

4.1.1　模糊化 105

4.1.2　知识库 109

4.1.3　模糊推理 114

4.1.4　输出解模糊化 117

4.2　模糊控制器的设计 118

4.2.1　离散论域和Mamdani模型 119

4.2.2　连续论域和Mamdani模型 124

4.2.3　连续论域和T-S模型 126

4.3　模糊控制规则的修正与模糊PID控制器 128

4.3.1　规则修正因子与模糊控制规则的修正 129

4.3.2　模糊控制器与PID控制器的结合 132

4.3.3　常规PID控制器参数的模糊自整定 134

4.4　模糊控制应用实例 135

4.4.1　模糊控制的全自动洗衣机 135

4.4.2　交流伺服调速系统的模糊控制 140

4.5　本章小结 146

本章参考文献 147

第5章　人工神经网络基础 148

5.1　人工神经网络的分类 149

5.2　人工神经元模型 150

5.3　活化函数的基本形式 152

5.4　McCulloch-Pitts神经元、Adaline和Perceptron 154

5.4.1　McCulloch-Pitts神经元 155

5.4.2　自适应线性单元与Widrow-Hoff学习规则 156

5.4.3　感知器 158

5.4.4　Hebb学习 162

5.5　本章小结 166

本章参考文献 166

第6章　前馈网络Ⅰ：多层感知器与BP算法 168

6.1　多层感知器的网络结构 168

6.1.1　多层感知器的组成 168

6.1.2　多层感知器的结构特点 169

6.2　误差反向传播（BP）算法 170

6.2.1　BP算法的推导 170

6.2.2　标准的BP算法 171

6.2.3　带动量项修正的BP算法 172

6.3　一些与MLP和BP算法相关的问题 175

6.3.1　基于Sigmoid函数的BP算法的简化形式 175

6.3.2　初始权值的选取 175

6.3.3　网络结构与逼近能力 176

6.3.4　权值修正的批处理方法 176

6.3.5　采用变步长的批处理方法 177

6.3.6　神经网络的训练和测试 178

6.4　BP算法的加速技术 180

6.4.1　最速下降法 180

6.4.2　牛顿法 182

6.4.3　准牛顿法 183

6.4.4　共轭梯度法 183

6.4.5　Levenberg-Marquardt算法 185

6.5　带约束条件的监督学习 186

6.5.1　结构约束 187

6.5.2　时间约束 188

6.5.3　结构约束与时间约束的融合 189

6.6　本章小结 189

本章参考文献 190

第7章　前馈网络Ⅱ：CMAC与局部性前馈网络 192

7.1　CMAC的网络结构和学习算法 192

7.1.1　输入空间的离散化X→S 192

7.1.2　离散状态空间到记忆空间的非线性映射S→A 193

7.1.3　CMAC网络的训练 198

7.2　CMAC学习的收敛性分析 200

7.3　B样条神经网络 202

7.3.1　CMAC与基函数 203

7.3.2　B样条神经网络的基函数 205

7.4　径向基函数神经网络 207

7.4.1　RBF的基函数和输出 208

7.4.2　RBF的训练 208

7.5　小波神经网络 210

7.6　部分连接的多层感知器 211

7.6.1　PCMLP的结构和原理 212

7.6.2　PCMLP的两种形式 214

7.7　本章小结 215

本章参考文献 216

8.1.1　FNN的网络结构和基本原理 218

8.1　Ichihashi的模糊神经网络FNN 218

第8章　前馈神经网络Ⅲ：模糊网络与高阶次展开类网络 218

8.1.2　FNN的训练算法 220

8.2　基于自适应网络的模糊推理系统（ANFIS） 221

8.2.1　ANFIS的网络结构 221

8.2.2　ANFIS的学习 225

8.2.3　多输出的ANFIS（CANFIS） 225

8.2.4　ANFIS的应用实例 226

8.3　高阶神经网络 232

8.3.1　HONN的原理和结构 233

8.3.2　HONN的学习算法 233

8.4　函数连接网络和随机向量函数连接网络 235

8.5　幂级数网络 240

8.5.1　幂级数网络的结构 241

8.5.2　幂级数网络的修正 242

8.6　本章小结 244

本章参考文献 245

9.1　概述 246

第9章　竞争性网络与回归型网络 246

9.2　Kohonen的自组织映射网（SOM） 247

9.2.1　竞争性网络 247

9.2.2　Kohonen的自组织映射网络结构 248

9.2.3　Kohonen自组织映射网络的学习算法 250

9.3　Kohonen的学习向量量化机 254

9.3.1　学习向量量化机的网络结构 254

9.3.2　学习向量量化机的学习算法 254

9.4　离散型Hopfield网络 256

9.4.1　DHNN的网络结构 256

9.4.2　DHNN网络的工作方式 257

9.4.3　稳定性与吸引子 258

9.4.4　连接权设计与记忆容量 259

9.5　本章小结 263

本章参考文献 263

10.1.1　智能控制、学习控制与神经控制 265

10.1　概述 265

第10章　基于神经网络的学习控制 265

10.1.2　神经控制的分类 266

10.2　再励学习的动作者－评论家策略 268

10.2.1　倒立摆的学习控制问题 269

10.2.2　盒子系统与状态空间的分割 270

10.2.3　关联搜索单元（ASE） 271

10.2.4　自适应评判单元（ACE） 272

10.2.5　基于ASE/ACE模型学习控制的仿真结果 273

10.3　再励学习的Q-学习策略 274

10.3.1　一步Q-学习 275

10.3.2　基于Q-网络的Q-学习 276

10.4　监督学习的直接逆模型法 277

10.4.1　远程监督学习问题 277

10.4.2　直接逆模型法的基本原理 278

10.4.3　基于CMAC的机械臂学习控制 278

10.5　监督学习的远程学习法 282

10.5.1　远程学习法的基本原理 282

10.5.2　基于远程学习法的控制系统 283

10.5.3　两关节机械臂的学习控制 284

10.6　基于人－机在线协作的学习控制 285

10.6.1　人－机在线协作的基本原理 286

10.6.2　倒立摆的学习控制 287

10.6.3　仿真结果 289

10.7　关于学习控制的讨论 290

10.7.1　关于神经网络与神经控制 290

10.7.2　再励学习存在的主要问题 291

10.7.3　直接逆模型法与远程学习法 292

10.7.4　再励学习与监督学习 293

10.8　本章小结 293

本章参考文献 294

第11章　遗传算法与进化计算 296

11.1　概述 296

11.1.1　遗传算法与进化计算 296

11.1.2　遗传优化与传统优化 297

11.2.1　遗传算法的基本操作 299

11.2　遗传算法的基本原理 299

11.2.2　遗传算法的实现 303

11.2.3　适应值与早熟收敛 304

11.3　遗传算法的模式理论 305

11.3.1　定义长度与模式阶次 305

11.3.2　二进制编码 305

11.3.3　各算子对模式的影响 306

11.4　编码与实数编码 308

11.4.1　二进制编码存在的问题 308

11.4.2　实数编码的各种算子 309

11.5　遗传优化与搜索 313

11.5.1　关于遗传优化 313

11.5.2　关于搜索和产生优秀个体的假设 315

11.5.3　遗传算法与局部搜索启发式方法的结合 315

11.5.4　常见的选择方法 316

11.6　进化策略与进化规划 317

11.6.2　进化规划 318

11.6.1　进化策略 318

11.7　模糊规则用于遗传算法策略参数的调整 319

11.7.1　Zeng-Rabenasolo方法 320

11.7.2　Wang-Wang-Hu方法 321

11.7.3　Lee-Takagi方法 323

11.7.4　Xu-Vukovich方法 323

11.7.5　Herrera-Viedma-Lozano-Verdegay方法 323

11.7.6　Herrera-Lozano方法 324

11.8　遗传算法的应用 325

11.8.1　遗传算法在模糊控制中的应用 325

11.8.2　遗传算法在组合优化中的应用 328

11.9　本章小结 332

本章参考文献 333

第12章　多智能体系统、人工免疫与人工情感 335

12.1　多智能体系统 335

12.1.1　智能体和多智能体系统 335

12.1.2　多智能体系统体系结构和协调机制 338

12.1.3　多智能体协作的研究方法 340

12.1.4　多智能体技术的应用 342

12.2　人工情感 344

12.2.1　概述 344

12.2.2　医学心理学关于情感的主要观点 345

12.2.3　情感识别 346

12.2.4　情感建模 347

12.2.5　人工情感的应用 349

12.3　人工免疫系统 350

12.3.1　人工免疫系统概述 351

12.3.2　生物免疫系统概述 351

12.3.3　人工免疫网络模型 356

12.3.4　人工免疫算法 361

12.3.5　免疫机器人 363

12.4　本章小结 366

本章参考文献 367