第一章 智能控制概述 1
1.1智能控制的基本概念 1
1.1.1什么是智能控制 1
1.1.2智能控制的研究对象 2
1.2智能控制系统的特征和性能 2
1.2.1智能控制系统的一般结构 2
1.2.2智能控制系统的主要功能特征 3
1.2.3智能控制系统的特征模型 3
1.3智能控制系统的类型 5
1.4智能控制的发展概况 9
1.5小结 10
习题 10
第二章 智能控制的知识工程基础 11
2.1知识的基本概念 11
2.1.1什么是知识 11
2.1.2知识的分类 12
2.2知识的表示 12
2.2.1一阶谓词表示法 13
2.2.2时序逻辑表示法 15
2.2.3产生式表示法 16
2.2.4语义网络知识表示法 16
2.2.5框架知识表示法 19
2.2.6 Petri网知识表示法 23
2.2.7定性模型知识表示法 26
2.2.8可视知识模型 29
2.3知识的获取 30
2.3.1非自动知识获取 30
2.3.2自动知识获取 31
2.4知识的处理 35
2.4.1推理的方式与分类 35
2.4.2推理控制策略 37
2.4.3状态空间的搜索策略 40
2.5小结 49
习题 51
第三章 分级递阶智能控制 52
3.1递阶控制的一般原理 52
3.1.1大系统递阶结构的描述 52
3.1.2递阶控制的一般原理 53
3.2分级递阶智能控制 53
3.2.1分级递阶智能控制系统的结构 53
3.2.2分级递阶智能控制原理 54
3.3小结 59
习题 59
第四章 遗传算法 60
4.1什么是遗传算法 60
4.1.1遗传算法的生物遗传学基础 60
4.1.2遗传算法的特点 61
4.1.3遗传算法的基本操作 62
4.2遗传算法的理论基础 66
4.2.1遗传算法的模式理论 66
4.2.2遗传算法实现中的一些基本问题 72
4.3基于遗传的机器学习系统 75
4.3.1分类器系统的结构 75
4.3.2规则信息系统 77
4.3.3信任分配系统 77
4.3.4机器学习中的遗传算法 78
4.4遗传算法的计算机实现 79
4.5基于遗传算法的系统在线辨识 90
4.5.1遗传算法在参数辨识中的应用 91
4.5.2遗传算法参数辨识仿真示例 92
4.6小结 93
习题 94
第五章 神经网络控制 95
5.1神经网络的基本概念 95
5.1.1生物神经元模型 95
5.1.2人工神经元模型 96
5.1.3人工神经网络模型 98
5.1.4神经网络的学习方法 99
5.2前向网络及其主要算法 102
5.2.1感知器 102
5.2.2 BP网络 103
5.2.3 RBF网络 108
5.3反馈网络 108
5.3.1 Hopfield网络 108
5.3.2 Boltzmann机网络 112
5.3.3自组织特征映射网络（Kohonen网络） 114
5.4神经网络模型辨识 115
5.4.1正向建模 115
5.4.2逆模型 118
5.5神经元自适应PID控制 120
5.5.1神经控制的基本思想 120
5.5.2单神经元自适应PID控制 120
5.6神经元自适应PSD控制 123
5.6.1自适应PSD控制算法 123
5.6.2单神经元自适应PSD控制 124
5.7神经网络内模控制 126
5.7.1内模控制 126
5.7.2神经网络内模控制 127
5.8神经网络自适应控制 127
5.8.1神经网络自校正控制 128
5.8.2神经网络模型参考控制 129
5.9神经网络PID控制 130
5.9.1基于BP神经网络KP，KI，KD参数自学习PID控制器 130
5.9.2改进型BP神经网络KP，KI，KD参数自学习PID控制器 133
5.10小结 137
习题 138
第六章 模糊控制的数学基础 139
6.1概述 139
6.1.1模糊概念 139
6.1.2模糊性与随机性 140
6.2模糊集合 141
6.2.1普通集合 141
6.2.2模糊集合 143
6.2.3模糊集合与普通集合的联系 148
6.3模糊关系与模糊关系合成 150
6.3.1模糊关系的基本概念 150
6.3.2模糊关系合成 153
6.3.3模糊关系的性质 154
6.3.4模糊变换 155
6.4模糊推理 157
6.4.1模糊语言与语言变量 157
6.4.2模糊命题与模糊条件语句 159
6.4.3模糊推理 163
6.5小结 174
习题 174
第七章 模糊控制 177
7.1模糊控制系统原理 177
7.1.1传统控制系统的特点 177
7.1.2模糊控制系统的工作原理 179
7.1.3模糊控制的系统结构 181
7.1.4模糊控制器的结构与组成 187
7.2模糊控制器设计 192
7.2.1模糊控制器设计要求 192
7.2.2清晰量的模糊化 194
7.2.3模糊量的清晰化 198
7.2.4模糊控制规则及控制算法 200
7.3自调整模糊控制技术 214
7.3.1带有自调整因子的模糊控制器 215
7.3.2带有自调整函数的模糊控制器 216
7.4神经网络实现的模糊控制 218
7.4.1常规模糊系统的等价神经网络 218
7.4.2模糊神经网络技术在温度控制过程中的应用 224
7.4.3基于T-S模型的模糊神经网络 229
7.5基于遗传算法优化的模糊控制 230
7.5.1遗传算法和模糊逻辑、神经网络的融合 230
7.5.2基于遗传算法优化的模糊控制器 233
7.5.3基于遗传算法的模糊温度控制实验 234
7.6小结 235
习题 236
第八章 专家控制 238
8.1专家系统概述 238
8.1.1什么是专家系统 238
8.1.2专家系统的基本组成 239
8.1.3专家系统的特征及类型 240
8.2专家控制系统 241
8.2.1专家控制系统的特点 241
8.2.2专家控制系统的工作原理 242
8.2.3专家控制器 246
8.3模糊专家系统 247
8.3.1模糊专家系统的基本结构 247
8.3.2可能性分布与模糊测度 248
8.3.3模糊性知识的规则表示 251
8.3.4不确定性推理模型 254
8.4逻辑程序设计语言 255
8.4.1 Prolog语言的特点 255
8.4.2 Prolog语言的语法与数据结构 255
8.4.3 Prolog程序的执行与控制 257
8.5小结 261
习题 262
第九章 基于粗糙集和含糊集理论的智能信息处理方法 263
9.1粗糙集理论的基本概念 263
9.1.1粗糙集理论的数值分析 263
9.1.2基于粗糙集理论的规则知识获取 265
9.1.3粗糙集知识获取策略在心电图波形识别中的应用 271
9.2基于粗糙集理论的模糊神经网络 276
9.2.1建立基于输入输出数据的知识表达系统 276
9.2.2基于粗糙集理论的模糊神经网络 278
9.2.3二维非线性函数图像拟合应用 280
9.3含糊集理论的基本概念 284
9.3.1基本概念 284
9.3.2含糊集的改进性质 287
9.3.3实例分析 288
9.4基于含糊集的近似推理方法 288
9.4.1含糊集的合成推理 288
9.4.2含糊集插值推理 289
9.4.3几种含糊集近似推理方法的比较 289
9.5一种含糊-粗糙集模型 292
9.6含糊集知识获取策略 292
9.6.1含糊集决策表知识表达系统 293
9.6.2含糊集知识获取策略 294
9.7小结 301
习题 302
第十章 智能控制应用示例 307
10.1电加热炉炉温智能控制 307
10.1.1电加热炉模型分析 307
10.1.2电加热炉炉温智能控制 310
10.2集装箱吊车的模糊控制 320
10.2.1吊车模糊控制规则的建立 320
10.2.2模糊逻辑吊车控制器的结构 321
10.2.3模糊控制的可编程控制器实现 324
10.3模糊控制技术的微机实现 327
10.3.1 MC68HC11E9数字单片机的特性 327
10.3.2温度模糊控制器的实现 333
10.4模糊控制的洗衣机 337
10.4.1模糊控制洗衣机系统电路结构 337
10.4.2洗衣机的模糊推理 340
10.4.3洗衣机物理量检测方法 342
10.4.4布质、布量的模糊推理 344
10.5倒立摆的模糊神经网络控制 348
10.5.1再励学习的模糊神经网络 348
10.5.2倒立摆的模糊神经网络自适应控制 353
附录1 改进的BP神经网络及其MATLAB仿真 356
附1.1 提高BP神经网络收敛速度的方法 356
附1.2 提高神经网络收敛速度的一种赋初值算法 357
附1.3 BP网络训练技巧 362
附1.4 感知器分类的MATLAB仿真 363
附1.5 具有噪声二阶系统辨识的MATLAB程序仿真 364
附1.6 多维非线性辨识的MATLAB程序剖析 368
附录2 模糊控制MATLAB程序仿真示例 372
附录3 基于粗糙集可辨识矩阵属性简约算法软件 377
附录4 基于Vague集可辨识矩阵知识获取算法软件 384
参考文献 391