第1章 智能控制概述 1
1.1 智能控制的提出和发展 1
1.2 智能控制的概念和主要方法 2
1.3 智能控制的主要形式 5
1.4 智能自主控制 7
参考文献 9
第2章 专家控制与仿人智能控制 10
2.1 专家系统 10
2.1.1 专家系统的定义、特点和一般结构 10
2.1.2 专家系统中的知识表示 15
2.1.3 知识的获取 20
2.1.4 不精确推理 22
2.1.5 产生式系统 26
2.2 专家控制系统 29
2.2.1 一般专家控制系统的特点和结构 29
2.2.2 一般专家控制器的设计 32
2.2.3 专家控制系统的实时控制问题 34
2.3 仿人专家控制系统 35
2.3.1 仿人智能控制的基本思想 35
2.3.2 仿人智能控制行为的特征变量及识别 37
2.3.3 仿人智能控制的基本结构和工作原理 41
2.3.4 仿人智能控制器的设计与应用 42
参考文献 47
第3章 学习控制 48
3.1 学习控制的基本原理 48
3.1.1 学习控制的一般概念 48
3.1.2 学习控制的基本结构 49
3.1.3 学习控制的数学基础 50
3.2 线性定常连续系统的学习控制 51
3.3 非线性定常连续系统的学习控制 52
3.4 非线性连续时间系统的学习控制 54
3.5 线性离散时间系统的学习控制 56
3.6 一类线性离散系统的最优学习控制 57
3.7 闭环学习控制 60
3.8 鲁棒学习控制 63
3.9 学习控制在机器人中的应用 67
参考文献 69
第4章 模糊控制数学基础 71
4.1 普通集合理论 71
4.1.1 集合的概念以及表示方法 71
4.1.2 集合的表示方法 71
4.1.3 子集、真子集、空集、全集、幂集的概念 72
4.1.4 集合的运算及运算性质 73
4.1.5 集合的直积 74
4.1.6 映射与关系 75
4.2 模糊集合 75
4.2.1 模糊子集的定义及表示 75
4.2.2 模糊集合的表示方法 76
4.2.3 模糊子集的基本运算及其性质 78
4.3 λ水平截集 79
4.3.1 λ水平截集的定义及性质 79
4.3.2 λ水平截集的几个概念 80
4.4 分解定理和扩张原理 81
4.4.1 分解定理 81
4.4.2 扩张原理 82
4.5 隶属函数的确定方法 83
4.5.1 确定隶属函数的一般原则及方法 83
4.5.2 常见的隶属函数 84
4.6 模糊关系与模糊矩阵 87
4.6.1 模糊关系的定义及表示方法 87
4.6.2 模糊矩阵 88
4.6.3 模糊矩阵的合成运算及性质 89
4.6.4 模糊向量 90
4.7 模糊逻辑与模糊推理 92
4.7.1 模糊逻辑 92
4.7.2 模糊语言 94
4.7.3 模糊语言变量 99
4.7.4 模糊推理语句 100
4.8 模糊推理方法 103
4.8.1 似然推理 104
4.8.2 几种模糊推理方法 104
4.9 综合评判和模糊关系方程 113
4.9.1 综合评判的正问题 114
4.9.2 综合评判的逆问题和模糊关系方程 116
参考文献 118
第5章 模糊控制原理 119
5.1 模糊控制系统 119
5.1.1 模糊控制系统的基本概念 119
5.1.2 模糊控制系统的组成 120
5.1.3 模糊控制系统的基本原理 121
5.2 模糊控制器的设计 122
5.2.1 模糊控制器的结构设计 122
5.2.2 模糊控制规则的设计 123
5.2.3 精确量和模糊量的相互转换 129
5.2.4 论域、量化因子、比例因子的选择 133
5.2.5 一个简单的模糊控制器的设计 135
5.2.6 模糊控制算法的实现和采样周期的选择 141
5.3 基于规则修改的模糊控制 142
5.4 模糊控制系统的稳定性分析 147
5.4.1 描述函数分析法 147
5.4.2 相平面法 149
5.4.3 模糊控制器的代数模型 150
5.5 PID模糊控制器 151
5.5.1 PID控制原理 151
5.5.2 设计模糊自适应整定PID控制器 153
5.6 自组织模糊控制器 157
5.6.1 性能测量 158
5.6.2 控制量校正 159
5.6.3 控制规则的修正 161
5.7 模糊控制的应用实例 162
5.7.1 机械臂的模糊控制 162
5.7.2 麻醉中血压的模糊逻辑控制 164
参考文献 168
第6章 遗传算法 169
6.1 概述 169
6.1.1 遗传算法的特点 169
6.1.2 遗传算法的发展与应用 170
6.2 遗传算法的基本理论 171
6.2.1 遗传算法的基本操作 171
6.2.2 遗传算法的实现 175
6.2.3 遗传算法的改进 200
6.2.4 自适应遗传算法 206
6.3 遗传算法的数学基础 208
6.3.1 遗传算法的模式定理 208
6.3.2 遗传算法的收敛性分析 211
6.4 遗传算法在控制中的应用 214
6.4.1 基于遗传算法的PID控制参数整定 214
6.4.2 基于遗传算法的系统参数辨识方法 217
参考文献 220
第7章 神经网络基本理论 221
7.1 神经网络的基本概念 221
7.1.1 神经元模型 221
7.1.2 人工神经网络 225
7.1.3 神经网络结构与工作方式 226
7.1.4 神经网络学习方法与规则 229
7.2 前馈神经网络 232
7.2.1 线性阈值单元 232
7.2.2 感知器 235
7.2.3 BP网络 238
7.2.4 BP网络学习算法的改进 242
7.2.5 BP算法应用例子 246
7.3 反馈神经网络 249
7.3.1 连续Hopfield网络 249
7.3.2 离散Hopfield网络 252
7.3.3 DHNN学习规则 253
7.3.4 Boltzman机 255
7.3.5 双向联想记忆 258
7.3.6 求TSP问题 260
7.4 径向基网络 263
7.4.1 径向基网络的结构 263
7.4.2 径向基网络的学习方法 265
7.4.3 径向基网络应用例子 269
7.5 Grossberg网络 270
7.5.1 基本非线性模型 270
7.5.2 两层竞争网络 272
7.6 自组织神经网络 275
7.6.1 学习规则与学习算法 275
7.6.2 自组织特征映射 276
7.6.3 自适应共振理论 283
7.7 竞争网络 287
7.7.1 Hamming网络 287
7.7.2 学习矢量量化 289
7.8 支持向量基网络 290
7.8.1 工作原理 290
7.8.2 支撑向量基求解XOR问题 292
参考文献 294
第8章 神经网络控制方法与应用 297
8.1 模糊神经网络控制 297
8.1.1 模糊神经网络结构 298
8.1.2 基于T-S模型的模糊神经网络控制 308
8.2 增强学习控制 316
8.2.1 基于神经网络的增强学习原理 317
8.2.2 自适应启发式评判 318
8.2.3 Q学习方法及其应用 322
8.2.4 增强型学习控制 327
8.2.5 基于GA的增强学习控制 333
8.3 小脑模型神经网络控制 336
8.3.1 小脑模型CMAC网络 337
8.3.2 CMAC网络的直接逆运动控制 339
8.3.3 CMAC网络的常规控制 342
8.4 神经网络非线性控制 344
8.4.1 神经网络非线性控制结构 345
8.4.2 内模控制与神经网络内模控制 348
8.4.3 神经网络非线性预测控制 351
8.4.4 非线性系统的神经网络滑模控制 354
8.4.5 基于神经网络的非线性H∞控制 356
8.4.6 基于神经网络的非线性系统回馈递推控制 361
8.5 神经网络自适应控制 368
8.5.1 神经网络自校正控制 368
8.5.2 神经网络模型参考控制 370
8.6 神经网络PID控制 371
8.6.1 常规的神经网络PID控制 372
8.6.2 基于BP神经网络参数自学习PID控制器 375
8.6.3 基于神经网络的自调整PID控制 378
8.7 神经网络建模与辨识方法 383
8.7.1 正向建模 383
8.7.2 逆模型 385
8.7.3 基于小波神经网络的辨识方法 387
8.8 神经网络在飞行控制系统中的应用 395
8.8.1 新一代歼击机超机动飞行的非线性数学模型 396
8.8.2 基于在线神经网络的自适应逆飞行控制系统设计 402
参考文献 410
第9章 神经网络的泛化理论 412
9.1 神经网络的泛化理论简介 412
9.2 泛化误差的偏差-方差分解 413
9.3 结构复杂性和样本复杂性对神经网络泛化能力的影响 414
9.3.1 线性阈值神经网络 415
9.3.2 函数逼近神经网络 416
9.4 正则化方法对泛化能力的影响 417
9.5 神经网络集成对泛化能力的影响 420
9.6 样本输入中加噪声对泛化能力的影响 421
9.7 其他因素对泛化能力的影响 422
9.7.1 样本质量 423
9.7.2 先验知识 423
9.7.3 初始权值 423
9.7.4 学习时间 424
参考文献 425
附录A 用于三分类的BP算法程序 429
附录B 用于函数逼近的BP算法程序 434
附录C 连续Hopfield网解决TSP的程序 437
附录D 基于聚类的RBF网设计算法 440
附录E 基于梯度法的RBF网设计算法 443
附录F 基于OLS的RBF网设计算法 446