1.1 智能控制的发展过程及特点 1
第1章 绪论 1
1.2 智能控制的基本设计方法 3
1.2.1 模糊控制系统 4
1.2.2 专家控制系统 5
1.2.3 分级递阶智能控制系统 6
1.2.4 神经网络控制系统 6
1.3 智能控制系统的现状与发展趋势 10
2.1 概述 12
第2章 模糊控制系统 12
2.2 模糊集合的基本概念 13
2.2.1 普通集合 13
2.2.2 模糊集合 15
2.2.3 模糊运算 16
2.3 模糊关系 19
2.3.1 普通关系 19
2.3.2 模糊关系 19
2.3.3 模糊变换 22
2.3.4 模糊决策 23
2.4 模糊推理 24
2.4.1 模糊逻辑 24
2.4.2 模糊语言算子 25
2.4.3 模糊推理 26
2.5 模糊控制器的基本原理与设计方法 27
2.5.1 模糊控制器的基本原理 27
2.5.2 基本模糊控制器的设计方法 29
2.6 Fuzzy自整定PID参数控制器的设计 40
2.7 自校正模糊控制器的设计 42
2.8 模糊控制系统的稳定性分析 47
2.8.1 模糊控制系统的结构与稳定性 48
2.8.2 模糊系统的全局渐近稳定性判据 51
2.8.3 非线性系统的模糊稳定性判据 54
2.9 模糊模型参考学习控制及应用 57
2.9.1 模糊模型参考学习控制器的设计 57
2.9.2 仿真研究及其应用 61
2.10 模糊PID控制系统及其工业应用 63
3.1 专家系统的基本组成 69
第3章 专家智能控制系统 69
3.2 专家系统的知识表示方法 70
3.2.1 产生式规则表示法 71
3.2.2 状态空间表示法 72
3.2.3 框架表示法 72
3.2.4 “与或图”表示法 73
3.2.5 黑板模型结构 74
3.2.7 综合知识的表达方法 77
3.2.6 神经网络知识表示 77
3.3 专家系统的自动推理机制 78
3.3.1 宽度优先搜索 82
3.3.2 深度优先搜索 83
3.3.3 不精确推理 84
3.3.4 模糊Petri网的不确定知识获取与推理 89
3.4 专家控制系统的基本原理与结构 94
3.5 直接专家控制 97
3.5.2 控制知识的获取 98
3.5.1 知识库建立 98
3.5.3 推理方法的选用 99
3.6 间接专家控制 99
3.7 仿人智能控制 105
3.7.1 仿人智能控制基本方法 106
3.7.2 仿人分层递阶智能控制器 108
3.8 专家模糊控制系统设计 110
3.8.1 基本控制级 110
3.8.2 专家智能协调级 110
3.8.3 智能协调级的知识获取 110
第4章 神经网络基本理论 113
4.1 人工神经网络的基本特性 113
4.1.1 神经元的解剖 113
4.1.2 神经网络的基本特性 114
4.2 感知器模型 115
4.3 多层感知机模型 117
4.4.1 单样本学习法 120
4.4 前向多层神经网络的BP学习算法 120
4.4.2 随机学习法 123
4.4.3 集中学习法 123
4.4.4 加快反传算法的收敛速度 124
4.5 Hopfield神经网络 124
4.5.1 离散型Hopfield神经网络 125
4.5.2 连续型Hopfield神经网络 126
4.6 动态反馈控制网络 128
4.7 自组织神经网络 132
4.8 自适应线性元件 133
4.8.1 线性可分性 133
4.8.2 非线性可分性——非线性输入函数 134
4.8.3 MADALINES网络 135
4.8.4 Widrow-Hoff δ规则 135
4.9 玻耳兹曼机模型 136
4.10 双向联想记忆网络 137
5.1 系统辨识的基础 141
第5章 神经网络系统辨识 141
5.2 神经网络系统辨识的可行性分析 143
5.2.1 可行性分析 143
5.2.2 ANN学习算法的收敛性分析 145
5.3 多层前馈神经网络用于系统辨识 148
5.4 基于单层神经网络的线性系统辨识方法 153
5.4.1 动态系统与误差函数的构造 154
5.4.2 基于梯度学习方法的动态系统参数估计 156
5.5.1 Hopfield网络模型 157
5.5 Hopfield网络的动态系统辨识 157
5.5.2 Hopfield网络实现系统辨识 158
5.5.3 模拟结果 160
5.5.4 辨率响应辨识 161
5.6 几种神经网络辨识算法的比较 162
第6章 神经网络智能控制系统 168
6.1 几种典型的神经网络控制系统结构 168
6.1.1 直接自校正控制 168
6.1.4 NN与常规控制方法的结合 169
6.1.3 神经网络模型参考自适应控制 169
6.1.2 间接自校正控制 169
6.1.5 神经网络内模控制 170
6.1.6 神经网络非线性预测控制 170
6.1.7 神经网络专家系统控制 170
6.1.8 神经网络模糊控制 171
6.1.9 基于CMAC网络的学习控制系统 171
6.1.10 神经网络与其他控制方法 173
6.2 ANN智能控制系统的可控性与稳定性分析 173
6.2.1 智能控制的可控性 173
6.2.2 智能控制的稳定性分析 174
6.3 ANN学习控制器设计 176
6.4 基于高斯基函数网络（GPFN）的智能控制系统 180
6.4.1 引言 180
6.4.2 GPFN网络特点与结构 180
6.4.3 广义GRLS网络学习算法及系统辨识 181
6.4.4 基于GPFN网络的智能PID控制器设计 184
6.4.5 神经网络PID控制系统的收敛性和稳定性分析 187
6.4.6 仿真实验结果 189
6.5 基于自适应神经网络的智能控制 190
6.5.1 自适应神经网络结构 190
6.5.2 单层自适应Adaline网络的智能控制器设计 196
6.5.3 基于多层自适应网络的自学习控制 199
6.6 神经网络PID控制系统及其应用 201
6.6.1 基于RBF神经网络的PID控制器设计 201
6.6.2 神经网络PID控制器与史密斯预估器的结合 203
6.6.3 仿真研究 204
第7章 神经网络自适应控制系统 206
7.1 神经网络自适应控制方法 206
7.1.1 自适应控制系统 206
7.1.2 神经网络自适应控制系统的类型 208
7.2 基于单层感知器的自适应控制器设计 210
7.2.1 逆动态建模与学习规则 210
7.2.2 神经网络控制器 211
7.2.3 噪声序列的估计 212
7.2.4 仿真实例 215
7.3.1 非线性神经网络逼近描述 217
7.3.2 自校正自适应神经控制 217
7.3 非线性神经网络自校正控制 217
7.4 非线性系统的自适应神经控制 220
7.4.1 最小相位性质 220
7.4.2 自适应神经控制 220
7.5.1 动态递归神经网络 225
7.5.2 基于RNM（递归网络模型）的系统建模 225
7.5 基于动态递归神经网络的模型参考自适应控制 225
7.5.3 基于RNC（动态递归网络控制）的自适应控制 227
7.5.4 动态网络控制系统的收敛性分析 229
7.5.5 基于模糊逻辑推理的自适应学习率 231
7.5.6 系统仿真结果 232
7.6 神经网络自适应控制在机器人控制中的应用 233
7.6.1 神经网络的机器人逆模学习控制 234
7.6.2 基于神经网络的机器人模型参考自适应控制 243
8.1 模糊控制与神经网络的融合 252
第8章 模糊神经网络智能控制系统 252
8.2 模糊神经网络控制模型 255
8.2.1 模糊联想存储器 255
8.2.2 模糊控制网络 259
8.3 神经模糊推理系统 260
8.3.1 神经模糊网络推理 260
8.3.2 模糊神经网络的直接推理模型 266
8.4 模糊神经网络自学习控制系统 270
8.4.1 基本模糊逻辑控制 270
8.4.2 模糊神经网络自学习控制 271
8.5 模糊神经网络自适应控制系统 273
8.5.1 模糊逻辑推理控制器 273
8.5.2 模糊高斯基函数网络推理控制器设计 277
8.5.3 神经网络动态系统辨识 282
8.5.4 系统仿真结果与控制实例 284
8.6 模糊神经网络自组织控制系统 287
8.6.1 自组织模糊控制器 287
8.6.2 模糊神经网络自组织控制系统 290
8.6.3 仿真实验结果及应用分析 301
8.7 高阶模糊CMAC自适应控制系统 304
8.7.1 CMAC的原理 304
8.7.2 高阶模糊CMAC的模型 305
8.7.3 高阶模糊CMAC的自适应控制系统 308
8.7.4 仿真应用研究 310
8.8 混沌系统的模糊自适应控制系统 310
8.8.1 基于模糊系统的建模 311
8.8.2 模糊自适应控制器设计 313
第9章 神经网络最优控制系统 317
9.1 最优控制系统 317
9.1.1 目标函数及最优控制问题 317
9.1.2 线性二次型最优控制问题的一般解 319
9.2 基于神经网络的最优控制问题的求解 323
9.2.1 线性离散系统的最优控制问题 324
9.2.2 人工神经网络模型 324
9.2.3 用神经网络解最优控制问题 325
9.3.1 伺服系统的离散最优鲁棒控制 327
9.3 神经网络伺服最优鲁棒控制系统 327
9.3.2 神经网络控制器设计 330
第10章 智能预测控制系统 337
10.1 基本预测控制系统 337
10.2 基于神经网络模型的模糊预测控制 342
10.2.1 模糊预测控制的工作原理 342
10.2.2 基于RBF网络的神经网络模型 345
10.2.3 基于神经网络模型的模糊预测控制器的设计 346
10.2.4 仿真实验研究 349
10.3 基于模糊关系模型的自适应预测控制系统 352
10.3.1 模糊关系处理模型描述 352
10.3.2 模糊关系模型的辨识 352
10.3.3 基于模糊系统的预测控制 357
第11章 计算智能控制系统 361
11.1 遗传算法基本原理 361
11.1.1 基本遗传算法 361
11.1.2 遗传算法的数学基础 361
11.1.3 非线性优化问题的遗传算法 366
11.2 遗传算法在智能控制中的应用 370
11.2.1 用遗传算法辨识系统参数 370
11.2.2 基于遗传算法的控制参数在线优化方法 373
11.3 遗传算法在神经网络学习中的应用 375
11.3.1 遗传神经网络结构 376
11.3.2 用遗传算法训练神经网络权值 377
11.3.3 用遗传算法学习的神经网络控制器 379
11.4.1 模糊推理控制器 382
11.4 基于遗传算法的模糊神经网络控制系统 382
11.4.2 模糊神经推理网络的学习算法 383
11.4.3 仿真实例 385
11.5 基于支持向量机的智能控制系统 387
11.5.1 概述 387
11.5.2 支持向量机回归介绍 387
11.5.3 模糊支持向量机控制系统结构 388
11.5.4 模糊支持向量机学习算法 389
11.5.5 仿真研究 391
11.6.1 引言 392
11.6 基于混沌优化的非线性系统参数估计 392
11.6.2 并行混沌搜索 393
11.6.3 混合优化算法 394
11.6.4 仿真研究 395
11.7 基于支持向量机的模糊自学习控制系统 397
11.7.1 引言 397
11.7.2 支持向量机—模糊推理系统 397
11.7.3 自学习控制器的结构 398
11.7.4 自学习控制器的学习算法 399
11.7.5 仿真研究 402
11.8 微粒群优化算法及应用 403
11.8.1 基本PSO算法 403
11.8.2 PSO算法的两种基本进化模型 404
11.8.3 PSO算法的伪码描述 405
11.8.4 复合最优模型PSO算法 406
11.8.5 基于HMPSO算法的非线性系统模型参考估计 410
12.1.1 机器人的控制系统 414
12.1 智能机器人的模糊控制系统 414
第12章 综合集成智能控制系统的工程应用 414
12.1.2 机器人的模糊控制 417
12.2 实时专家智能控制系统及其工程应用 425
12.2.1 REICS组成与功能模块 426
12.2.2 REICS知识表示方法 427
12.2.3 REICS的推理机制 434
12.2.4 REICS的知识获取与知识库管理 445
12.2.5 人机接口与解释机制 447
12.3 伺服调速的智能协调控制系统 450
12.2.6 REICS的工程应用 450
12.3.1 神经网络专家智能协调控制 451
12.3.2 智能协调控制系统的仿真与计算机软硬件实现 457
12.4 大型工业熟料窑炉的综合集成智能控制系统 460
12.4.1 综合集成智能控制系统设计 460
12.4.2 综合集成智能控制的计算机软硬件实现 474
12.4.3 系统实时控制实验结果 475
12.5 复杂工业系统的综合智能控制及其工程应用 476
12.5.1 复杂工业系统的广义知识模型描述与智能建模方法 478
12.5.2 复杂工业系统的多传感器信息融合技术 487
12.5.3 复杂工业系统的分布式递阶智能控制工程 492
参考文献 500
附录 本书的部分仿真程序清单 512
一、前馈网络的模拟程序 513
二、面向方程的数值积分法模糊神经网络仿真程序 521
三、面向结构图的离散相似法智能控制系统仿真程序 530
四、工业过程二阶被控对象的模糊神经网络控制系统仿真程序 543
五、基于BP网络的系统辨识仿真程序 549
六、非线性系统的神经网络自适应、自学习、自组织控制系统仿真程序 555
七、二关节点机器人控制仿真程序 588
八、屏幕图形打印程序 598
九、屏幕绘图程序 606
十、模糊逻辑倒立摆控制程序 612
十一、基于模糊逻辑的二关节机器人控制仿真程序 636
十二、遗传算法模拟仿真程序 642
十三、三关节点机器人实时模糊控制系统仿真程序 660