序篇 智能控制论 1
0.1 控制理论的产生及其发展 1
0.2 智能控制的产生及其发展 2
0.3 传统控制和智能控制 4
0.5 智能控制的基础及学科范畴 6
0.4 智能控制论 6
0.6 本书学习指南 8
1.1.1 思维与思维科学 10
1.1 信息社会与思维科学 10
第一篇 智能控制的新学科基础 10
第1章 思维科学与智能模拟 10
1.1.2 思维的类型 11
1.2.2 思维的神经基础 16
1.2.1 思维与智能 16
1.2 思维的神经基础 16
1.3.1 智能模拟的科学基础 17
1.3 智能模拟 17
1.3.3 智能模拟的基本途径 18
1.3.2 智能模拟的哲学基础 18
1.4.1 结构主义方法 20
1.4 智能模拟中的科学方法论 20
1.4.4 信息科学方法 21
1.4.3 演绎主义方法 21
1.4.2 行为主义方法 21
1.5 智能控制与智能模拟 22
2.1 模糊数学的创立及发展 23
第2章 模糊逻辑与粗糙集合 23
2.2.1 集合的概念及定义 25
2.2 经典集合及其运算 25
2.2.2 集合的直积 26
2.2.4 集合的运算性质 27
2.2.3 映射与关系 27
2.2.5 集合的表示及特征函数 28
2.3.1 模糊子集的定义及表示 29
2.3 模糊集合及其运算 29
2.3.2 模糊子集的运算 31
2.4.1 截集 33
2.4 模糊集合与经典集合的联系 33
2.4.2 分解定理 34
2.5 隶属函数 35
2.4.3 扩张原则 35
2.5.1 隶属函数的确定方法 36
2.5.2 常用的隶属函数 39
2.6.1 模糊矩阵 41
2.6 模糊矩阵与模糊关系 41
2.6.2 模糊关系 45
2.6.3 模糊关系的合成 48
2.7.2 模糊向量的笛卡尔乘积 50
2.7.1 模糊向量 50
2.7 模糊向量 50
2.7.3 模糊向量的内积与外积 51
2.8.1 模糊逻辑 52
2.8 模糊逻辑与模糊推理 52
2.8.2 模糊语言 60
2.8.3 模糊推理 66
2.9.1 粗糙集合的基本概念 72
2.9 粗糙集合 72
2.9.3 粗糙集合的特点及其应用 73
2.9.2 粗糙度与粗糙隶属函数 73
3.1.1 神经网络研究简史 74
3.1 神经网络研究的概述 74
第3章 神经网络与计算智能 74
3.2.1 脑的宏观结构 76
3.2 脑与神经系统 76
3.1.2 神经网络的主要特点 76
3.2.2 神经细胞的结构与功能 77
3.2.3 神经元模型 79
3.3.1 神经网络的联接形式 85
3.3 神经网络的结构和学习规则 85
3.3.2 神经网络的学习和训练 87
3.3.3 神经网络的学习规则 88
3.4.2 前向多层网络的BP学习算法 91
3.4.1 感知器 91
3.4 典型前向网络——BP网络 91
3.4.3 BP算法的改进算法 94
3.4.4 前向网络递推预报误差算法（RPE） 99
3.5.1 Hopfield网络模型 101
3.5 典型反馈网络——Hopfield网络 101
3.5.2 Hopfield网络的联想记忆功能 102
3.5.3 Hopfield网络的优化计算功能 103
3.6.1 CMAC网络的基本思想 104
3.6 小脑模型关联控制器——CMAC网络 104
3.6.2 CMAC网络的工作原理 105
3.6.3 小脑模型运算机 106
3.7.1 Kohonen网络原理 107
3.7 大脑自组织特征映射模型——Kohonen网络 107
3.7.2 Kohonen网络学习规则及算法 108
3.8.2 Boltzmann机模型 109
3.8.1 模拟退火 109
3.8 基于概率式学习的Boltzmann机模型 109
3.9 其它类型的神经网络 110
3.8.3 Boltzmann机的训练和学习规则 110
4.1.1 遗传学的产生与发展 111
4.1 遗传学和生物进化论 111
第4章 遗传算法与人工生命 111
4.1.2 生物进化论 112
4.2.1 进化计算 113
4.2 进化计算和遗传算法 113
4.2.2 遗传算法 114
4.3.1 遗传算法的结构 115
4.3 遗传算法的结构和基本原理 115
4.3.2 选择、交叉和突然变异的方法 116
4.3.3 遗传算法的实现步骤 118
4.4.1 模式定理（Schema theorem） 119
4.4 遗传算法的理论与方法论 119
4.4.2 虚拟边界定理 120
4.4.3 遗传算法中的方法论 121
4.5.1 遗传算法在模糊推理中的应用 122
4.5 遗传算法和模糊逻辑、神经网络的融合 122
4.5.2 遗传算法和神经网络的融合 123
4.6.1 遗传算法的主要特点 124
4.6 遗传算法的特点及研究方向 124
4.6.2 遗传算法的研究课题 125
4.8 人工生命 126
4.7 遗传编程 126
4.8.2 人工生命的研究领域 127
4.8.1 人工生命与人工智能 127
5.1.1 非平衡热力学系统的基本概念 129
5.1 耗散结构论 129
第5章 复杂开放系统的自组织理论 129
5.1.2 自组织现象 131
5.1.3 稳定性与分叉理论 132
5.1.4 耗散结构形成的条件 133
5.2.1 协同学 134
5.2 协同学与突变论 134
5.2.2 突变论 135
5.3.1 混沌的基本概念 139
5.3 混沌学 139
5.3.2 开放系统的混沌动力学 141
5.3.3 维数与李雅普诺夫指数 143
5.3.4 混沌的潜在应用领域 144
5.4 智能控制与非线性科学 146
6.1 物元分析学科的创立与发展 147
第6章 物元分析与可拓集合 147
6.2.1 物元的概念及其表示 148
6.2 物元及其可拓性 148
6.2.2 物元的可拓性 149
6.3 物元变换 152
6.3.2 物元的基本变换及其运算 153
6.3.1 物元要素的基本变换 153
6.3.3 物元基本变换的性质 154
6.4.1 可拓集合的概念 156
6.4 可拓集合 156
6.4.2 可拓集合的关系和运算 158
6.4.3 物元可拓集 159
6.4.4 可拓关系及其运算 160
6.5.1 实域中的距、模及位值 161
6.5 关联函数 161
6.5.2 简单关联函数与初等关联函数 164
6.6.1 物元方程和蕴含方程 167
6.6 物元方程与关联不等式 167
6.5.3 质度函数 167
6.6.2 转换桥的基本概念 168
6.6.3 问题的物元模型 169
第二篇 智能控制的知识工程和信息科学基础第7章 智能控制的知识工程基础 170
6.6.4 关联不等式和不相容问题求解 170
7.1.1 什么是专家系统 174
7.1 专家系统基础 174
7.2.1 一般专家系统的结构 175
7.2 专家系统的结构 175
7.1.2 建立专家系统的目的和意义 175
7.2.2 理想化的专家系统的结构 178
7.3.1 知识表示的重要性 179
7.3 知识的表示 179
7.3.2 谓词逻辑表示法 180
7.3.4 语义网络表示法 182
7.3.3 时序逻辑表示法 182
7.3.6 框架表示法 184
7.3.5 产生式表示法 184
7.3.8 定性模型知识表示法 185
7.3.7 过程表示法 185
7.3.9 神经网络产生规则表示法 189
7.3.10 Petri网的知识表示法 190
7.3.11 知识的综合集成表示 192
7.4.2 不精确推理的方法 194
7.4.1 不精确推理的一般描述 194
7.4 专家系统中的推理方法 194
7.5.1 基于规则的推理 201
7.5 智能控制系统中的推理 201
7.5.2 模糊逻辑推理 202
7.5.3 基于神经网络的推理 204
7.5.4 定性推理 205
7.5.5 基于事例的推理 206
7.5.6 基于规则、事例和模型的综合推理 208
7.6.1 知识获取的途径 209
7.6 知识的获取 209
7.6.2 知识获取的步骤 210
7.7.1 产生式系统的结构及特点 212
7.7 产生式系统 212
7.7.3 产生式系统的应用 213
7.7.2 产生式系统的分类 213
7.8.1 学习系统 214
7.8 智能学习系统 214
7.8.2 机器学习 215
7.8.3 智能学习系统 216
7.9 人机智能结合系统 217
7.9.2 人-机智能结合的必要条件 218
7.9.1 人的智能模型 218
7.9.3 人-机交互作用 219
7.9.4 计算机的智能结构 220
8.1.1 可能性空间 222
8.1 智能控制和信息科学 222
第8章 智能控制的信息科学基础 222
8.2 信息论的产生及发展 223
8.1.2 从可能性空间看信息 223
8.3.2 信息是知识的内涵 225
8.3.1 信息的概念 225
8.3 信息是知识的内涵 225
8.4 信息系统模型 226
8.5 熵和信息 227
8.6 负熵与广义信息论 228
9.1.1 智能控制的定义 230
9.1 智能控制的基本概念 230
第三篇 智能控制理论与系统设计 230
第9章 智能反馈控制理论基础 230
9.1.2 智能控制的基本要素 232
9.2.2 基于信息论的递阶智能控制结构 233
9.2.1 智能控制系统的基本结构 233
9.2 智能控制系统的结构 233
9.3 智能控制系统的类型 235
9.2.3 基于广义信息的智能控制系统结构 235
9.4 智能控制系统的理论基础及其本质 236
10.1.2 大系统递阶结构的描述 237
10.1.1 大系统控制的基本形式 237
第10章 多级递阶智能控制 237
10.1 复杂系统控制的基本形式 237
10.2.2 协调的基本原则 239
10.2.1 协调 239
10.2 递阶控制的一般原理 239
10.3.2 多级递阶智能控制的原理 240
10.3.1 多级递阶智能控制系统的组成 240
10.3 多级递阶智能控制 240
10.3.3 机器人递阶智能控制系统的结构 241
10.4 人-机交互的多级递阶智能控制 242
11.1.2 专家控制系统的结构 245
11.1.1 专家控制系统的特点 245
第11章 基于知识的专家控制 245
11.1 专家控制系统 245
11.1.3 专家控制系统的原理 246
11.2 实时过程控制专家系统 247
11.3.1 专家控制器的一般结构 248
11.3 专家控制器 248
11.3.2 一种工业过程专家控制器 249
11.4.1 系统的观测矩阵 250
11.4 基于知识的智能过程控制 250
11.4.2 基于知识系统的符号模型 251
11.4.3 基于知识的双容器液位控制 252
12.1.1 模糊控制的基本思想 254
12.1 模糊自动控制原理 254
第12章 模糊控制 254
12.1.2 模糊控制系统的组成 256
12.1.3 模糊控制的基本原理 257
12.2.1 模糊控制器的结构设计 263
12.2 模糊控制器设计的基本方法 263
12.2.2 模糊控制规则的设计 265
12.2.3 精确量的模糊化方法 270
12.2.4 模糊推理及其模糊量的非模糊化方法 271
12.2.5 论域、量化因子、比例因子的选择 275
12.2.6 模糊控制查询表及算法流程图 278
12.2.7 采样时间的选择 279
12.3 模糊控制器的设计举例 280
12.3.2 建立模糊控制规则 281
12.3.1 确定模糊控制器的结构 281
12.3.4 建立模糊控制表 282
12.3.3 确定模糊变量的赋值表 282
12.3.5 简单模糊控制器的控制特性 284
12.4.1 控制规则的解析描述 287
12.4 解析描述控制规则可调整的模糊控制器 287
12.4.2 带有调整因子的控制规则 288
12.4.3 模糊控制规则的自调整与自寻优 290
12.4.4 带有自调整因子的模糊控制器 294
12.4.5 带自调整函数的模糊控制规则 295
12.5.1 基于模糊关系模型的系统辨识 298
12.5 模糊系统辨识与模糊预测 298
12.5.2 基于模糊关系模型的建模举例 301
12.5.3 自适应模糊预测模型 305
12.5.4 基于T-S模型的模糊系统辨识 306
12.5.5 基于“模糊控制系统”的模型预报 310
12.6.1 自适应模糊控制器的结构 314
12.6 自适应·自组织·自学习模糊控制 314
12.6.2 自适应模糊控制器的原理 315
12.6.3 模型参考模糊自适应控制系统 321
12.6.4 自校正模糊控制器 331
12.6.5 自适应递阶模糊控制 336
12.7.1 提高模糊控制稳态精度的方法 341
12.7 提高模糊控制性能的多种方法 341
12.7.2 提高模糊控制滞后对象能力的方法 346
12.7.3 用三维模糊控制提高控制高阶对象的能力 349
12.8.1 模糊控制器的多值继电器模型 351
12.8 模糊控制器的模型结构及系统稳定性分析 351
12.8.2 模糊控制器的代数模型 354
12.8.3 模糊控制器的语言模型 357
12.8.4 模糊控制器的颗粒模型、准线性模型和细胞模型 362
12.8.5 双输入双输出模糊控制器的解析结构 368
12.9.1 模糊控制系统稳定性分析理论的研究进展 377
12.9 模糊控制系统稳定性分析的理论与方法 377
12.9.2 基于语言模糊状态模型的稳定性分析 378
12.10 模糊控制软件开发工具与模糊控制芯片 384
12.10.1 模糊控制软件的开发工具 385
12.10.2 模糊控制芯片 391
13.1.1 神经控制的基本思想 404
13.1 神经控制的基本原理 404
第13章 神经控制 404
13.2 神经网络控制的分类 405
13.1.2 神经网络在控制中的主要作用 405
13.2.1 基于神经网络的智能控制 406
13.2.2 基于传统控制理论的神经控制 408
13.3.1 间接学习神经控制 410
13.3 神经网络学习控制的结构 410
13.3.3 特殊学习神经控制的结构 412
13.3.2 一般学习神经控制的结构 412
13.4 神经网络直接反馈控制 413
13.3.4 一般和特殊相结合的学习结构 413
13.5 神经网络模型参考自适应控制 416
13.6 神经网络自校正控制 417
13.7.2 神经网络内模控制 419
13.7.1 内模控制 419
13.7 神经网络内模控制 419
13.8.1 PSD控制 420
13.8 神经元自适应PSD控制 420
13.8.2 神经元自适应PSD控制算法 421
13.9.1 FNAOC的结构 422
13.9 基于模糊神经网络的自组织控制 422
13.9.2 双向联想记忆网络及其产生模糊规则 423
13.9.3 应用LVQ法产生If部分隶属函数 425
13.9.4 FNAOC系统的应用 426
13.10.2 模糊神经网络控制模型 429
13.10.1 多变量系统的模糊控制模型 429
13.10 多变量系统的模糊神经网络控制 429
13.11 基于神经网络的模糊逻辑控制系统设计 431
13.11.1 一般模糊控制的基本结构及其描述 432
13.11.2 基于神经网络的模糊控制和决策 433
13.11.3 神经网络每层节点的函数功能 434
13.11.4 混合学习算法 435
13.11.5 无人小车的神经网络模糊控制 439
13.12 基于模糊推理和神经网络建造专家系统的一种方法 441
13.12.2 神经网络的结构 442
13.12.1 设计的基本思想和步骤 442
13.12.3 导入算法 443
13.12.4 隶属函数和模糊规则的修改 444
13.12.6 从训练后的神经网络中提取规则举例 446
13.12.5 信念传播与导出算法 446
13.13.1 神经网络专家系统 447
13.13 神经网络专家系统与故障诊断 447
13.13.2 基于神经网络的控制系统故障诊断 448
14.1.1 常规PID控制 451
14.1 从PID控制看仿人智能控制 451
第14章 基于规则的仿人智能控制 451
14.1.2 对常规PID控制的剖析 452
14.1.3 从PID控制得到的启发 453
14.2.1 仿人智能控制的基本思想 454
14.2 仿人智能控制的原理与结构 454
14.2.2 仿人智能控制行为的特征变量 455
14.2.3 仿人智能控制器的结构 457
14.2.4 仿人智能控制的多种模式 458
14.3.2 一个智能开关控制器的设计实例 459
14.3.1 智能开关控制 459
14.3 仿人智能开关控制器 459
14.4.1 仿人比例控制的原理 460
14.4 仿人比例控制器 460
14.5.1 仿人智能积分原理 461
14.5 仿人智能积分控制 461
14.4.2 仿人比例控制算法 461
14.5.2 仿人智能积分控制算法 463
14.6.2 滞后过程的仿人智能采样控制 464
14.6.1 采样周期对数字控制的影响 464
14.6 仿人智能采样控制 464
14.7.1 采样周期与控制周期的差异 466
14.7 仿人智能控制周期的自选择 466
14.8 基于极值采样的仿人智能控制 467
14.7.3 仿人智能控制周期的在线自选择 467
14.7.2 仿人智能控制周期 467
14.8.2 仿人智能控制算法及其特点 468
14.8.1 仿人智能控制器的静特性及运行机理 468
14.9.1 过程的能量储存特性及其控制 469
14.9 基于过程补余量的仿人智能控制 469
14.9.2 基于过程补入量的仿人智能控制规则 470
14.9.3 目标补入量J的递推算法 471
15.1.1 模式识别的基本概念 472
15.1 模式识别与智能控制 472
第15章 基于模式识别的智能控制 472
15.1.3 模式识别与智能控制 474
15.1.2 模式识别与形象思维 474
15.2.2 相平面e-？上特征模式类的划分 475
15.2.1 系统瞬态响应特征的模式分类 475
15.2 系统动态特性的模式识别 475
15.2.3 误差相空间的特征模式集 477
15.3.1 特征信息、特征状态与特征模式 478
15.3 基于模式识别的智能控制 478
15.3.2 基于模式识别的智能控制器的结构 479
15.3.3 基于模式识别的智能控制器的设计 480
15.3.4 基于模式识别的智能控制器的工业应用 481
16.1.1 变结构控制的基本原理 483
16.1 变结构控制的基本原理 483
第16章 多模变结构智能控制 483
16.1.2 变结构控制的应用 484
16.2.2 VSC是一种双模控制方式 486
16.2.1 VSC可视为一种规则控制 486
16.2 变结构控制是一种双模控制 486
16.3.2 变结构控制的不足 487
16.3.1 变结构控制思想的启迪 487
16.3 变结构控制的剖析 487
16.4.2 多模变结构智能控制器设计 488
16.4.1 多模变结构智能控制的基本思想 488
16.4 多模变结构智能控制的原理 488
16.5.1 滑动模态控制的系统描述 489
16.5 模糊滑动模态控制 489
16.4.3 多模变结构智能控制规则 489
16.5.2 模糊滑动模态控制 491
16.5.3 基于模糊逻辑的连续滑模控制 492
17.1.2 学习控制律 495
17.1.1 学习控制的基本概念 495
第17章 学习控制与自学习控制 495
17.1 学习控制系统 495
17.1.3 学习控制的收敛性 497
17.2.1 位置伺服系统的学习控制 501
17.2 伺服系统的学习控制 501
17.2.2 位置伺服系统的模糊学习控制 506
17.3.1 自学习控制系统的结构 510
17.3 自学习控制系统 510
17.3.2 基于规则的自学习控制系统 511
17.4 基于规则的自学习模糊控制 512
17.4.1 建立模糊控制规则 512
17.4.2 自学习模糊控制算法 514
17.4.3 自学习控制算法举例 515
18.1.1 由输入r所引起的混沌 517
18.1 混沌与控制系统 517
第18章 混沌控制与混沌预测 517
18.1.3 混沌和周期解的共存 519
18.1.2 由采样周期所引起的混沌 519
18.2.1 混沌的短期预测功能 520
18.2 混沌预测 520
18.2.2 混沌短期预测的方法 521
18.3.1 混沌芯片 522
18.3 混沌模糊控制器 522
18.3.2 混沌模糊控制器 523
19.1 可拓控制的基本概念 525
第19章 基于可拓逻辑的智能控制 525
19.2 可拓控制的基本结构和原理 526
19.3.2 特征量的选取和特征模式的确定 528
19.3.1 可拓控制器的结构 528
19.3 可拓控制器的设计方法 528
19.3.3 特征状态关联度的计算 529
19.3.5 确定控制模式和计算控制器输出 530
19.3.4 测度模式的划分 530
19.4.2 可拓知识库 532
19.4.1 可拓专家系统的结构 532
19.4 可拓专家系统的结构及原理 532
19.4.3 评价机构与组织机构原理 533
20.1.1 李雅普诺夫意义下的稳定性 535
20.1 李雅普诺夫稳定性理论 535
第20章 智能控制系统的稳定性分析 535
20.1.2 李雅普诺夫稳定性理论 536
20.2.1 大范围稳定与绝对稳定的概念 538
20.2 绝对稳定性理论 538
20.2.2 波波夫的稳定性分析方法 540
20.2.3 圆判据 541
20.3.1 智能控制系统的智能性 542
20.3 智能控制系统的智能性与能控性 542
20.3.2 智能控制系统的能控性 544
20.4.2 智能控制规律的统一描述形式 545
20.4.1 智能控制系统稳定性的定性分析 545
20.4 智能控制系统的稳定性分析 545
20.4.3 基于Lyapunov函数智能控制闭环系统稳定性分析 546
第21章 智能控制在工业过程控制中的应用 548
20.4.4 基于非线性科学的稳定性分析 548
21.1.2 模糊控制器的结构 549
21.1.1 概述 549
第四篇 智能控制的工程应用 549
21.1 蒸汽发动机的模糊控制系统 549
21.1.3 模糊变量的论域及其隶属函数 550
21.1.4 控制规则 552
21.2.1 概述 553
21.2 模糊控制在退火炉燃烧过程控制中的应用 553
21.1.5 模糊控制的结果 553
21.2.2 模糊控制系统的组成 554
21.2.3 模糊控制器和模糊自寻优控制器 555
21.2.4 应用效果与结论 557
21.3.1 概述 558
21.3 气炼机的自适应模糊控制系统 558
21.3.3 气炼机控制系统的硬件设计 559
21.3.2 自动气炼机的结构及其工艺流程 559
21.3.4 气炼机控制系统的软件设计 560
21.3.5 自动气炼机的模糊控制器 562
21.3.6 自动气炼机透烧、预烧延时的自适应模糊控制 563
21.4.2 模糊聚类分析 566
21.4.1 概述 566
21.3.7 小结 566
21.4 电弧冶炼炉的模糊控制 566
21.4.3 模糊控制规则 568
21.4.4 控制系统的组成 569
21.5.1 概述 570
21.5 智能控制在造纸过程中的应用 570
21.4.5 小结 570
21.5.2 造纸过程分析及其控制 571
21.5.3 造纸过程的专家智能控制 572
21.5.4 实际运行结果 577
21.6.1 概述 578
21.6 仿人智能温度控制器 578
21.5.5 小结 578
21.6.3 仿人智能控制算法 579
21.6.2 整机简介 579
21.6.4 性能对比及结论 581
21.7.1 神经自组织模糊控制系统的结构 582
21.7 神经网络自组织模糊控制器及其在电力系统中的应用 582
21.7.2 各部分功能及作用 583
21.7.3 自组织模糊控制系统工作流程 586
21.7.4 在电力系统频率控制中的应用 588
21.8 轧钢机钢板厚度的非线性神经控制 589
21.7.5 总结 589
21.8.1 轧钢机模型与控制问题 590
21.8.3 应用神经网络模型的非线性控制 592
21.8.2 用神经网络进行对象建模 592
第22章 智能控制在运载工具控制中的应用 595
21.8.4 结果 595
22.1.2 高技术机翼ATW 596
22.1.1 概述 596
22.1 高技术机翼的倾斜和力矩的模糊逻辑控制 596
22.1.3 ATW的模糊控制 597
22.1.4 鲁棒性测试及结论 601
22.2.1 列车自动驾驶系统 602
22.2 预测模糊控制在列车自动驾驶系统中的应用 602
22.2.2 地铁列车的预测模糊控制系统 603
22.2.3 应用实例及其效果 605
22.3.1 排放量最小化 607
22.3 汽车喷油系统的神经网络控制 607
22.3.2 CMAC神经网络基础 608
22.3.3 CMAC神经网络喷油控制 610
第23章 智能控制在机器人控制中的应用 611
22.3.4 CMAC控制器实验结果与结论 611
23.1.2 模糊指令与模糊算法 614
23.1.1 概述 614
23.1 机器人的模糊控制 614
23.1.3 模糊指令的解释 615
23.1.4 机器人的模糊控制 616
23.2.1 机器人及其控制 620
23.2 基于神经网络的机器人控制 620
23.1.5 机器人的控制过程 620
23.2.2 神经网络控制的机器人 621
23.3.2 应用神经网络补偿误差方式 623
23.3.1 基于模型的误差补偿方式 623
23.3 工业机器人的神经网络高精度控制 623
23.3.3 实验结果 624
23.4.2 学习控制的构成 626
23.4.1 问题的提出 626
23.4 应用学习控制抑制机器人的振动 626
23.4.3 有弹性轴的机器人模型 627
第24章 智能控制在家电产品中的应用 629
23.4.4 工业机器人的学习控制的应用实验 629
24.1.1 洗净度传感器 631
24.1 模糊全自动洗衣机 631
24.1.2 布量、布质传感器 632
24.1.3 基于洗净度的模糊推理 633
24.1.4 基于布量、布质的模糊控制 634
24.1.5 模糊全自动洗衣机的特点 635
24.2.1 模糊吸尘器设计的基本要求 636
24.2 模糊控制吸尘器 636
24.2.3 模糊控制吸尘器 637
24.2.2 灰尘传感器 637
24.3.2 模糊识别和模糊推理 639
24.3.1 手抖修正原理 639
24.3 模糊控制摄像机 639
24.4.2 人工神经网络的培训 641
24.4.1 系统组成及工作原理 641
24.4 基于神经网络的冰柜温度智能控制系统 641
24.4.3 性能测试与分析 643
24.5.1 混沌仿真器的构成 644
24.5 混沌控制煤油暖风器 644
24.5.3 混沌暖风器的运行效果 646
24.5.2 混沌产生舒适暖风的机理 646
参考文献 648
附录 本书作者及其合作者1999～2005年发表的学术论文、著作目录 657