1.1智能控制的发展过程 1
第1章 绪论 1
1.2智能控制的几个重要分支 3
1.3智能控制的特点、研究工具及应用 4
思考题与习题 6
第2章 专家控制 7
2.1专家系统 7
2.1.1专家系统概述 7
2.1.2专家系统的构成 8
2.1.3专家系统的建立 8
2.2.2专家控制的基本原理 9
2.2专家控制 9
2.2.1专家控制概述 9
2.2.3专家控制的关键技术及特点 12
2.3专家PID控制 12
2.3.1专家PID控制原理 12
2.3.2仿真实例 13
思考题与习题 14
附录（程序代码） 15
3.2.1模糊集合的概念 18
3.2模糊集合 18
3.1概述 18
第3章 模糊控制的理论基础 18
3.2.2模糊集合的运算 20
3.3隶属函数 22
3.4模糊关系及其运算 26
3.4.1模糊矩阵 27
3.4.2模糊矩阵的运算 27
3.4.3模糊矩阵的合成 28
3.5.1模糊语句 29
3.5.2模糊推理 29
3.5模糊推理 29
3.5.3模糊关系方程 30
思考题与习题 31
附录（程序代码） 32
第4章 模糊控制 36
4.1模糊控制的基本原理 36
4.1.1模糊控制原理 36
4.1.2模糊控制器的组成 37
4.1.3模糊控制系统的工作原理 38
4.1.4模糊控制器的结构 42
4.2模糊控制系统分类 43
4.3模糊控制器的设计 44
4.3.1模糊控制器的设计步骤 44
4.3.2模糊控制器的Matlab仿真 46
4.4模糊控制应用实例——洗衣机的模糊控制 48
4.5模糊自适应整定PID控制 54
4.5.1模糊自适应整定PID控制原理 54
4.5.2仿真实例 57
4.6Sugeno模糊模型 62
4.7.1倒立摆模型的局部线性化 63
4.7基于Sugeno模糊模型的倒立摆模糊控制 63
4.7.2仿真实例 64
4.8模糊控制的应用 66
4.9模糊控制发展概况 67
4.9.1模糊控制发展的几个转折点 67
4.9.2模糊控制的发展方向 67
4.9.3模糊控制面临的主要任务 68
思考题与习题 68
附录（程序代码） 69
5.1.2模糊系统的逼近精度 86
5.1.1模糊系统的设计 86
5.1模糊逼近 86
第5章 自适应模糊控制 86
5.1.3仿真实例 87
5.2间接自适应模糊控制 90
5.2.1问题描述 90
5.2.2控制器的设计 91
5.2.3仿真实例 94
5.3直接自适应模糊控制 96
5.3.1问题描述 96
5.3.2控制器的设计 97
5.3.3自适应律的设计 98
5.3.4仿真实例 100
思考题与习题 101
附录（程序代码） 102
第6章 神经网络的理论基础 117
6.1神经网络发展简史 117
6.2神经网络原理 118
6.3神经网络的分类 119
6.4神经网络学习算法 120
6.4.1Hebb学习规则 121
6.4.2 Delta（δ）学习规则 121
6.6神经网络控制的研究领域 122
6.5神经网络的特征及要素 122
思考题与习题 123
第7章 典型神经网络 124
7.1单神经元网络 124
7.2 BP神经网络 125
7.2.1 BP网络特点 125
7.2.2 BP网络结构 126
7.2.3 BP网络的逼近 126
7.2.5 BP网络逼近仿真实例 128
7.2.6 BP网络模式识别 128
7.2.4 BP网络的优缺点 128
7.2.7 BP网络模式识别仿真实例 131
7.3RBF神经网络 132
7.3.1 RBF网络结构 132
7.3.2 RBF网络的逼近 133
7.3.3 RBF网络逼近仿真实例 134
7.4回归神经网络 135
7.4.1 DRNN网络结构 135
7.4.2DRNN网络的逼近 136
7.4.3 DRNN网络逼近仿真实例 137
思考题与习题 138
附录（程序代码） 139
第8章 高级神经网络 148
8.1模糊RBF网络 148
8.1.1网络结构 149
8.1.2基于模糊RBF网络的逼近算法 150
8.1.3仿真实例 150
8.2 pi-sigma神经网络 151
8.2.1高木－关野模糊系统 151
8.2.2混合型pi-sigma神经网络 152
8.2.3仿真实例 154
8.3.1 CMAC概述 155
8.3小脑模型神经网络 155
8.3.2一种典型CMAC算法 156
8.3.3仿真实例 157
8.4 Hopfield网络 158
8.4.1Hopfield网络原理 158
8.4.2基于Hopfield网络的自适应控制 160
思考题与习题 164
附录（程序代码） 165
第9章 神经网络控制 176
9.1概述 176
9.2.2神经网络直接逆控制 177
9.2神经网络控制的结构 177
9.2.1神经网络监督控制 177
9.2.3神经网络自适应控制 178
9.2.4神经网络内模控制 179
9.2.5神经网络预测控制 180
9.2.6神经网络自适应评判控制 180
9.2.7神经网络混合控制 180
9.3单神经元自适应控制 181
9.3.1单神经元自适应控制算法 181
9.3.2仿真实例 181
9.4.1 RBF网络监督控制算法 183
9.4 RBF网络监督控制 183
9.4.2仿真实例 184
9.5 RBF网络自校正控制 185
9.5.1神经网络自校正控制原理 185
9.5.2自校正控制算法 185
9.5.3 RBF网络自校正控制算法 185
9.5.4仿真实例 187
9.6基于RBF网络直接模型参考自适应控制 188
9.6.1基于RBF网络的控制器设计 188
9.6.2仿真实例 189
思考题与习题 190
附录（程序代码） 191
第10章 遗传算法及其应用 200
10.1遗传算法的基本原理 200
10.2遗传算法的特点 201
10.3遗传算法的发展及应用 202
10.3.1遗传算法的发展 202
10.3.2遗传算法的应用 202
10.4.2遗传算法的应用步骤 204
10.4.1遗传算法的构成要素 204
10.4遗传算法的优化设计 204
10.5遗传算法求函数极大值 205
10.5.1二进制编码遗传算法求函数极大值 205
10.5.2实数编码遗传算法求函数极大值 207
10.6基于遗传算法优化的RBF网络逼近 208
10.6.1遗传算法优化原理 208
10.6.2仿真实例 209
思考题与习题 210
附录（程序代码） 211
参考文献 224