第1章 绪论 1
1.1 智能控制的基本概念 1
1.1.1 智能控制的研究对象 1
1.1.2 智能控制系统 1
1.1.3 智能控制系统的基本结构 2
1.1.4 智能控制系统的主要功能特点 3
1.1.5 智能控制研究的数学工具 4
1.2 智能控制的发展概况 4
1.3 智能控制理论 10
参考文献 15
第2章 模糊逻辑控制 16
2.1 概述 16
2.1.1 模糊控制与智能控制 16
2.1.2 模糊集合与模糊数学的概念 16
2.1.3 模糊控制的发展和应用概况 17
2.2 模糊集合及其运算 19
2.2.1 模糊集合的定义及表示方法 19
2.2.2 模糊集合的基本运算 22
2.2.3 模糊集合运算的基本性质 23
2.3.1 模糊关系的定义及表示 24
2.2.4 模糊集合的其它类型运算 24
2.3 模糊关系 24
2.3.2 模糊关系的合成 26
2.4 模糊逻辑与近似推理 27
2.4.1 语言变量 27
2.4.2 模糊蕴含关系 28
2.4.3 近似推理 30
2.4.4 模糊蕴含关系运算方法的比较和选择 35
2.4.5 合成运算方法的选择 40
2.4.6 句子连接关系的逻辑运算 41
2.5.1 模糊推理的基本方法 42
2.5 基于控制规则库的模糊推理 42
2.5.2 模糊推理的性质 45
2.5.3 模糊控制中几种常见的模糊推理类型 49
2.6 模糊控制的基本原理 52
2.6.1 模糊控制器的基本结构和组成 52
2.6.2 模糊化运算 54
2.6.3 数据库 55
2.6.4 规则库 58
2.6.5 模糊推理与清晰化计算 60
2.6.6 论域为离散时模糊控制的离线计算 62
2.7 模糊控制系统的分析和设计 67
2.7.1 模糊模型表示 67
2.7.2 模糊系统分析 68
2.7.3 模糊系统设计 74
2.7.4 基于Takagi-Sugeno模型的稳定性分析和设计 81
2.7.5 基于模糊状态方程模型的系统分析和设计 90
2.8 自适应模糊控制 107
2.8.1 基于性能反馈的直接自适应模糊控制 107
2.8.2 基于模糊模型求逆的间接自适应模糊控制 114
参考文献 123
第3章 神经网络控制 125
3.1 概述 125
3.1.1 神经元模型 125
3.1.2 人工神经网络 127
3.1.3 生物神经网络系统与计算机处理信息的比较 128
3.1.4 神经网络的发展概况 128
3.2 前馈神经网络 129
3.2.1 感知器网络 130
3.2.2 BP网络 133
3.2.3 BP网络学习算法的改进 135
3.2.4 神经网络的训练 136
3.3 反馈神经网络 140
3.3.1 离散Hopfield网络 140
3.3.2 连续Hopfield网络 150
3.3.3 Boltzmann机 154
3.4 局部逼近神经网络 158
3.4.1 CMAC神经网络 158
3.4.2 B样条神经网络 163
3.4.3 径向基函数神经网络 168
3.5 模糊神经网络 169
3.5.1 基于标准模型的模糊神经网络 170
3.5.2 基于Takagi-Sugeno模型的模糊神经网络 177
3.6 基于神经网络的系统建模与辨识 181
3.6.1 概述 181
3.6.2 逼近理论与网络建模 183
3.6.3 利用多层静态网络的系统辨识 187
3.6.4 利用动态网络的系统辨识 190
3.7 神经网络控制 194
3.7.1 概述 194
3.7.2 神经网络控制结构 195
3.7.3 基于全局逼近神经网络的控制 201
3.7.4 基于局部逼近神经网络的控制 205
3.7.5 模糊神经网络控制 209
3.7.6 有待解决的问题 216
3.8 神经网络在机器人控制中的应用 217
3.8.1 神经网络运动学控制 217
3.8.2 神经网络动力学控制 222
3.8.3 神经网络路径规划 227
参考文献 237
4.1.1 专家控制的由来 240
4.1.2 专家系统 240
4.1 概述 240
第4章 专家控制 240
4.1.3 专家控制的研究状况和分类 244
4.2 专家控制的基本原理 246
4.2.1 专家控制的功能目标 246
4.2.2 控制作用的实现 247
4.2.3 设计规范和运行机制 249
4.3 专家控制系统的典型结构 250
4.3.1 系统结构 250
4.3.2 系统实现 256
4.4 专家控制的例示 258
4.4.1 自动调整过程 258
4.4.2 自动调整过程的实现 263
4.5 专家控制技术的研究课题 264
4.5.1 实时推理 264
4.5.2 知识获取 266
4.5.3 专家控制系统的稳定性分析 270
4.6 一种仿人智能控制 274
4.6.1 概念和定义 274
4.6.2 原理和结构 276
4.6.3 仿人智能控制的特点 278
参考文献 279
第5章 学习控制 282
5.1 概述 282
5.1.1 学习控制问题的提出 282
5.1.2 学习控制的表述 283
5.1.3 学习控制和自适应控制 284
5.1.4 学习控制的研究状况和分类 284
5.2 基于模式识别的学习控制 286
5.2.1 学习控制系统的一般形式 286
5.2.2 模式分类 288
5.2.3 可训练控制器 290
5.2.4 线性再励学习控制 292
5.2.5 Bayes学习控制 292
5.2.6 基于模式识别的其他学习控制方法 294
5.2.7 研究课题 297
5.3 基于迭代和重复的学习控制 297
5.3.1 迭代和重复自学习控制的基本原理 298
5.3.2 异步自学习控制 301
5.3.3 异步自学习控制时域法 304
5.3.4 异步自学习控制频域法 309
5.4 联结主义学习控制 313
5.4.1 基本思想 313
5.4.2 联结主义学习系统的实现原理 315
5.4.3 联结主义学习控制系统的结构 322
5.4.4 研究课题 324
参考文献 325
第6章 分层递阶智能控制 328
6.1 一般结构原理 328
6.2 组织级 330
6.3.1 协调级的原理结构 333
6.3 协调级 333
6.3.2 Petri网翻译器 336
6.3.3 协调级的Petri网结构 337
6.3.4 协调级结构的决策和学习 339
6.4 执行级 343
参考文献 344
第7章 遗传算法 345
7.1 概述 345
7.2 遗传算法的工作原理及操作步骤 347
7.2.1 遗传算法的基本操作 347
7.2.2 遗传算法的模式理论 350
7.3 遗传算法的实现及改进 353
7.3.1 遗传算法的实现 353
7.3.2 遗传算法的改进 356
7.3.3 改进的遗传算法举例 357
7.4 遗传算法应用举例 361
7.4.1 遗传算法在模糊逻辑控制中的应用 361
7.4.2 遗传算法在神经网络控制中的应用 365
7.4.3 用遗传算法进行路径规划 369
参考文献 373