第1章 绪论 1
1.1 智能控制的发展过程 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 5
第2章 专家控制 6
2.1 专家系统 6
2.1.1 专家系统概述 6
2.1.2 专家系统的构成 7
2.1.3 专家系统的建立 7
2.2 专家控制 8
2.2.1 专家控制概述 8
2.2.2 专家控制的基本原理 8
2.2.3 专家控制的关键技术及特点 11
2.3 专家PID控制 11
2.3.1 专家PID控制原理 11
2.3.2 仿真实例 12
思考题与习题 13
附录（程序代码） 14
第3章 模糊控制的理论基础 16
3.1 概述 16
3.2 模糊集合 16
3.2.1 模糊集合的概念 16
3.2.2 模糊集合的运算 18
3.3 隶属函数 20
3.4 模糊关系及其运算 23
3.4.1 模糊矩阵 24
3.4.2 模糊矩阵的运算与模糊关系 24
3.4.3 模糊矩阵的合成 25
3.5 模糊推理 25
3.5.1 模糊语句 25
3.5.2 模糊推理 26
3.5.3 模糊关系方程 27
思考题与习题 28
附录（程序代码） 29
第4章 模糊控制 32
4.1 模糊控制的基本原理 32
4.1.1 模糊控制原理 32
4.1.2 模糊控制器的组成 32
4.1.3 模糊控制系统的工作原理 34
4.1.4 模糊控制器的结构 38
4.2 模糊控制系统分类 39
4.3 模糊控制器的设计 40
4.3.1 模糊控制器的设计步骤 40
4.3.2 模糊控制器的Matlab仿真 42
4.4 模糊控制应用实例——洗衣机的模糊控制 44
4.5 模糊自适应整定PID控制 48
4.5.1 模糊自适应整定PID控制原理 48
4.5.2 仿真实例 51
4.6 Sugeno模糊模型 54
4.7 基于Sugeno模糊模型的倒立摆模糊控制 55
4.7.1 倒立摆模型的局部线性化 55
4.7.2 仿真实例 55
4.8 模糊控制的应用 56
4.9 模糊控制发展概况 57
4.9.1 模糊控制发展的几个转折点 57
4.9.2 模糊控制的发展方向 58
4.9.3 模糊控制面临的主要任务 59
思考题与习题 59
附录（程序代码） 60
第5章 自适应模糊控制 73
5.1 模糊逼近 73
5.1.1 模糊系统的设计 73
5.1.2 模糊系统的逼近精度 74
5.1.3 仿真实例 74
5.2 间接自适应模糊控制 77
5.2.1 问题描述 77
5.2.2 控制器的设计 77
5.2.3 仿真实例 80
5.3 直接自适应模糊控制 82
5.3.1 问题描述 82
5.3.2 控制器的设计 82
5.3.3 自适应律的设计 83
5.3.4 仿真实例 85
5.4 机器人关节数学模型 86
5.5 基于模糊补偿的机械手自适应模糊控制 87
5.5.1 系统描述 87
5.5.2 基于模糊补偿的控制 87
5.5.3 基于摩擦补偿的控制 89
5.5.4 仿真实例 90
思考题与习题 91
附录（程序代码） 92
第6章 神经网络的理论基础 110
6.1 神经网络发展简史 110
6.2 神经网络原理 111
6.3 神经网络的分类 112
6.4 神经网络学习算法 113
6.4.1 Hebb学习规则 114
6.4.2 Delta（δ）学习规则 114
6.5 神经网络的特征及要素 115
6.6 神经网络控制的研究领域 115
思考题与习题 116
第7章 典型神经网络 117
7.1 单神经元网络 117
7.2 BP神经网络 118
7.2.1 BP网络特点 118
7.2.2 BP网络结构 118
7.2.3 BP网络的逼近 118
7.2.4 BP网络的优缺点 120
7.2.5 BP网络逼近仿真实例 121
7.2.6 BP网络模式识别 121
7.2.7 BP网络模式识别仿真实例 123
7.3 RBF神经网络 124
7.3.1 RBF网络结构 124
7.3.2 RBF网络的逼近 124
7.3.3 RBF网络逼近仿真实例 125
7.3.4 高斯基函数参数对RBF网络逼近效果的影响 126
7.4 回归神经网络 127
7.4.1 DRNN网络结构 127
7.4.2 DRNN网络的逼近 127
7.4.3 DRNN网络逼近仿真实例 129
思考题与习题 129
附录（程序代码） 130
第8章 高级神经网络 140
8.1 模糊RBF网络 140
8.1.1 网络结构 140
8.1.2 基于模糊RBF网络的逼近算法 141
8.1.3 仿真实例 142
8.2 pi-sigma神经网络 143
8.2.1 高木-关野模糊系统 143
8.2.2 混合型pi-sigma神经网络 143
8.2.3 仿真实例 146
8.3 小脑模型神经网络 146
8.3.1 CMAC概述 146
8.3.2 一种典型CMAC算法 147
8.3.3 仿真实例 148
8.4 Hopfield网络 149
8.4.1 Hopfield网络原理 149
8.4.2 Hopfield网络线性系统参数辨识 151
8.5 基于Hopfield网络的路径优化 156
8.5.1 旅行商问题的描述 156
8.5.2 求解TSP问题的Hopfield网络设计 156
8.5.3 仿真实例 157
思考题与习题 159
附录（程序代码） 160
第9章 神经网络控制 174
9.1 概述 174
9.2 神经网络控制的结构 175
9.2.1 神经网络监督控制 175
9.2.2 神经网络直接逆控制 175
9.2.3 神经网络自适应控制 176
9.2.4 神经网络内模控制 177
9.2.5 神经网络预测控制 177
9.2.6 神经网络自适应评判控制 178
9.2.7 神经网络混合控制 178
9.3 单神经元自适应控制 178
9.3.1 单神经元自适应控制算法 178
9.3.2 仿真实例 179
9.4 RBF网络监督控制 180
9.4.1 RBF网络监督控制算法 180
9.4.2 仿真实例 181
9.5 RBF网络自校正控制 181
9.5.1 神经网络自校正控制原理 181
9.5.2 自校正控制算法 182
9.5.3 RBF网络自校正控制算法 182
9.5.4 仿真实例 184
9.6 基于RBF网络直接模型参考自适应控制 184
9.6.1 基于RBF网络的控制器设计 184
9.6.2 仿真实例 186
9.7 基于不确定逼近的RBF网络自适应控制 186
9.7.1 问题的提出 186
9.7.2 模型不确定部分的RBF网络逼近 187
9.7.3 控制器的设计及分析 188
9.7.4 仿真实例 191
9.8 基于模型整体逼近的机器人RBF网络自适应控制 192
9.8.1 问题的提出 192
9.8.2 针对f（x）进行逼近的控制 193
9.8.3 仿真实例 194
9.9 神经网络数字控制 195
9.9.1 基本原理 195
9.9.2 仿真实例 197
思考题与习题 199
附录（程序代码） 200
第10章 遗传算法及其应用 224
10.1 遗传算法的基本原理 224
10.2 遗传算法的特点 225
10.3 遗传算法的发展及应用 226
10.3.1 遗传算法的发展 226
10.3.2 遗传算法的应用 226
10.4 遗传算法的设计 228
10.4.1 遗传算法的构成要素 228
10.4.2 遗传算法的应用步骤 228
10.5 遗传算法求函数极大值 229
10.5.1 二进制编码遗传算法求函数极大值 229
10.5.2 实数编码遗传算法求函数极大值 230
10.6 基于遗传算法优化的RBF网络逼近 231
10.6.1 遗传算法优化原理 231
10.6.2 仿真实例 232
10.7 基于遗传算法的伺服系统静态摩擦参数辨识 233
10.7.1 伺服系统的静态摩擦模型 233
10.7.2 静摩擦模型Stribeck曲线的获取 234
10.7.3 基于遗传算法的静态摩擦参数辨识 234
10.7.4 仿真实例 235
10.7.5 基于摩擦模型补偿的伺服系统控制 236
10.8 基于遗传算法的TSP问题优化 237
10.8.1 TSP问题的编码 237
10.8.2 TSP问题的遗传算法设计 237
10.8.3 仿真实例 239
思考题与习题 240
附录（程序代码） 242
第11章 迭代学习控制 264
11.1 基本原理 264
11.2 基本迭代学习控制算法 265
11.3 迭代学习控制的关键技术 265
11.4 机械手轨迹跟踪迭代学习控制仿真实例 266
11.4.1 控制器设计 266
11.4.2 仿真实例 267
11.5 线性时变连续系统迭代学习控制 268
11.5.1 系统描述 268
11.5.2 控制器设计及收敛性分析 268
11.5.3 仿真实例 271
11.6 移动机器人轨迹跟踪迭代学习控制 273
11.6.1 数学基础 273
11.6.2 系统描述 273
11.6.3 控制律设计及收敛性分析 275
11.6.4 仿真实例 278
思考题与习题 279
附录（程序代码） 280
附录A 291
参考文献 293