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 6
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 10
2.3 专家PID控制 10
2.3.1 专家PID控制原理 10
2.3.2 仿真实例 12
思考题与习题 12
附录（程序代码） 13
第3章 模糊控制的理论基础 15
3.1 概述 15
3.2 模糊集合 15
3.2.1 模糊集合的概念 15
3.2.2 模糊集合的运算 17
3.3 隶属函数 19
3.4 模糊关系及其运算 22
3.4.1 模糊矩阵 22
3.4.2 模糊矩阵的运算与模糊关系 23
3.4.3 模糊关系的合成 23
3.5 模糊推理 25
3.5.1 模糊语句 25
3.5.2 模糊推理 25
3.5.3 模糊关系方程 26
思考题与习题 27
附录（程序代码） 28
第4章 模糊控制 31
4.1 模糊控制的基本原理 31
4.1.1 模糊控制原理 31
4.1.2 模糊控制器的组成 31
4.1.3 模糊控制系统的工作原理 33
4.1.4 模糊控制器的结构 37
4.2 模糊控制系统分类 38
4.3 模糊控制器的设计 38
4.3.1 模糊控制器的设计步骤 38
4.3.2 模糊控制器的Matlab仿真 40
4.4 模糊控制应用实例——洗衣机的模糊控制 42
4.5 模糊自适应整定PID控制 47
4.5.1 模糊自适应整定PID控制原理 47
4.5.2 仿真实例 49
4.6 Sugeno模糊模型 52
4.7 基于极点配置的单级倒立摆T-S模糊控制 53
4.7.1 T-S模糊系统的设计 53
4.7.2 单级倒立摆的T-S模型模糊控制 54
4.8 模糊控制的应用 57
4.9 模糊控制发展概况 58
4.9.1 模糊控制发展的几个转折点 58
4.9.2 模糊控制的发展方向 59
4.9.3 模糊控制面临的主要任务 59
思考题与习题 60
附录（程序代码） 61
第5章 自适应模糊控制 76
5.1 模糊逼近 76
5.1.1 模糊系统的设计 76
5.1.2 模糊系统的逼近精度 77
5.1.3 仿真实例 77
5.2 简单的自适应模糊控制 80
5.2.1 问题描述 80
5.2.2 模糊逼近原理 80
5.2.3 控制算法设计与分析 81
5.2.4 仿真实例 82
5.3 间接自适应模糊控制 83
5.3.1 问题描述 83
5.3.2 控制器的设计 83
5.3.3 仿真实例 86
5.4 直接自适应模糊控制 88
5.4.1 问题描述 88
5.4.2 控制器的设计 88
5.4.3 自适应律的设计 89
5.4.4 仿真实例 91
5.5 机器人关节数学模型 92
5.6 基于模糊补偿的机械手自适应模糊控制 93
5.6.1 系统描述 93
5.6.2 基于模糊补偿的控制 93
5.6.3 基于摩擦补偿的控制 95
5.6.4 仿真实例 95
思考题与习题 96
附录（程序代码） 98
第6章 神经网络的理论基础 120
6.1 神经网络发展简史 120
6.2 神经网络原理 121
6.3 神经网络的分类 122
6.4 神经网络学习算法 123
6.4.1 Hebb学习规则 123
6.4.2 Delta（δ）学习规则 123
6.5 神经网络的特征及要素 124
6.6 神经网络控制的研究领域 124
思考题与习题 125
第7章 典型神经网络 126
7.1 单神经元网络 126
7.2 BP神经网络 127
7.2.1 BP网络特点 127
7.2.2 BP网络结构 127
7.2.3 BP网络的逼近 127
7.2.4 BP网络的优缺点 129
7.2.5 BP网络逼近仿真实例 129
7.2.6 BP网络模式识别 130
7.2.7 BP网络模式识别仿真实例 131
7.3 RBF神经网络 132
7.3.1 RBF网络结构与算法 133
7.3.2 RBF网络设计实例 133
7.3.3 RBF网络的逼近 135
7.3.4 高斯基函数的参数对RBF网络逼近的影响 136
7.3.5 隐含层节点数对RBF网络逼近的影响 139
7.3.6 控制系统设计中RBF网络的逼近 140
思考题与习题 141
附录（程序代码） 143
第8章 高级神经网络 158
8.1 模糊RBF网络 158
8.1.1 网络结构 158
8.1.2 基于模糊RBF网络的逼近算法 159
8.1.3 仿真实例 160
8.2 pi-sigma神经网络 161
8.2.1 高木－关野模糊系统 161
8.2.2 混合型pi-sigma神经网络 162
8.2.3 仿真实例 164
8.3 小脑模型神经网络 165
8.3.1 CMAC概述 165
8.3.2 一种典型CMAC算法 166
8.3.3 仿真实例 167
8.4 Hopfield网络 167
8.4.1 Hopfield网络原理 167
8.4.2 基于Hopfield网络的路径优化 169
思考题与习题 172
附录（程序代码） 173
第9章 神经网络控制 182
9.1 概述 182
9.2 神经网络控制的结构 183
9.2.1 神经网络监督控制 183
9.2.2 神经网络直接逆控制 183
9.2.3 神经网络自适应控制 184
9.2.4 神经网络内模控制 185
9.2.5 神经网络预测控制 185
9.2.6 神经网络自适应评判控制 186
9.2.7 神经网络混合控制 186
9.3 单神经元自适应控制 186
9.3.1 单神经元自适应控制算法 186
9.3.2 仿真实例 187
9.4 RBF网络监督控制 188
9.4.1 RBF网络监督控制算法 188
9.4.2 仿真实例 188
9.5 RBF网络自校正控制 189
9.5.1 神经网络自校正控制原理 189
9.5.2 自校正控制算法 189
9.5.3 RBF网络自校正控制算法 190
9.5.4 仿真实例 191
9.6 基于RBF网络直接模型参考自适应控制 192
9.6.1 基于RBF网络的控制器设计 192
9.6.2 仿真实例 193
9.7 一种简单的RBF网络自适应控制 194
9.7.1 问题描述 194
9.7.2 RBF网络原理 194
9.7.3 控制算法设计与分析 195
9.7.4 仿真实例 195
9.8 基于不确定逼近的RBF网络自适应控制 196
9.8.1 问题的提出 196
9.8.2 模型不确定部分的RBF网络逼近 197
9.8.3 控制器的设计及分析 198
9.8.4 仿真实例 201
9.9 基于模型整体逼近的机器人RBF网络自适应控制 202
9.9.1 问题的提出 202
9.9.2 针对f（χ）进行逼近的控制 203
9.9.3 仿真实例 204
9.1 0神经网络数字控制 206
9.1 0.1 基本原理 206
9.1 0.2 仿真实例 207
思考题与习题 208
附录（程序代码） 210
第10章 智能算法及其应用 236
10.1 遗传算法的基本原理 236
10.2 遗传算法的特点 237
10.3 遗传算法的发展及应用 238
10.3.1 遗传算法的发展 238
10.3.2 遗传算法的应用 238
10.4 遗传算法的设计 239
10.4.1 遗传算法的构成要素 239
10.4.2 遗传算法的应用步骤 240
10.5 遗传算法求函数极大值 241
10.5.1 二进制编码遗传算法求函数极大值 241
10.5.2 实数编码遗传算法求函数极大值 242
10.6 基于遗传算法优化的RBF网络逼近 243
10.6.1 遗传算法优化原理 243
10.6.2 仿真实例 244
10.7 基于遗传算法的TSP问题优化 244
10.7.1 TSP问题的编码 245
10.7.2 TSP问题的遗传算法设计 245
10.7.3 仿真实例 247
10.8 差分进化算法 248
10.8.1 标准差分进化算法 248
10.8.2 差分进化算法的基本流程 249
10.8.3 差分进化算法的参数设置 250
10.9 差分进化算法的函数优化与参数辨识 251
10.9.1 基于差分进化算法的函数优化 251
10.9.2 基于差分进化算法的参数辨识 252
思考题与习题 252
附录（程序代码） 254
第11章 迭代学习控制 274
11.1 基本原理 274
11.2 基本迭代学习控制算法 275
11.3 迭代学习控制的关键技术 275
11.4 机械手轨迹跟踪迭代学习控制仿真实例 276
11.4.1 控制器设计 276
11.4.2 仿真实例 277
11.5 线性时变连续系统迭代学习控制 278
11.5.1 系统描述 278
11.5.2 控制器设计及收敛性分析 278
11.5.3 仿真实例 281
思考题与习题 283
附录（程序代码） 284
附录A 293
参考文献 295