智能控制理論與技術(shù)（第2版 ）

第1章 緒論
1.1 智能控制的基本概念
1.1.1 智能控制的研究對象
1.1.2 智能控制系統(tǒng)
1.1.3 智能控制系統(tǒng)的基本結(jié)構(gòu)
1.1.4 智能控制系統(tǒng)的主要功能特點
1.1.5 智能控制研究的數(shù)學(xué)工具
1.2 智能控制的發(fā)展概況
1.3 智能控制理論
第2章 模糊邏輯控制
2.1 概述
2.1.1 模糊控制與智能控制
2.1.2 模糊集合與模糊數(shù)學(xué)的概念
2.1.3 模糊控制的發(fā)展和應(yīng)用概況
2.2 模糊集合及其運算
2.2.1 模糊集合的定義及表示方法
2.2.2 模糊集合的基本運算
2.2.3 模糊集合運算的基本性質(zhì)
2.2.4 模糊集合的其他類型運算
2.3 模糊關(guān)系
2.3.1 模糊關(guān)系的定義及表示
2.3.2 模糊關(guān)系的合成
2.4 模糊邏輯與近似推理
2.4.1 語言變量
2.4.2 模糊蘊含關(guān)系
2.4.3 近似推理
2.4.4 句子連接關(guān)系的邏輯運算
2.5 基于規(guī)則庫的模糊推理
2.5.1 mimo模糊規(guī)則庫的化簡
2.5.2 模糊推理的一般步驟
2.5.3 論域為離散時模糊推理計算舉例
2.5.4 模糊推理的性質(zhì)
2.5.5 模糊控制中常見的兩種模糊推理模型
2.6 基于mamdani模型的模糊控制
2.6.1 模糊控制器的基本結(jié)構(gòu)和組成
2.6.2 模糊控制的離線計算
2.6.3 模糊控制的在線計算
2.6.4 模糊控制系統(tǒng)的分析和設(shè)計
2.7 基于t-s模型的模糊控制
2.7.1 t-s模糊模型的表示
2.7.2 t-s模糊模型的建模
2.7.3 基于模糊狀態(tài)方程模型的系統(tǒng)穩(wěn)定性分析
2.7.4 基于模糊狀態(tài)方程模型的平滑控制器設(shè)計
2.7.5 基于模糊狀態(tài)方程模型的切換控制器設(shè)計
2.8 自適應(yīng)模糊控制
2.8.1 基于性能反饋的直接自適應(yīng)模糊控制
2.8.2 基于模糊模型求逆的間接自適應(yīng)模糊控制
第3章 神經(jīng)網(wǎng)絡(luò)控制
3.1 概述
3.1.1 神經(jīng)元模型
3.1.2 人工神經(jīng)網(wǎng)絡(luò)
3.1.3 生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)與計算機處理信息的比較
3.1.4 神經(jīng)網(wǎng)絡(luò)的發(fā)展概況
3.2 前饋神經(jīng)網(wǎng)絡(luò)
3.2.1 感知器網(wǎng)絡(luò)
3.2.2 bp網(wǎng)絡(luò)
3.2.3 bp網(wǎng)絡(luò)學(xué)習(xí)算法的改進
3.2.4 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
3.3 反饋神經(jīng)網(wǎng)絡(luò)
3.3.1 離散hopfield網(wǎng)絡(luò)
3.3.2 連續(xù)hopfield網(wǎng)絡(luò)
3.3.3 boltzmann機
3.4 局部逼近神經(jīng)網(wǎng)絡(luò)
3.4.1 cmac神經(jīng)網(wǎng)絡(luò)
3.4.2 b樣條神經(jīng)網(wǎng)絡(luò)
3.4.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
3.5 模糊神經(jīng)網(wǎng)絡(luò)
3.5.1 基于mamdani模型的模糊神經(jīng)網(wǎng)絡(luò)
3.5.2 基于t-s模型的模糊神經(jīng)網(wǎng)絡(luò)
3.6 遞歸神經(jīng)網(wǎng)絡(luò)
3.6.1 引言
3.6.2 elman網(wǎng)絡(luò)
3.6.3 esn網(wǎng)絡(luò)
3.6.4 shesn網(wǎng)絡(luò)
3.7 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模與辨識
3.7.1 概述
3.7.2 逼近理論與網(wǎng)絡(luò)建模
3.7.3 利用多層靜態(tài)網(wǎng)絡(luò)的系統(tǒng)辨識
3.7.4 利用動態(tài)網(wǎng)絡(luò)的系統(tǒng)辨識
3.7.5 利用模糊神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識
3.8 神經(jīng)網(wǎng)絡(luò)控制
3.8.1 概述
3.8.2 神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)
3.8.3 基于全局逼近神經(jīng)網(wǎng)絡(luò)的控制
3.8.4 基于局部逼近神經(jīng)網(wǎng)絡(luò)的控制
3.8.5 模糊神經(jīng)網(wǎng)絡(luò)控制
3.8.6 有待解決的問題
3.9 神經(jīng)網(wǎng)絡(luò)在機器人控制中的應(yīng)用
3.9.1 神經(jīng)網(wǎng)絡(luò)運動學(xué)控制
3.9.2 神經(jīng)網(wǎng)絡(luò)動力學(xué)控制
3.9.3 神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃
第4章 專家控制
4.1 概述
4.1.1 專家控制的由來
4.1.2 專家系統(tǒng)
4.1.3 專家控制的研究狀況和分類
4.2 專家控制的基本原理
4.2.1 專家控制的功能目標
4.2.2 控制作用的實現(xiàn)
4.2.3 設(shè)計規(guī)范和運行機制
4.3 專家控制系統(tǒng)的典型結(jié)構(gòu)
4.3.1 系統(tǒng)結(jié)構(gòu)
4.3.2 系統(tǒng)實現(xiàn)
4.4 專家控制的示例
4.4.1 自動調(diào)整過程
4.4.2 自動調(diào)整過程的實現(xiàn)
4.5 專家控制技術(shù)的研究課題
4.5.1 實時推理
4.5.2 知識獲取
4.5.3 專家控制系統(tǒng)的穩(wěn)定性分析
4.6 一種仿人智能控制
4.6.1 概念和定義
4.6.2 原理和結(jié)構(gòu)
4.6.3 仿人智能控制的特點
第5章 學(xué)習(xí)控制
5.1 概述
5.1.1 學(xué)習(xí)控制問題的提出
5.1.2 學(xué)習(xí)控制的表述
5.1.3 學(xué)習(xí)控制與自適應(yīng)控制
5.1.4 學(xué)習(xí)控制的研究狀況和分類
5.2 基于模式識別的學(xué)習(xí)控制
5.2.1 學(xué)習(xí)控制系統(tǒng)的一般形式
5.2.2 模式分類
5.2.3 可訓(xùn)t練控制器
5.2.4 線性再勵學(xué)習(xí)控制
5.2.5 bayes學(xué)習(xí)控制
5.2.6 基于模式識別的其他學(xué)習(xí)控制方法
5.2.7 研究課題
5.3 基于迭代和重復(fù)的學(xué)習(xí)控制
5.3.1 迭代和重復(fù)自學(xué)習(xí)控制的基本原理
5.3.2 異步自學(xué)習(xí)控制
5.3.3 異步自學(xué)習(xí)控制時域法
5.3.4 異步自學(xué)習(xí)控制頻域法
5.4 聯(lián)結(jié)主義學(xué)習(xí)控制
5.4.1 基本思想
5.4.2 聯(lián)結(jié)主義學(xué)習(xí)系統(tǒng)的實現(xiàn)原理
5.4.3 聯(lián)結(jié)主義學(xué)習(xí)控制系統(tǒng)的結(jié)構(gòu)
5.4.4 研究課題
第6章 分層遞階智能控制
6.1 一般結(jié)構(gòu)原理
6.2 組織級
6.3 協(xié)調(diào)級
6.3.1 協(xié)調(diào)級的原理結(jié)構(gòu)
6.3.2 petri網(wǎng)轉(zhuǎn)換器
6.3.3 協(xié)調(diào)級的petri網(wǎng)結(jié)構(gòu)
6.3.4 協(xié)調(diào)級結(jié)構(gòu)的決策和學(xué)習(xí)
6.4 執(zhí)行級
第7章 智能優(yōu)化方法
7.1 概述
7.2 遺傳算法
7.2.1 引言
7.2.2 遺傳算法的工作原理及操作步驟
7.2.3 遺傳算法的實現(xiàn)及改進
7.2.4 遺傳算法應(yīng)用舉例
7.2.5 遺傳算法中的聯(lián)結(jié)關(guān)系
7.3 粒子群優(yōu)化算法
7.3.1 引言
7.3.2 粒子群優(yōu)化算法簡介
7.3.3 粒子群優(yōu)化算法應(yīng)用舉例
7.4 蟻群優(yōu)化算法
7.4.1 引言
7.4.2 蟻群優(yōu)化算法簡介
7.4.3 蟻群優(yōu)化算法應(yīng)用舉例
7.5 人工免疫算法
7.5.1 引言
7.5.2 人工免疫系統(tǒng)（ais）
7.6 分布估計算法
7.6.1 引言
7.6.2 一個簡單的分布估計算法
7.6.3 基于不同概率圖模型的分布估計算法
7.6.4 基于聯(lián)結(jié)關(guān)系檢測的分布估計算法
7.6.5 連續(xù)域的分布估計算法
7.6.6 基于概率模型的其他相關(guān)算法
7.6.7 分布估計算法進一步需要研究的問題
參考文獻