智能控制理論及應(yīng)用

第1章 緒論
1.1 智能控制的發(fā)展歷史
1.2 智能控制的定義和特點(diǎn)
1.2.1 智能控制的定義
1.2.2 智能控制的特點(diǎn)
1.3 智能控制的結(jié)構(gòu)理論
1.3.1 二元結(jié)構(gòu)論
1.3.2 三元結(jié)構(gòu)論
1.3.3 四元結(jié)構(gòu)論
1.3.4 多元結(jié)構(gòu)或者樹形結(jié)構(gòu)
1.4 智能控制與傳統(tǒng)控制的關(guān)系
1.5 智能控制的研究對象
1.6 智能控制的類型
1.6.1 分級遞階控制系統(tǒng)
1.6.2 專家控制系統(tǒng)
1.6.3 人工神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)
1.6.4 模糊控制系統(tǒng)
1.6.5 遺傳算法與控制理論相結(jié)合
1.6.6 免疫算法控制
1.6.7 仿人智能控制
1.6.8 學(xué)習(xí)控制系統(tǒng)
1.6.9 混沌控制
1.7 智能控制的應(yīng)用
1.7.1 智能控制在機(jī)器人技術(shù)中的應(yīng)用
1.7.2 智能控制在機(jī)械制造中的應(yīng)用
1.7.3 智能控制在電力電子學(xué)研究領(lǐng)域中的應(yīng)用
1.7.4 智能控制在工業(yè)過程中的應(yīng)用
1.7.5 智能控制在農(nóng)業(yè)生產(chǎn)中的應(yīng)用
1.7.6 智能控制在廣義控制領(lǐng)域中的應(yīng)用
1.8 本章 小結(jié)
參考文獻(xiàn)
第2章 模糊控制
2.1 模糊控制概述
2.1.1 模糊控制器設(shè)計(jì)步驟
2.1.2 性能評價
2.1.3 應(yīng)用領(lǐng)域
2.2 模糊控制的數(shù)學(xué)基礎(chǔ)
2.2.1 語言變量、語言值和規(guī)則
2.2.2 模糊集合、模糊規(guī)則和模糊推理
2.2.3 解模糊
2.3 一個示范例子的介紹
2.3.1 模糊控制器的輸入和輸出的選擇
2.3.2 把控制知識融入規(guī)則中
2.3.3 知識的模糊量化
2.3.4 匹配：決定用哪一條規(guī)則
2.3.5 結(jié)論步驟：確定結(jié)論
2.3.6 把結(jié)論轉(zhuǎn)換成控制作用
2.3.7 模糊決策的圖形描述
2.4 TakagiSugeno模糊系統(tǒng)
2.4.1 TakagiSugeno模糊系統(tǒng)
2.4.2 模糊系統(tǒng)是通用近似器
2.4.3 廣義TS模糊模型
2.5 基于MATLAB的智能控制系統(tǒng)設(shè)計(jì)與仿真
2.5.1 模糊邏輯工具箱
2.5.2 基于MATLAB的模糊控制系統(tǒng)設(shè)計(jì)與仿真
2.6 模糊系統(tǒng)的非線性分析
2.6.1 模糊控制器的參數(shù)化
2.6.2 李雅普諾夫穩(wěn)定性分析
2.6.3 絕對穩(wěn)定性和圓判據(jù)
2.6.4 穩(wěn)態(tài)跟蹤誤差的分析
2.6.5 描述函數(shù)分析方法
2.6.6 滑模變結(jié)構(gòu)方法
2.6.7 小增益理論
2.6.8 相平面分析法
2.7 熱處理系統(tǒng)的溫度模糊控制
2.8 本章 小結(jié)
習(xí)題
參考文獻(xiàn)
第3章 模糊建模和模糊辨識
3.1 引言
3.2 模糊模型的類型與分割形式
3.2.1 Mamdani模糊模型
3.2.2 Takagi-Sugeno模糊系統(tǒng)
3.2.3 Tsukamoto模糊模型
3.2.4 模糊模型的分割形式
3.3 模糊系統(tǒng)的通用近似特性
3.3.1 模糊基函數(shù)
3.3.2 模糊系統(tǒng)的通用逼近性
3.3.3 用于函數(shù)近似的模糊系統(tǒng)求解
3.4 模糊辨識的數(shù)據(jù)選擇
3.5 模糊辨識和估計(jì)的最小二乘算法
3.5.1 成批最小二乘算法
3.5.2 遞推最小二乘算法
3.5.3 模糊系統(tǒng)的調(diào)整
3.5.4 模糊系統(tǒng)的成批最小二乘訓(xùn)練
3.5.5 模糊系統(tǒng)的遞推最小二乘訓(xùn)練
3.6 模糊辨識和估計(jì)的梯度法
3.6.1 標(biāo)準(zhǔn)模糊系統(tǒng)的訓(xùn)練
3.6.2 T-S模糊系統(tǒng)的訓(xùn)練
3.6.3 動量項(xiàng)和步長大小
3.6.4 牛頓（Newton）和高斯一牛頓（GaHSS-Newton）方法
3.7 模糊的聚類法
3.7.1 優(yōu)化輸出預(yù)解模糊的聚類方法
3.7.2 最近鄰聚類法
3.8 復(fù)合法
3.8.1 混合初始化／訓(xùn)練
3.8.2 混合條件／結(jié)論訓(xùn)練
3.8.3 混合交叉訓(xùn)練
3.9 本章 小結(jié)
習(xí)題
參考文獻(xiàn)
第4章 神經(jīng)網(wǎng)絡(luò)控制
4.1 神經(jīng)網(wǎng)絡(luò)理論概述
4.1.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4.1.2 神經(jīng)網(wǎng)絡(luò)原理
4.1.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
4.1.4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.1.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
4.2 前饋神經(jīng)網(wǎng)絡(luò)
4.2.1 感知器
4.2.2 BP神經(jīng)網(wǎng)絡(luò)
4.2.3 RBF神經(jīng)網(wǎng)絡(luò)
4.2.4 I-VQ神經(jīng)網(wǎng)絡(luò)
4.3 反饋神經(jīng)網(wǎng)絡(luò)
4.3.1 Hopfield網(wǎng)絡(luò)概述
4.3.2 離散型Hopfield網(wǎng)絡(luò)
4.3.3 連續(xù)型H0pfield網(wǎng)絡(luò)
4.3.4 Boltzmann機(jī)網(wǎng)絡(luò)
4.3.5 Kohonen網(wǎng)絡(luò)
4.3.6 自適應(yīng)諧振理論（ART）網(wǎng)絡(luò)
4.3.7 模糊自適應(yīng)共振理論網(wǎng)絡(luò)
4.4 神經(jīng)網(wǎng)絡(luò)控制
4.4.1 神經(jīng)網(wǎng)絡(luò)控制的基本思想
4.4.2 直接逆動態(tài)控制
4.4.3 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制
4.4.4 神經(jīng)網(wǎng)絡(luò)PID控制
4.4.5 神經(jīng)網(wǎng)絡(luò)內(nèi)模控制
4.4.6 神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制
4.5 本章 小結(jié)
習(xí)題
參考文獻(xiàn)
第5章 模糊神經(jīng)網(wǎng)絡(luò)
5.1 引言
5.2 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合方式
5.2.1 基于模糊技術(shù)的神經(jīng)網(wǎng)絡(luò)
5.2.2 基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)
5.2.3 模糊邏輯與神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上的融合
5.3 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究
5.4 自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）
5.4.1 自適應(yīng)網(wǎng)絡(luò)
5.4.2 自適應(yīng)神經(jīng)一模糊推理系統(tǒng)
5.4.3 基于多模型的氣動執(zhí)行器故障診斷
5.5 基于T-S模糊模型的遞歸神經(jīng)網(wǎng)絡(luò)及其在系統(tǒng)辨識中的應(yīng)用
5.5.1 基于T-S模糊模型的遞歸神經(jīng)網(wǎng)絡(luò)
5.5.2 基于T-S模糊模型的遞歸神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識中的應(yīng)用
……
第6章 專家系統(tǒng)
第7章 遺傳算法
第8章 蟻群算法
第9章 DNA計(jì)算與基于DNA的軟計(jì)算
第10章 其他智能控制