智能控制(第四版)（簡體書）

本書較全面地敘述了智慧控制的基本理論、方法和應用。全書共11章，主要內容為：專家控制的基本原理和應用；模糊控制的基本原理和應用；神經網路控制的基本原理和應用；智慧演算法及其應用；迭代學習控制原理及應用。 本書系統性強，突出理論聯繫實際，敘述深入淺出，適合於初學者學習。書中給出了一些智慧演算法的Matlab仿真程式，並配有一定數量的習題和上機操作題。

第1章 緒論
1.1 智能控制的發展過程
1.2 智能控制的幾個重要分支
1.3 智能控制的特點、研究工具及應用
思考題與習題1
第2章 專家控制
2.1 專家系統
2.1.1 專家系統概述
2.1.2 專家系統的構成
2.1.3 專家系統的建立
2.2 專家控制
2.2.1 專家控制概述
2.2.2 專家控制的基本原理
2.2.3 專家控制的關鍵技術及特點
2.3 專家PID控制
2.3.1 專家PID控制原理
2.3.2 仿真實例
思考題與習題2
本章附錄（程序代碼）
第3章 模糊控制的理論基礎
3.1 概述
3.2 模糊集合
3.2.1 模糊集合的概念
3.2.2 模糊集合的運算
3.3 隸屬函數
3.4 模糊關係及其運算
3.4.1 模糊矩陣
3.4.2 模糊矩陣的運算與模糊關係
3.4.3 模糊關係的合成
3.5 模糊推理
3.5.1 模糊語句
3.5.2 模糊推理
3.5.3 模糊關係方程
思考題與習題3
本章附錄（程序代碼）
第4章 模糊控制
4.1 模糊控制的基本原理
4.1.1 模糊控制原理
4.1.2 模糊控制器的組成
4.1.3 模糊控制系統的工作原理
4.1.4 模糊控制器的結構
4.2 模糊控制系統分類
4.3 模糊控制器的設計
4.3.1 模糊控制器的設計步驟
4.3.2 模糊控制器的Matlab仿真
4.4 模糊控制應用實例――洗衣機的模糊控制
4.5 模糊自適應整定PID控制
4.5.1 模糊自適應整定PID控制原理
4.5.2 仿真實例
4.6 Sugeno模糊模型
4.7 基於極點配置的單級倒立擺TS模糊控制
4.7.1 TS模糊系統的設計
4.7.2 單級倒立擺的TS模型模糊控制
4.8 模糊控制的應用
4.9 模糊控制發展概況
4.9.1 模糊控制發展的幾個轉折點
4.9.2 模糊控制的發展方向
4.9.3 模糊控制面臨的主要任務
思考題與習題4
本章附錄（程序代碼）
第5章 自適應模糊控制
5.1 模糊逼近
5.1.1 模糊系統的設計
5.1.2 模糊系統的逼近精度
5.1.3 仿真實例
5.2 簡單的自適應模糊控制
5.2.1 問題描述
5.2.2 模糊逼近原理
5.2.3 控制算法設計與分析
5.2.4 仿真實例
5.3 間接自適應模糊控制
5.3.1 問題描述
5.3.2 控制器的設計
5.3.3 仿真實例
5.4 直接自適應模糊控制
5.4.1 問題描述
5.4.2 控制器的設計
5.4.3 自適應律的設計
5.4.4 仿真實例
5.5 機器人關節數學模型
5.6 基於模糊補償的機械手自適應模糊控制
5.6.1 系統描述
5.6.2 基於模糊補償的控制
5.6.3 基於摩擦補償的控制
5.6.4 仿真實例
思考題與習題5
本章附錄（程序代碼）
第6章 神經網絡的理論基礎
6.1 神經網絡發展簡史
6.2 神經網絡原理
6.3 神經網絡的分類
6.4 神經網絡學習算法
6.4.1 Hebb學習規則
6.4.2 Delta（δ）學習規則
6.5 神經網絡的特徵及要素
6.6 神經網絡控制的研究領域
思考題與習題6
第7章 典型神經網絡
7.1 單神經元網絡
7.2 BP神經網絡
7.2.1 BP網絡特點
7.2.2 BP網絡結構
7.2.3 BP網絡的逼近
7.2.4 BP網絡的優缺點
7.2.5 BP網絡逼近仿真實例
7.2.6 BP網絡模式識別
7.2.7 BP網絡模式識別仿真實例
7.3 RBF神經網絡
7.3.1 RBF網絡結構與算法
7.3.2 RBF網絡設計實例
7.3.3 RBF網絡的逼近
7.3.4 高斯基函數的參數對RBF網絡逼近的影響
7.3.5 隱含層節點數對RBF網絡逼近的影響
7.3.6 控制系統設計中RBF網絡的逼近
思考題與習題7
本章附錄（程序代碼）
第8章 高級神經網絡
8.1 模糊RBF網絡
8.1.1 網絡結構
8.1.2 基於模糊RBF網絡的逼近算法
8.1.3 仿真實例
8.2 小腦模型神經網絡
8.2.1 CMAC概述
8.2.2 一種典型CMAC算法
8.2.3 仿真實例
8.3 Hopfield網絡
8.3.1 Hopfield網絡原理
8.3.2 基於Hopfield網絡的路徑優化
思考題與習題8
本章附錄（程序代碼）
第9章 神經網絡控制
9.1 概述
9.2 神經網絡控制的結構
9.2.1 神經網絡監督控制
9.2.2 神經網絡直接逆控制
9.2.3 神經網絡自適應控制
9.2.4 神經網絡內模控制
9.2.5 神經網絡預測控制
9.2.6 神經網絡自適應評判控制
9.2.7 神經網絡混合控制
9.3 單神經元自適應控制
9.3.1 單神經元自適應控制算法
9.3.2 仿真實例
9.4 RBF網絡監督控制
9.4.1 RBF網絡監督控制算法
9.4.2 仿真實例
9.5 RBF網絡自校正控制
9.5.1 神經網絡自校正控制原理
9.5.2 自校正控制算法
9.5.3 RBF網絡自校正控制算法
9.5.4 仿真實例
9.6 基於RBF網絡直接模型參考自適應控制
9.6.1 基於RBF網絡的控制器設計
9.6.2 仿真實例
9.7 一種簡單的RBF網絡自適應控制
9.7.1 問題描述
9.7.2 RBF網絡原理
9.7.3 控制算法設計與分析
9.7.4 仿真實例
9.8 基於不確定逼近的RBF網絡自適應控制
9.8.1 問題的提出
9.8.2 模型不確定部分的RBF網絡逼近
9.8.3 控制器的設計及分析
9.8.4 仿真實例
9.9 基於模型整體逼近的機器人RBF網絡自適應控制
9.9.1 問題的提出
9.9.2 針對f（x）進行逼近的控制
9.9.3 仿真實例
9.10 神經網絡數字控制
9.10.1 基本原理
9.10.2 仿真實例
9.11 離散系統的RBF網絡控制
9.11.1 系統描述
9.11.2 經典控制器設計
9.11.3 自適應神經網絡控制器設計
9.11.4 穩定性分析
9.11.5 仿真實例
思考題與習題9
本章附錄（程序代碼）
第10章 智能算法及其應用
10.1 遺傳算法的基本原理
10.2 遺傳算法的特點
10.3 遺傳算法的發展及應用
10.3.1 遺傳算法的發展
10.3.2 遺傳算法的應用
10.4 遺傳算法的設計
10.4.1 遺傳算法的構成要素
10.4.2 遺傳算法的應用步驟
10.5 遺傳算法求函數極大值
10.6 基於遺傳算法的TSP問題優化
10.6.1 TSP問題的編碼
10.6.2 TSP問題的遺傳算法設計
10.6.3 仿真實例
10.7 粒子群優化算法
10.7.1 標準粒子群算法
10.7.2 粒子群算法的參數設置
10.7.3 粒子群算法的基本流程
10.8 粒子群算法的函數優化與參數辨識
10.8.1 基於粒子群算法的函數優化
10.8.2 基於粒子群算法的參數辨識
10.9 差分進化算法
10.9.1 標準差分進化算法
10.9.2 差分進化算法的基本流程
10.9.3 差分進化算法的參數設置
10.10 差分進化算法的函數優化與參數辨識
10.10.1 基於差分進化算法的函數優化
10.10.2 基於差分進化算法的參數辨識
思考題與習題10
本章附錄（程序代碼）
第11章 迭代學習控制
11.1 基本原理
11.2 基本迭代學習控制算法
11.3 迭代學習控制的關鍵技術
11.4 機械手軌跡跟蹤迭代學習控制仿真實例
11.4.1 控制器設計
11.4.2 仿真實例
11.5 線性時變連續系統迭代學習控制
11.5.1 系統描述
11.5.2 控制器設計及收斂性分析
11.5.3 仿真實例
思考題與習題11
本章附錄（程序代碼）
附錄A
參考文獻