|
|
|
本書較全面地敘述了智能控制的基本理論、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；神經網絡控制的基本原理和應用；智能算法及其應用；迭代學習控制原理及應用。
本書系統性強，突出理論聯系實際，敘述深入淺出，適合於初學者學習。書中給出了一些智能算法的Matlab仿真程序，並配有一定數量的習題和上機操作題。
劉金琨，北京航空航天大學自動化科學與電氣工程學院智能系，教授，博士生導師。研究領域：智能控制、自適應控制、滑模控制、分布式參數控制等。
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模糊關系及其運算
3.4.1模糊矩陣
3.4.2模糊矩陣的運算與模糊關系
3.4.3模糊關系的合成
3.5模糊推理
3.5.1模糊語句
3.5.2模糊推理
3.5.3模糊關系方程
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
4.6Sugeno模糊模型
4.7基於極點配置的單級倒立擺TS模糊控制
4.7.1TS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
6.4.1Hebb學習規則
6.4.2Delta（δ）學習規則
6.5神經網絡的特征及要素
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
7.2BP神經網絡
7.2.1BP網絡特點
7.2.2BP網絡結構
7.2.3BP網絡的逼近
7.2.4BP網絡的優缺點
7.2.5BP網絡逼近仿真實例
7.2.6BP網絡模式識別
7.2.7BP網絡模式識別仿真實例
7.3RBF神經網絡
7.3.1RBF網絡結構與算法
7.3.2RBF網絡設計實例
7.3.3RBF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
8.2.1CMAC概述
8.2.2一種典型CMAC算法
8.2.3仿真實例
8.3Hopfield網絡
8.3.1Hopfield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
9.4RBF網絡監督控制
9.4.1RBF網絡監督控制算法
9.4.2仿真實例
9.5RBF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
9.5.3RBF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
9.7.2RBF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
10.6.1TSP問題的編碼
10.6.2TSP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標准粒子群算法
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標准差分進化算法
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
