智能控制理論與技術（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)的基本結構
1.1.4 智能控制系統(tǒng)的主要功能特點
1.1.5 智能控制研究的數學工具
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 模糊集合與模糊數學的概念
2.1.3 模糊控制的發(fā)展和應用概況
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
2.2.4 模糊集合的其他類型運算
2.3 模糊關系
2.3.1 模糊關系的定義及表示
2.3.2 模糊關系的合成
2.4 模糊邏輯與近似推理
2.4.1 語言變量
2.4.2 模糊蘊含關系
2.4.3 近似推理
2.4.4 句子連接關系的邏輯運算
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
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構和組成
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計
2.7.5 基于模糊狀態(tài)方程模型的切換控制器設計
2.8 自適應模糊控制
2.8.1 基于性能反饋的直接自適應模糊控制
2.8.2 基于模糊模型求逆的間接自適應模糊控制
第3章 神經網絡控制
3.1 概述
3.1.1 神經元模型
3.1.2 人工神經網絡
3.1.3 生物神經網絡系統(tǒng)與計算機處理信息的比較
3.1.4 神經網絡的發(fā)展概況
3.2 前饋神經網絡
3.2.1 感知器網絡
3.2.2 bp網絡
3.2.3 bp網絡學習算法的改進
3.2.4 神經網絡的訓練
3.3 反饋神經網絡
3.3.1 離散hopfield網絡
3.3.2 連續(xù)hopfield網絡
3.3.3 boltzmann機
3.4 局部逼近神經網絡
3.4.1 cmac神經網絡
3.4.2 b樣條神經網絡
3.4.3 徑向基函數神經網絡
3.5 模糊神經網絡
3.5.1 基于mamdani模型的模糊神經網絡
3.5.2 基于t-s模型的模糊神經網絡
3.6 遞歸神經網絡
3.6.1 引言
3.6.2 elman網絡
3.6.3 esn網絡
3.6.4 shesn網絡
3.7 基于神經網絡的系統(tǒng)建模與辨識
3.7.1 概述
3.7.2 逼近理論與網絡建模
3.7.3 利用多層靜態(tài)網絡的系統(tǒng)辨識
3.7.4 利用動態(tài)網絡的系統(tǒng)辨識
3.7.5 利用模糊神經網絡的系統(tǒng)辨識
3.8 神經網絡控制
3.8.1 概述
3.8.2 神經網絡控制結構
3.8.3 基于全局逼近神經網絡的控制
3.8.4 基于局部逼近神經網絡的控制
3.8.5 模糊神經網絡控制
3.8.6 有待解決的問題
3.9 神經網絡在機器人控制中的應用
3.9.1 神經網絡運動學控制
3.9.2 神經網絡動力學控制
3.9.3 神經網絡路徑規(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 設計規(guī)范和運行機制
4.3 專家控制系統(tǒng)的典型結構
4.3.1 系統(tǒng)結構
4.3.2 系統(tǒng)實現(xiàn)
4.4 專家控制的示例
4.4.1 自動調整過程
4.4.2 自動調整過程的實現(xiàn)
4.5 專家控制技術的研究課題
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 原理和結構
4.6.3 仿人智能控制的特點
第5章 學習控制
5.1 概述
5.1.1 學習控制問題的提出
5.1.2 學習控制的表述
5.1.3 學習控制與自適應控制
5.1.4 學習控制的研究狀況和分類
5.2 基于模式識別的學習控制
5.2.1 學習控制系統(tǒng)的一般形式
5.2.2 模式分類
5.2.3 可訓t練控制器
5.2.4 線性再勵學習控制
5.2.5 bayes學習控制
5.2.6 基于模式識別的其他學習控制方法
5.2.7 研究課題
5.3 基于迭代和重復的學習控制
5.3.1 迭代和重復自學習控制的基本原理
5.3.2 異步自學習控制
5.3.3 異步自學習控制時域法
5.3.4 異步自學習控制頻域法
5.4 聯(lián)結主義學習控制
5.4.1 基本思想
5.4.2 聯(lián)結主義學習系統(tǒng)的實現(xiàn)原理
5.4.3 聯(lián)結主義學習控制系統(tǒng)的結構
5.4.4 研究課題
第6章 分層遞階智能控制
6.1 一般結構原理
6.2 組織級
6.3 協(xié)調級
6.3.1 協(xié)調級的原理結構
6.3.2 petri網轉換器
6.3.3 協(xié)調級的petri網結構
6.3.4 協(xié)調級結構的決策和學習
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 遺傳算法應用舉例
7.2.5 遺傳算法中的聯(lián)結關系
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)結關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