智能控制系统PDF|Epub|txt|kindle电子书版本网盘下载

智能控制系统PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1.1 智能控制的发展过程及特点1

第1章 绪论1

1.2　智能控制的基本设计方法3

1.2.1　模糊控制系统4

1.2.2　专家控制系统5

1.2.3　分级递阶智能控制系统6

1.2.4　神经网络控制系统6

1.3 智能控制系统的现状与发展趋势10

2.1 概述12

第2章　模糊控制系统12

2.2　模糊集合的基本概念13

2.2.1 普通集合13

2.2.2　模糊集合15

2.2.3　模糊运算16

2.3 模糊关系19

2.3.1 普通关系19

2.3.2　模糊关系19

2.3.3 模糊变换22

2.3.4 模糊决策23

2.4　模糊推理24

2.4.1 模糊逻辑24

2.4.2　模糊语言算子25

2.4.3　模糊推理26

2.5　模糊控制器的基本原理与设计方法27

2.5.1 模糊控制器的基本原理27

2.5.2　基本模糊控制器的设计方法29

2.6　Fuzzy自整定PID参数控制器的设计40

2.7 自校正模糊控制器的设计42

2.8　模糊控制系统的稳定性分析47

2.8.1 模糊控制系统的结构与稳定性48

2.8.2　模糊系统的全局渐近稳定性判据51

2.8.3　非线性系统的模糊稳定性判据54

2.9 模糊模型参考学习控制及应用57

2.9.1 模糊模型参考学习控制器的设计57

2.9.2　仿真研究及其应用61

2.10　模糊PID控制系统及其工业应用63

3.1 专家系统的基本组成69

第3章　专家智能控制系统69

3.2　专家系统的知识表示方法70

3.2.1 产生式规则表示法71

3.2.2　状态空间表示法72

3.2.3　框架表示法72

3.2.4 “与或图”表示法73

3.2.5　黑板模型结构74

3.2.7　综合知识的表达方法77

3.2.6　神经网络知识表示77

3.3　专家系统的自动推理机制78

3.3.1 宽度优先搜索82

3.3.2　深度优先搜索83

3.3.3　不精确推理84

3.3.4　模糊Petri网的不确定知识获取与推理89

3.4　专家控制系统的基本原理与结构94

3.5　直接专家控制97

3.5.2　控制知识的获取98

3.5.1　知识库建立98

3.5.3　推理方法的选用99

3.6　间接专家控制99

3.7　仿人智能控制105

3.7.1 仿人智能控制基本方法106

3.7.2　仿人分层递阶智能控制器108

3.8　专家模糊控制系统设计110

3.8.1　基本控制级110

3.8.2　专家智能协调级110

3.8.3　智能协调级的知识获取110

第4章　神经网络基本理论113

4.1 人工神经网络的基本特性113

4.1.1　神经元的解剖113

4.1.2　神经网络的基本特性114

4.2　感知器模型115

4.3　多层感知机模型117

4.4.1　单样本学习法120

4.4　前向多层神经网络的BP学习算法120

4.4.2　随机学习法123

4.4.3　集中学习法123

4.4.4　加快反传算法的收敛速度124

4.5　Hopfield神经网络124

4.5.1 离散型Hopfield神经网络125

4.5.2　连续型Hopfield神经网络126

4.6　动态反馈控制网络128

4.7 自组织神经网络132

4.8　自适应线性元件133

4.8.1　线性可分性133

4.8.2　非线性可分性——非线性输入函数134

4.8.3 MADALINES网络135

4.8.4 Widrow-Hoff δ规则135

4.9　玻耳兹曼机模型136

4.10　双向联想记忆网络137

5.1　系统辨识的基础141

第5章　神经网络系统辨识141

5.2　神经网络系统辨识的可行性分析143

5.2.1　可行性分析143

5.2.2　ANN学习算法的收敛性分析145

5.3 多层前馈神经网络用于系统辨识148

5.4　基于单层神经网络的线性系统辨识方法153

5.4.1 动态系统与误差函数的构造154

5.4.2　基于梯度学习方法的动态系统参数估计156

5.5.1 Hopfield网络模型157

5.5　Hopfield网络的动态系统辨识157

5.5.2　Hopfield网络实现系统辨识158

5.5.3　模拟结果160

5.5.4　辨率响应辨识161

5.6　几种神经网络辨识算法的比较162

第6章　神经网络智能控制系统168

6.1 几种典型的神经网络控制系统结构168

6.1.1　直接自校正控制168

6.1.4　NN与常规控制方法的结合169

6.1.3　神经网络模型参考自适应控制169

6.1.2　间接自校正控制169

6.1.5　神经网络内模控制170

6.1.6　神经网络非线性预测控制170

6.1.7　神经网络专家系统控制170

6.1.8　神经网络模糊控制171

6.1.9　基于CMAC网络的学习控制系统171

6.1.10　神经网络与其他控制方法173

6.2　ANN智能控制系统的可控性与稳定性分析173

6.2.1 智能控制的可控性173

6.2.2　智能控制的稳定性分析174

6.3　ANN学习控制器设计176

6.4　基于高斯基函数网络（GPFN）的智能控制系统180

6.4.1 引言180

6.4.2　GPFN网络特点与结构180

6.4.3　广义GRLS网络学习算法及系统辨识181

6.4.4　基于GPFN网络的智能PID控制器设计184

6.4.5 神经网络PID控制系统的收敛性和稳定性分析187

6.4.6　仿真实验结果189

6.5　基于自适应神经网络的智能控制190

6.5.1 自适应神经网络结构190

6.5.2　单层自适应Adaline网络的智能控制器设计196

6.5.3　基于多层自适应网络的自学习控制199

6.6　神经网络PID控制系统及其应用201

6.6.1 基于RBF神经网络的PID控制器设计201

6.6.2　神经网络PID控制器与史密斯预估器的结合203

6.6.3　仿真研究204

第7章　神经网络自适应控制系统206

7.1　神经网络自适应控制方法206

7.1.1 自适应控制系统206

7.1.2　神经网络自适应控制系统的类型208

7.2　基于单层感知器的自适应控制器设计210

7.2.1 逆动态建模与学习规则210

7.2.2　神经网络控制器211

7.2.3　噪声序列的估计212

7.2.4　仿真实例215

7.3.1 非线性神经网络逼近描述217

7.3.2 自校正自适应神经控制217

7.3　非线性神经网络自校正控制217

7.4　非线性系统的自适应神经控制220

7.4.1　最小相位性质220

7.4.2 自适应神经控制220

7.5.1 动态递归神经网络225

7.5.2　基于RNM（递归网络模型）的系统建模225

7.5　基于动态递归神经网络的模型参考自适应控制225

7.5.3　基于RNC（动态递归网络控制）的自适应控制227

7.5.4　动态网络控制系统的收敛性分析229

7.5.5　基于模糊逻辑推理的自适应学习率231

7.5.6　系统仿真结果232

7.6　神经网络自适应控制在机器人控制中的应用233

7.6.1 神经网络的机器人逆模学习控制234

7.6.2　基于神经网络的机器人模型参考自适应控制243

8.1 模糊控制与神经网络的融合252

第8章　模糊神经网络智能控制系统252

8.2　模糊神经网络控制模型255

8.2.1　模糊联想存储器255

8.2.2　模糊控制网络259

8.3　神经模糊推理系统260

8.3.1　神经模糊网络推理260

8.3.2　模糊神经网络的直接推理模型266

8.4　模糊神经网络自学习控制系统270

8.4.1 基本模糊逻辑控制270

8.4.2　模糊神经网络自学习控制271

8.5　模糊神经网络自适应控制系统273

8.5.1　模糊逻辑推理控制器273

8.5.2　模糊高斯基函数网络推理控制器设计277

8.5.3　神经网络动态系统辨识282

8.5.4　系统仿真结果与控制实例284

8.6　模糊神经网络自组织控制系统287

8.6.1 自组织模糊控制器287

8.6.2　模糊神经网络自组织控制系统290

8.6.3　仿真实验结果及应用分析301

8.7　高阶模糊CMAC自适应控制系统304

8.7.1　CMAC的原理304

8.7.2　高阶模糊CMAC的模型305

8.7.3　高阶模糊CMAC的自适应控制系统308

8.7.4　仿真应用研究310

8.8　混沌系统的模糊自适应控制系统310

8.8.1 基于模糊系统的建模311

8.8.2　模糊自适应控制器设计313

第9章　神经网络最优控制系统317

9.1　最优控制系统317

9.1.1 目标函数及最优控制问题317

9.1.2　线性二次型最优控制问题的一般解319

9.2　基于神经网络的最优控制问题的求解323

9.2.1 线性离散系统的最优控制问题324

9.2.2　人工神经网络模型324

9.2.3　用神经网络解最优控制问题325

9.3.1 伺服系统的离散最优鲁棒控制327

9.3　神经网络伺服最优鲁棒控制系统327

9.3.2　神经网络控制器设计330

第10章 智能预测控制系统337

10.1 基本预测控制系统337

10.2　基于神经网络模型的模糊预测控制342

10.2.1 模糊预测控制的工作原理342

10.2.2　基于RBF网络的神经网络模型345

10.2.3 基于神经网络模型的模糊预测控制器的设计346

10.2.4　仿真实验研究349

10.3　基于模糊关系模型的自适应预测控制系统352

10.3.1 模糊关系处理模型描述352

10.3.2　模糊关系模型的辨识352

10.3.3 基于模糊系统的预测控制357

第11章　计算智能控制系统361

11.1 遗传算法基本原理361

11.1.1 基本遗传算法361

11.1.2　遗传算法的数学基础361

11.1.3　非线性优化问题的遗传算法366

11.2 遗传算法在智能控制中的应用370

11.2.1 用遗传算法辨识系统参数370

11.2.2　基于遗传算法的控制参数在线优化方法373

11.3　遗传算法在神经网络学习中的应用375

11.3.1　遗传神经网络结构376

11.3.2　用遗传算法训练神经网络权值377

11.3.3　用遗传算法学习的神经网络控制器379

11.4.1　模糊推理控制器382

11.4　基于遗传算法的模糊神经网络控制系统382

11.4.2　模糊神经推理网络的学习算法383

11.4.3　仿真实例385

11.5 基于支持向量机的智能控制系统387

11.5.1 概述387

11.5.2　支持向量机回归介绍387

11.5.3　模糊支持向量机控制系统结构388

11.5.4　模糊支持向量机学习算法389

11.5.5　仿真研究391

11.6.1 引言392

11.6　基于混沌优化的非线性系统参数估计392

11.6.2　并行混沌搜索393

11.6.3　混合优化算法394

11.6.4　仿真研究395

11.7　基于支持向量机的模糊自学习控制系统397

11.7.1 引言397

11.7.2　支持向量机—模糊推理系统397

11.7.3 自学习控制器的结构398

11.7.4 自学习控制器的学习算法399

11.7.5　仿真研究402

11.8　微粒群优化算法及应用403

11.8.1　基本PSO算法403

11.8.2　PSO算法的两种基本进化模型404

11.8.3　PSO算法的伪码描述405

11.8.4　复合最优模型PSO算法406

11.8.5 基于HMPSO算法的非线性系统模型参考估计410

12.1.1 机器人的控制系统414

12.1 智能机器人的模糊控制系统414

第12章 综合集成智能控制系统的工程应用414

12.1.2　机器人的模糊控制417

12.2　实时专家智能控制系统及其工程应用425

12.2.1　REICS组成与功能模块426

12.2.2　REICS知识表示方法427

12.2.3　REICS的推理机制434

12.2.4　REICS的知识获取与知识库管理445

12.2.5 人机接口与解释机制447

12.3 伺服调速的智能协调控制系统450

12.2.6　REICS的工程应用450

12.3.1 神经网络专家智能协调控制451

12.3.2　智能协调控制系统的仿真与计算机软硬件实现457

12.4　大型工业熟料窑炉的综合集成智能控制系统460

12.4.1 综合集成智能控制系统设计460

12.4.2　综合集成智能控制的计算机软硬件实现474

12.4.3　系统实时控制实验结果475

12.5　复杂工业系统的综合智能控制及其工程应用476

12.5.1 复杂工业系统的广义知识模型描述与智能建模方法478

12.5.2　复杂工业系统的多传感器信息融合技术487

12.5.3 复杂工业系统的分布式递阶智能控制工程492

参考文献500

附录　本书的部分仿真程序清单512

一、前馈网络的模拟程序513

二、面向方程的数值积分法模糊神经网络仿真程序521

三、面向结构图的离散相似法智能控制系统仿真程序530

四、工业过程二阶被控对象的模糊神经网络控制系统仿真程序543

五、基于BP网络的系统辨识仿真程序549

六、非线性系统的神经网络自适应、自学习、自组织控制系统仿真程序555

七、二关节点机器人控制仿真程序588

八、屏幕图形打印程序598

九、屏幕绘图程序606

十、模糊逻辑倒立摆控制程序612

十一、基于模糊逻辑的二关节机器人控制仿真程序636

十二、遗传算法模拟仿真程序642

十三、三关节点机器人实时模糊控制系统仿真程序660