智能控制技術（修訂版）

第一章 智能控制概述
1．1 智能控制的基本概念
1．1．1 什么是智能控制
1．1．2 智能控制的研究對象
1．2 智能控制系統(tǒng)的特征和性能
1．2．1 智能控制系統(tǒng)的一般結構
1．2．2 智能控制系統(tǒng)的主要功能特征
1．2．3 智能控制系統(tǒng)的特征模型
1．3 智能控制系統(tǒng)的類型
1．4 智能控制的發(fā)展概況
1．5 小結
習題
第二章 智能控制的知識工程基礎
2．1 知識的基本概念
2．1．1 什么是知識
2．1．2 知識的分類
2．2 知識的表示
2．2．1 一階謂詞表示法
2．2．2 時序邏輯表示法
2．2．3 產(chǎn)生式表示法
2．2．4 語義網(wǎng)絡知識表示法
2．2．5 框架知識表示法
2．2．6 Petri網(wǎng)知識表示法
2．2．7 定性模型知識表示法
2．2．8 可視知識模型
2．3 知識的獲取
2．3．1 非自動知識獲取
2．3．2 自動知識獲取
2．4 知識的處理
2．4．1 推理的方式與分類
2．4．2 推理控制策略
2．4．3 狀態(tài)空間的搜索策略
2．5 小結
習題
第三章 分級遞階智能控制
3．1 遞階控制的一般原理
3．1．1 大系統(tǒng)遞階結構的描述
3．1．2 遞階控制的一般原理
3．2 分級遞階智能控制
3．2．1 分級遞階智能控制系統(tǒng)的結構
3．2．2 分級遞階智能控制原理
3．3 小結
習題
第四章 遺傳算法
4．1 什么是遺傳算法
4．1．1 遺傳算法的生物遺傳學基礎
4．1．2 遺傳算法的特點
4．1．3 遺傳算法的基本操作
4．2 遺傳算法的理論基礎
4．2．1 遺傳算法的模式理論
4．2．2 遺傳算法實現(xiàn)中的一些基本問題
4．3 基于遺傳的機器學習系統(tǒng)
4．3．1 分類器系統(tǒng)的結構
4．3．2 規(guī)則信息系統(tǒng)
4．3．3 信任分配系統(tǒng)
4．3．4 機器學習中的遺傳算法
4．4 遺傳算法的計算機實現(xiàn)
4．5 基于遺傳算法的系統(tǒng)在線辨識
4．5．1 遺傳算法在參數(shù)辨識中的應用
4．5．2 遺傳算法參數(shù)辨識仿真示例
4．6 小結
習題
第五章 神經(jīng)網(wǎng)絡控制
5．1 神經(jīng)網(wǎng)絡的基本概念
5．1．1 生物神經(jīng)元模型
5．1．2 人工神經(jīng)元模型
5．1．3 人工神經(jīng)網(wǎng)絡模型
5．1．4 神經(jīng)網(wǎng)絡的學習方法
5．2 前向網(wǎng)絡及其主要算法
5．2．1 感知器
5．2．2 BP網(wǎng)絡
5．2．3 RBF網(wǎng)絡
5．3 反饋網(wǎng)絡
5．3．1 Hopfield網(wǎng)絡
5．3．2 Boltzmann機網(wǎng)絡
5．3．3 自組織特征映射網(wǎng)絡（Kohonen網(wǎng)絡）
5．4 神經(jīng)網(wǎng)絡模型辨識
5．4．1 正向建模
5．4．2 逆模型
5．5 神經(jīng)元自適應PID控制
5．5．1 神經(jīng)控制的基本思想
5．5．2 單神經(jīng)元自適應PID控制
5．6 神經(jīng)元自適應PSD控制
5．6．1 自適應PSD控制算法
5．6．2 單神經(jīng)元自適應PSD控制
5．7 神經(jīng)網(wǎng)絡內(nèi)模控制
5．7．1 內(nèi)?？刂?br /> 5．7．2 神經(jīng)網(wǎng)絡內(nèi)模控制
5．8 神經(jīng)網(wǎng)絡自適應控制
5．8．1 神經(jīng)網(wǎng)絡自校正控制
5．8．2 神經(jīng)網(wǎng)絡模型參考控制
5．9 神經(jīng)網(wǎng)絡PID控制
5．9．1 基于BP神經(jīng)網(wǎng)絡Kp，KI，KD參數(shù)自學習PID控制器
5．9．2 改進型BP神經(jīng)網(wǎng)絡KP，KI，KD參數(shù)自學習PID控制器
5．10 小結
習題
第六章 模糊控制的數(shù)學基礎
6．1 概述
6．1．1 模糊概念
6．1．2 模糊性與隨機性
6．2 模糊集合
6．2．1 普通集合
6．2．2 模糊集合
6．2．3 模糊集合與普通集合的聯(lián)系
6．3 模糊關系與模糊關系合成
6．3．1 模糊關系的基本概念
6．3．2 模糊關系合成
6．3．3 模糊關系的性質(zhì)
6．3．4 模糊變換
6．4 模糊推理
6．4．1 模糊語言與語言變量
6．4．2 模糊命題與模糊條件語句
6．4．3 模糊推理
6．5 小結
習題
第七章 模糊控制
7．1 模糊控制系統(tǒng)原理
7．1．1 傳統(tǒng)控制系統(tǒng)的特點
7．1．2 模糊控制系統(tǒng)的工作原理
7．1．3 模糊控制的系統(tǒng)結構
7．1．4 模糊控制器的結構與組成
7．2 模糊控制器設計
7．2．1 模糊控制器設計要求
7．2．2 清晰量的模糊化
7．2．3 模糊量的清晰化
7．2．4 模糊控制規(guī)則及控制算法
7．3 自調(diào)整模糊控制技術
7．3．1 帶有自調(diào)整因子的模糊控制器
7．3．2 帶有自調(diào)整函數(shù)的模糊控制器
7．4 神經(jīng)網(wǎng)絡實現(xiàn)的模糊控制
7．4．1 常規(guī)模糊系統(tǒng)的等價神經(jīng)網(wǎng)絡
7．4．2 模糊神經(jīng)網(wǎng)絡技術在溫度控制過程中的應用
7．4．3 基于T—S模型的模糊神經(jīng)網(wǎng)絡
7．5 基于遺傳算法優(yōu)化的模糊控制
7．5．1 遺傳算法和模糊邏輯、神經(jīng)網(wǎng)絡的融合
7．5．2 基于遺傳算法優(yōu)化的模糊控制器
7．5．3 基于遺傳算法的模糊溫度控制實驗
7．6 小結
習題
第八章 專家控制
8．1 專家系統(tǒng)概述
8．1．1 什么是專家系統(tǒng)
8．1．2 專家系統(tǒng)的基本組成
8．1．3 專家系統(tǒng)的特征及類型
8．2 專家控制系統(tǒng)
8．2．1 專家控制系統(tǒng)的特點
8．2．2 專家控制系統(tǒng)的工作原理
8．2．3 專家控制器
8．3 模糊專家系統(tǒng)
8．3．1 模糊專家系統(tǒng)的基本結構
8．3．2 可能性分布與模糊測度
8．3．3 模糊性知識的規(guī)則表示
8．3．4 不確定性推理模型
8．4 邏輯程序設計語言
8．4．1 Prolog語言的特點
8．4．2 Prolog語言的語法與數(shù)據(jù)結構
8．4．3 Prolog程序的執(zhí)行與控制
8．5 小結
習題
第九章 基于粗糙集和含糊集理論的智能信息處理方法
9．1 粗糙集理論的基本概念
9．1．1 粗糙集理論的數(shù)值分析
9．1．2 基于粗糙集理論的規(guī)則知識獲取
9．1．3 粗糙集知識獲取策略在心電圖波形識別中的應用
9．2 基于粗糙集理論的模糊神經(jīng)網(wǎng)絡
9．2．1 建立基于輸入輸出數(shù)據(jù)的知識表達系統(tǒng)
9．2．2 基于粗糙集理論的模糊神經(jīng)網(wǎng)絡
9．2．3 二維非線性函數(shù)圖像擬合應用
9．3 含糊集理論的基本概念
9．3．1 基本概念
9．3．2 含糊集的改進性質(zhì)
9．3．3 實例分析
9．4 基于含糊集的近似推理方法
9．4．1 含糊集的合成推理
9．4．2 含糊集插值推理
9．4．3 幾種含糊集近似推理方法的比較
9．5 一種含糊一粗糙集模型
9．6 含糊集知識獲取策略
9．6．1 含糊集決策表知識表達系統(tǒng)
9．6．2 含糊集知識獲取策略
9．7 小結
習題
第十章 智能控制應用示例
10．1 電加熱爐爐溫智能控制
10．1．1 電加熱爐模型分析
10．1．2 電加熱爐爐溫智能控制
10．2 集裝箱吊車的模糊控制
10．2．1 吊車模糊控制規(guī)則的建立
10．2．2 模糊邏輯吊車控制器的結構
10．2．3 模糊控制的可編程控制器實現(xiàn)
10．3 模糊控制技術的微機實現(xiàn)
10．3．1 MC68HCllE9數(shù)字單片機的特性
10．3．2 溫度模糊控制器的實現(xiàn)
10．4 模糊控制的洗衣機
10．4．1 模糊控制洗衣機系統(tǒng)電路結構
10．4．2 洗衣機的模糊推理
10．4．3 洗衣機物理量檢測方法
10．4．4 布質(zhì)、布量的模糊推理
10．5 倒立擺的模糊神經(jīng)網(wǎng)絡控制
10．5．1 再勵學習的模糊神經(jīng)網(wǎng)絡
10．5．2 倒立擺的模糊神經(jīng)網(wǎng)絡自適應控制
附錄1 改進的BP神經(jīng)網(wǎng)絡及其MATLAB仿真
附1．1 提高BP神經(jīng)網(wǎng)絡收斂速度的方法
附1．2 提高神經(jīng)網(wǎng)絡收斂速度的一種賦初值算法
附1．3 BP網(wǎng)絡訓練技巧
附1．4 感知器分類的MATLAB仿真
附1．5 具有噪聲二階系統(tǒng)辨識的MATLAB程序仿真
附1．6 多維非線性辨識的MATLAB程序剖析
附錄2 模糊控制MATLAB程序仿真示例
附錄3 基于粗糙集可辨識矩陣屬性簡約算法軟件
附錄4 基于Vague集可辨識矩陣知識獲取算法軟件
參考文獻