智能控制简明教程(第2版)电子书

扉页

内容提要

第2版前言

01 智能控制概述

1.1 智能控制的提出和发展

1.2 智能控制的基本概念

1.2.1 智能控制的理论框架

1.2.2 智能控制的定义

1.3 智能控制方法

1.4 智能控制系统的研究对象

1.5 智能控制系统的主要功能

1.6 智能控制研究的数学工具

1.7 智能控制的应用

1.8 本章小结

习题

02 模糊逻辑理论基础

2.1 普通集合论

2.1.1 集合的概念

2.1.2 集合的表示方法

2.1.3 子集、真子集、空集、全集的概念

2.1.4 集合的运算及运算性质

2.1.5 集合的直积

2.1.6 映射与关系

2.2 模糊集合

2.2.1 模糊集合的定义

2.2.2 模糊集合的表示方法

2.2.3 模糊集合的基本运算及其性质

2.3 λ水平截集

2.4 分解定理和扩张原理

2.4.1 分解定理

2.4.2 扩张原理

2.5 隶属函数

2.5.1 确定隶属函数的方法

2.5.2 常见的隶属函数

2.6 模糊关系与模糊矩阵

2.6.1 模糊关系

2.6.2 模糊矩阵

2.6.3 模糊矩阵的合成运算及性质

2.6.4 模糊向量

2.7 模糊逻辑与模糊推理

2.7.1 模糊逻辑

2.7.2 模糊语言

2.7.3 模糊语言变量

2.7.4 模糊语句

2.8 模糊推理

2.8.1 似然推理

2.8.2 几种模糊推理方法

2.8.3 多输入多规则模糊推理方法

2.8.4 单点输入模糊推理方法

2.8.5 Tsukamoto模糊推理方法

2.8.6 Sugeno模糊推理方法

2.9 本章小结

习题

03 模糊控制

3.1 模糊控制系统

3.1.1 模糊控制系统的组成

3.1.2 模糊控制的基本原理

3.2 模糊控制器设计

3.2.1 模糊控制器的结构

3.2.2 模糊控制规则

3.2.3 精确量和模糊量的相互转换

3.2.4 论域、量化因子、比例因子的选择

3.2.5 一个简单的模糊控制器设计

3.3 模糊控制查询表

3.3.1 模糊控制查询表的设计方法

3.3.2 模糊控制算法的计算机实现

3.4 PID模糊控制器

3.4.1 PID控制原理

3.4.2 模糊自适应整定PID控制设计

3.5 机械臂模糊控制的应用案例

3.6 模糊控制系统MATLAB设计

3.6.1 隶属函数与模糊控制规则设计

3.6.2 基于Simulink的模糊控制系统设计

3.7 本章小结

习题

04 神经网络原理

4.1 引言

4.2 基本概念

4.3 感知机

4.4 BP神经网络

4.4.1 BP神经网络原理

4.4.2 BP神经网络学习算法

4.4.3 BP神经网络的MATLAB程序设计

4.5 RBF神经网络

4.6 Hopfield神经网络

4.6.1 离散型Hopfield神经网络

4.6.2 连续型Hopfield神经网络

4.7 支持向量机

4.7.1 线性支持向量机

4.7.2 支持向量机的高维映射

4.7.3 支持向量回归

4.8 本章小结

习题

05 神经网络控制

5.1 神经网络控制结构

5.2 神经网络自校正控制

5.3 神经网络PID控制

5.4 神经网络参考模型自适应控制的MATLAB仿真

5.5 基于SVM非线性估计的空间机械臂自适应滑模控制

5.6 本章小结

习题

06 计算智能

6.1 遗传算法

6.1.1 遗传算法的基本原理

6.1.2 遗传算法的实现过程

6.1.3 遗传算法的实现方法

6.1.4 遗传算法的模式定理

6.1.5 遗传算法的应用

6.2 粒子群优化算法

6.2.1 粒子群优化算法的主要特点

6.2.2 粒子群优化算法的基本原理

6.2.3 粒子群优化算法的流程

6.2.4 粒子群优化算法的缺点

6.2.5 算例

6.3 量子进化算法

6.3.1 量子进化算法的提出

6.3.2 量子进化算法的基本原理

6.3.3 量子进化算法的设计

6.3.4 量子进化算法在苹果糖度漫透射近红外光谱分析中的应用

6.4 人工蜂群算法

6.4.1 人工蜂群算法的基本原理

6.4.2 仿真实例

6.5 本章小结

习题

07 深度学习

7.1 卷积神经网络

7.1.1 卷积神经网络的结构

7.1.2 卷积神经网络的训练

7.2 典型卷积神经网络

7.2.1 LeNet模型结构

7.2.2 生成对抗网络

7.2.3 残差网络结构

7.2.4 U-Net结构

7.2.5 YOLO模型网络

7.3 卷积神经网络学习机制

7.3.1 注意力机制

7.3.2 迁移学习机制

7.4 卷积神经网络的应用案例

7.4.1 基于卷积神经网络的手写字母识别

7.4.2 基于生成对抗网络的图像融合

7.5 本章小结

习题

08 强化学习

8.1 强化学习的基本原理

8.1.1 强化学习的一般概念

8.1.2 马尔可夫决策过程

8.1.3 值函数计算

8.2 强化学习算法

8.2.1 ε-greedy最优策略

8.2.2 瞬时差分算法

8.2.3 Q-learning算法

8.3 深度强化学习

8.3.1 深度强化学习的概念

8.3.2 Actor-Critic网络模型

8.4 强化学习算法应用案例

8.5 本章小结

习题

09 学习控制

9.1 学习控制概述

9.1.1 学习控制的一般概念

9.1.2 学习控制的基本结构

9.2 线性定常连续系统的学习控制

9.3 基于神经网络的机械臂迭代学习控制

9.3.1 神经网络学习控制算法

9.3.2 机械臂轨迹跟踪迭代学习控制

9.3.3 仿真实验和分析

9.4 本章小结

习题

参考文献