智能控制技术

第一章 智能控制概述 1

1.1 智能控制的基本概念 1

1.1.1 什么是智能控制 1

1.1.2 智能控制的研究对象 2

1.2 智能控制系统的特征和性能 2

1.2.1 智能控制系统的一般结构 2

1.2.2 智能控制系统的主要功能特征 3

1.2.3 智能控制系统的特征模型 3

1.3 智能控制系统的类型 5

1.4 智能控制的发展概况 9

习题 10

1.5 小结 10

第二章 智能控制的知识工程基础 11

2.1 知识的基本概念 11

2.1.1 什么是知识 11

2.1.2 知识的分类 12

2.2 知识的表示 12

2.2.1 一阶谓词表示法 13

2.2.2 时序逻辑表示法 15

2.2.3 产生式表示法 16

2.2.4 语义网络知识表示法 16

2.2.5 框架知识表示法 19

2.2.6 Petri网知识表示法 23

2.2.7 定性模型知识表示法 26

2.2.8 可视知识模型 29

2.3.1 非自动知识获取 30

2.3 知识的获取 30

2.3.2 自动知识获取 31

2.4 知识的处理 35

2.4.1 推理的方式与分类 35

2.4.2 推理控制策略 37

2.4.3 状态空间的搜索策略 40

2.5 小结 49

习题 51

3.1 递阶控制的一般原理 52

3.1.1 大系统递阶结构的描述 52

第三章 分级递阶智能控制 52

3.1.2 递阶控制的一般原理 53

3.2 分级递阶智能控制 53

3.2.1 分级递阶智能控制系统的结构 53

3.2.2 分级递阶智能控制原理 54

3.3 小结 59

习题 59

第四章 遗传算法 60

4.1 什么是遗传算法 60

4.1.1 遗传算法的生物遗传学基础 60

4.1.2 遗传算法的特点 61

4.1.3 遗传算法的基本操作 62

4.2.1 遗传算法的模式理论 66

4.2 遗传算法的理论基础 66

4.2.2 遗传算法实现中的一些基本问题 72

4.3 基于遗传的机器学习系统 75

4.3.1 分类器系统的结构 75

4.3.2 规则信息系统 77

4.3.3 信任分配系统 77

4.3.4 机器学习中的遗传算法 78

4.4 遗传算法的计算机实现 79

4.5 基于遗传算法的系统在线辨识 90

4.5.1 遗传算法在参数辨识中的应用 91

4.5.2 遗传算法参数辨识仿真示例 92

4.6 小结 93

习题 94

第五章 神经网络控制 95

5.1 神经网络的基本概念 95

5.1.1 生物神经元模型 95

5.1.2 人工神经元模型 96

5.1.3 人工神经网络模型 98

5.1.4 神经网络的学习方法 99

5.2 前向网络及其主要算法 102

5.2.1 感知器 102

5.2.2 BP网络 103

5.3 反馈网络 108

5.3.1 Hopfield网络 108

5.2.3 RBF网络 108

5.3.2 Boltzmann机网络 112

5.3.3 自组织特征映射网络(Kohonen网络) 114

5.4 神经网络模型辨识 115

5.4.1 正向建模 115

5.4.2 逆模型 118

5.5 神经元自适应PID控制 120

5.5.1 神经控制的基本思想 120

5.5.2 单神经元自适应PID控制 120

5.6 神经元自适应PSD控制 123

5.6.1 自适应PSD控制算法 123

5.6.2 单神经元自适应PSD控制 124

5.7 神经网络内模控制 126

5.7.1 内模控制 126

5.7.2 神经网络内模控制 127

5.8 神经网络自适应控制 127

5.8.1 神经网络自校正控制 128

5.8.2 神经网络模型参考控制 129

5.9 神经网络PID控制 130

5.9.1 基于BP神经网络Kp,KI,KD参数自学习PID控制器 130

5.9.2 改进型BP神经网络Kp,KI,KD参数自学习PID控制器 133

5.10 小结 137

习题 138

6.1 概述 139

6.1.1 模糊概念 139

第六章 模糊控制的数学基础 139

6.1.2 模糊性与随机性 140

6.2 模糊集合 141

6.2.1 普通集合 141

6.2.2 模糊集合 143

6.2.3 模糊集合与普通集合的联系 148

6.3 模糊关系与模糊关系合成 150

6.3.1 模糊关系的基本概念 150

6.3.2 模糊关系合成 153

6.3.3 模糊关系的性质 154

6.3.4 模糊变换 155

6.4.1 模糊语言与语言变量 157

6.4 模糊推理 157

6.4.2 模糊命题与模糊条件语句 159

6.4.3 模糊推理 163

6.5 小结 174

习题 174

第七章 模糊控制 177

7.1 模糊控制系统原理 177

7.1.1 传统控制系统的特点 177

7.1.2 模糊控制系统的工作原理 179

7.1.3 模糊控制的系统结构 181

7.1.4 模糊控制器的结构与组成 187

7.2.1 模糊控制器设计要求 192

7.2 模糊控制器设计 192

7.2.2 清晰量的模糊化 194

7.2.3 模糊量的清晰化 198

7.2.4 模糊控制规则及控制算法 200

7.3 自调整模糊控制技术 214

7.3.1 带有自调整因子的模糊控制器 215

7.3.2 带有自调整函数的模糊控制器 216

7.4 神经网络实现的模糊控制 218

7.4.1 常规模糊系统的等价神经网络 218

7.4.2 模糊神经网络技术在温度控制过程中的应用 224

7.4.3 基于T-S模型的模糊神经网络 229

7.5.1 遗传算法和模糊逻辑、神经网络的融合 230

7.5 基于遗传算法优化的模糊控制 230

7.5.2 基于遗传算法优化的模糊控制器 233

7.5.3 基于遗传算法的模糊温度控制实验 234

7.6 小结 235

习题 236

第八章 专家控制 238

8.1 专家系统概述 238

8.1.1 什么是专家系统 238

8.1.2 专家系统的基本组成 239

8.1.3 专家系统的特征及类型 240

8.2 专家控制系统 241

8.2.1 专家控制系统的特点 241

8.2.2 专家控制系统的工作原理 242

8.2.3 专家控制器 246

8.3 模糊专家系统 247

8.3.1 模糊专家系统的基本结构 247

8.3.2 可能性分布与模糊测度 248

8.3.3 模糊性知识的规则表示 251

8.3.4 不确定性推理模型 254

8.4 逻辑程序设计语言 255

8.4.1 Prolog语言的特点 255

8.4.2 Prolog语言的语法与数据结构 255

8.4.3 Prolog程序的执行与控制 257

8.5 小结 261

习题 262

9.1.1 仿人智能控制的基本思想 263

9.1 仿人智能控制的原理 263

第九章 基于规则的仿人智能控制 263

9.1.2 仿人智能行为的特征变量 264

9.2 仿人智能开关控制 266

9.2.1 智能开关控制 266

9.2.2 智能开关控制器设计示例 266

9.3 仿人比例控制 267

9.3.1 仿人比例控制原理 267

9.3.2 仿人比例控制算法 268

9.4 仿人智能积分控制 269

9.4.1 仿人智能积分原理 269

9.4.2 仿人智能控制算法 270

9.5.1 系统动态特征模式类 271

9.5 基于特征辨识的多模态智能控制 271

9.5.2 基于特征辨识的智能控制 273

9.6 小结 274

习题 275

第十章 智能控制应用示例 276

10.1 电加热炉炉温智能控制 276

10.1.1 电加热炉模型分析 276

10.1.2 电加热炉炉温智能控制 279

10.2 集装箱吊车的模糊控制 289

10.2.1 吊车模糊控制规则的建立 289

10.2.2 模糊逻辑吊车控制器的结构 290

10.2.3 模糊控制的可编程控制器实现 293

10.3.1 MC68HC11E9数字单片机的特性 296

10.3 模糊控制技术的微机实现 296

10.3.2 温度模糊控制器的实现 302

10.4 模糊控制的洗衣机 306

10.4.1 模糊控制洗衣机系统电路结构 306

10.4.2 洗衣机的模糊推理 309

10.4.3 洗衣机物理量检测方法 311

10.4.4 布质、布量的模糊推理 313

10.5 倒立摆的模糊神经网络控制 317

10.5.1 再励学习的模糊神经网络 317

10.5.2 倒立摆的模糊神经网络自适应控制 322

参考文献 325