第1章 绪论
1.1 智能控制的发展过程
1.2 智能控制的重要分支
1.3 智能控制的特点、研究工具及应用
思考题与习题1
第2章 专家系统与专家控制
2.1 专家系统
2.1.1 专家系统概述
2.1.2 专家系统的构成
2.1.3 专家系统的建立
2.2 专家控制
2.2.1 专家控制概述
2.2.2 专家控制的基本原理
2.2.3 专家控制的关键技术及特点
2.3 专家PID控制
2.3.1 专家PID控制定义、特点及应用
2.3.2 专家PID控制原理
2.3.3 仿真实例
思考题与习题2
第3章 模糊控制的理论基础
3.1 概述
3.2 模糊集合
3.2.1 模糊集合的概念
3.2.2 模糊集合的运算
3.3 隶属函数
3.4 模糊关系及其运算
3.4.1 模糊关系矩阵
3.4.2 模糊关系矩阵的运算与模糊关系
3.4.3 模糊关系的合成
3.5 模糊推理
3.5.1 模糊语句
3.5.2 模糊推理方法
思考题与习题3
第4章 模糊控制
4.1 模糊控制原理
4.1.1 模糊控制基本原理
4.1.2 模糊控制器的组成
4.1.3 模糊控制系统的工作原理
4.1.4 模糊控制器的结构
4.2 模糊控制系统分类
4.3 模糊控制器的设计
4.3.1 设计步骤
4.3.2 仿真实例
4.4 洗衣机的模糊控制
4.4.1 设计步骤
4.4.2 仿真实例
4.5 模糊自适应PID控制
4.5.1 基本原理
4.5.2 仿真实例
4.6 TS模糊模型
4.7 模糊控制的应用与发展趋势
4.7.1 模糊控制的应用
4.7.2 模糊控制发展趋势
思考题与习题4
第5章 自适应模糊控制
5.1 模糊逼近
5.1.1 模糊系统的设计
5.1.2 模糊系统的逼近精度
5.1.3 仿真实例
5.2 自适应模糊控制
5.2.1 问题描述
5.2.2 模糊逼近原理
5.2.3 控制算法设计与分析
5.2.4 仿真实例
5.3 机器人关节数学模型
5.4 基于模糊补偿的机械手自适应模糊控制
5.4.1 系统描述
5.4.2 基于模糊补偿的控制
5.4.3 基于摩擦补偿的控制
5.4.4 仿真实例
思考题与习题5
第6章 神经网络的理论基础
6.1 神经网络发展简史
6.2 神经网络原理
6.3 神经网络的分类
6.4 神经网络学习算法
6.4.1 Hebb学习规则
6.4.2 Delta（δ）学习规则
6.5 神经网络的特征及要素
6.6 神经网络控制的研究领域
思考题与习题6
第7章 典型神经网络
7.1 单神经元网络
7.2 BP网络
7.2.1 BP网络特点
7.2.2 BP网络结构
7.2.3 BP网络逼近
7.2.4 BP网络的优缺点
7.2.5 BP网络逼近仿真实例
7.2.6 BP网络数据拟合
7.2.7 BP网络数据拟合仿真实例
7.3 基于工具箱的BP网络训练与测试
7.3.1 BP网络训练
7.3.2 BP网络测试
7.3.3 仿真实例之一
7.3.4 仿真实例之二
7.4 RBF网络
7.4.1 RBF网络结构与算法
7.4.2 RBF网络设计实例
7.4.3 RBF网络的逼近
7.4.4 高斯基函数的参数对RBF网络逼近的影响
7.4.5 隐含层节点数对RBF网络逼近的影响
7.4.6 控制系统设计中RBF网络的逼近
思考题与习题7
第8章 高级神经网络
8.1 模糊神经网络
8.1.1 模糊RBF网络结构
8.1.2 基于模糊RBF网络在线的逼近算法及仿真实例
8.1.3 模糊RBF网络的离线建模及仿真实例
8.2 Hopfield网络
8.2.1 Hopfield网络原理
8.2.2 基于Hopfield网络的路径优化
8.3 卷积神经网络
8.3.1 卷积神经网络发展历史
8.3.2 卷积神经网络的设计
8.3.3 基于卷积神经网络的数据拟合
8.3.4 仿真实例
8.3.5 卷积神经网络发展方向
思考题与习题8
第9章 神经网络控制
9.1 概述
9.2 神经网络控制的结构
9.2.1 神经网络监督控制
9.2.2 神经网络直接逆控制
9.2.3 神经网络自适应控制
9.2.4 神经网络内模控制
9.2.5 神经网络预测控制
9.2.6 神经网络自适应评判控制
9.2.7 神经网络混合控制
9.3 RBF网络监督控制
9.3.1 RBF网络监督控制算法
9.3.2 仿真实例
9.4 RBF网络自校正控制
9.4.1 系统描述
9.4.2 RBF控制算法设计
9.4.3 仿真实例
9.5 基于RBF网络的直接模型参考自适应控制
9.5.1 基于RBF网络的控制器设计
9.5.2 仿真实例
9.6 RBF网络自适应控制
9.6.1 问题描述
9.6.2 RBF网络自适应控制原理
9.6.3 控制算法设计与分析
9.6.4 仿真实例
9.7 基于模型整体逼近的机器人RBF网络自适应控制
9.7.1 问题的提出
9.7.2 针对f(x)进行逼近的控制
9.7.3 仿真实例
思考题与习题9
第10章 智能优化算法
10.1 智能优化算法应用
10.2 遗传算法
10.2.1 遗传算法的设计思想
10.2.2 遗传算法的特点
10.2.3 遗传算法的发展
10.3 粒子群算法
10.3.1 标准粒子群算法
10.3.2 粒子群算法的参数设置
10.3.3 粒子群算法的基本流程
10.4 粒子群算法的函数优化与参数辨识
10.4.1 基于粒子群算法的函数优化
10.4.2 基于粒子群算法的参数辨识
10.5 差分进化算法
10.5.1 标准差分进化算法
10.5.2 标准差分进化算法的基本流程
10.5.3 差分进化算法的参数设置
10.6 差分进化算法的函数优化与参数辨识
10.6.1 基于差分进化算法的函数优化
10.6.2 基于差分进化算法的参数辨识
思考题与习题10
第11章 智能优化算法的应用
11.1 智能优化算法在控制中的应用
11.1.1 智能优化算法与控制的关系
11.1.2 调度与控制的关系
11.1.3 路径规划与控制的关系
11.2 蚁群算法
11.2.1 TSP问题优化及关键问题
11.2.2 蚁群算法的基本原理及应用
11.2.3 基于TSP问题优化的蚁群算法
11.2.4 仿真实例
11.3 基于粒子群算法的TSP问题优化
11.3.1 TSP问题优化的粒子群算法
11.3.2 仿真实例
11.4 基于差分进化算法的TSP问题优化
11.4.1 TSP问题优化的差分进化算法
11.4.2 仿真