模糊控制 神经控制和智能控制论
出版时间：1996
内容简介
　　《模糊控制·神经控制和智能控制论》面向21世纪智能控制学科前沿，以微机模拟智能实现智能控制为主线，从智能控制论的高度全面系统深入地介绍了模糊控制、神经控制和智能控制的理论、方法、系统设计及其实现技术。突出反映了该领域作者近期的研究成果，并综合国内外的最新研究成果及其大量应用实例。全书共四篇。一、智能控制的新学科基础：思维科学，智能模拟，模糊逻辑，粗糙集合，神经网络，遗传算法，人工生命，混饨理论及可抗集合；二、智能控制的知识工程和信息科学基础；三、智能控制理论与系统设计：多级送阶智能控制，专家控制，模糊控制，神经控制，仿人智能控制，基于模式识别的智能控制，多模变结构智能控制，学习控制，混饨控制及可拓控制；四、模糊控制、神经控制和智能控制在工业过程、运动工具、机器人及家电产品中20个内容翔实、新颖的应用实例。本书涉及多个学科前沿，取材广泛，内容新颖，构思巧妙，结构严谨，深入浅出，启发思维，理论联系实际。可满足多种学科和不同层次教学和科研人员的需求，可作为高等学校自动控制、自动化、电子工程、机电工程、航天工程、机器人、计算机应用等相关专业高年级本科生、硕士生、博士生的教材，对于博士后人员、出国留学人员及广大科技人员也具有重要的参考价值。
目录
序篇　智能控制论
0.1　控制理论的产生及其发展
0.2　智能控制的产生及其发展
0.3　传统控制和智能控制
0.4　智能控制论
0.5　智能控制的基础及学科范畴
0.6　本书学习指南
第一篇　智能控制的新学科基础
第1章　思维科学与智能模拟
1.1　信息社会与思维科学
1.1.1　思维与思维科学
1.1.2　思维的类型
1.2　思维的神经基础
1.2.1　思维与智能
1.2.2　思维的神经基础
1.3　智能模拟
1.3.1　智能模拟的科学基础
1.3.2　智能模拟的哲学基础
1.3.3　智能模拟的基本途径
1.4　智能模拟中的科学方法论
1.4.1　结构主义方法
1.4.2　行为主义方法
1.4.3　演绎主义方法
1.4.4　信息科学方法
1.5　智能控制与智能模拟
第2章　模糊逻辑与粗糙集合
2.1　模糊数学的创立及发展
2.2　经典集合及其运算
2.2.1　集会的概念及定义
2.2.2　集合的直积
2.2.3　映射与关系
2.2.4　集合的运算性质
2.2.5　集合的表示及特征函数
2.3　模糊集合及其运算
2.3.1　模糊子集的定义及表示
2.3.2　模糊子集的运算
2.4　模糊集合与经典集会的联系
2.4.1　截集
2.4.2　分解定理
2.4.3　扩张原则
2.5　隶属函数
2.5.1　隶属函数的确定方法
2.6　模糊矩阵与模糊关系
2.6.1　模糊矩阵
2.6.2　模糊关系
2.6.3　模糊关系的合成
2.7　模糊向量
2.7.1　模糊向量
2.7.2　模糊向量的笛卡尔乘积
2.7.3　模糊向量的内积与外积
2.8　模糊逻辑与模糊推理
2.8.1　模糊逻辑
2.8.2　模糊语言
2.8.3　模糊推理
2.9　粗糙集合
2.9.1　粗糙集合的基本概念
2.9.2　粗糙度与粗糙隶属函数
2.9.3　粗糙集合的特点及其应用
第3章　神经网络与计算智能
3.1　神经网络研究的概述
3.1.1　神经网络研究简史
3.1.2　神经网络的主要特点
3.2　脑与神经系统
3.2.1　脑的宏观结构
3.2.2　神经细胞的结构与功能
3.2.3　神经元模型
3.3　神经网络的结构和学习规则
3.3.1　神经网络的联接形式
3.3.2　神经网络的学习和训练
3.3.3　神经网络的学习规则
3.4　典型前向网络——BP网络
3.4.1　感知器
3.4.2　前向多层网络的BP学习算法
3.4.3　BP算法的改进算法
3.4.4　前向网络递推预报误差算法（RPE）
3.5　典型反馈网络——Hopfield网络
3.5.1　Hopfield网络模型
3.5.2　Hopfield网络的联想记忆功能
3.5.3　Hopfield网络的优化计算功能
3.6　小脑模型关联控制器——CMAC网络
3.6.1　CMAC网络的基本思想
3.6.2　CMAC网络的工作原理
3.6.3　小脑模型运算机
3.7　大脑自组织特征映射模型——Kohonen网络
3.7.1　Kohonen网络原理
3.7.2　Kohonen网络学习规则及算法
3.8　基于概率式学习的Boltzmann机模型
3.8.1　模拟退火
3.8.2　Boltzmann机模型
3.8.3　Boltzmann机的训练和学习规则
3.9　其它类型的神经网络
第4章　遗传算法与人工生命
4.1　遗传学和生物进化论
4.1.1　遗传学的产生与发展
4.1.2　生物进化论
4.2　进化计算和遗传算法
4.2.1　进化计算
4.2.2　遗传算法
4.3　遗传算法的结构和基本原理
4.3.1　遗传算法的结构
4.3.2　选择、交叉和突然变异的方法
4.3.3　遗传算法的实现步骤
4.4　遗传算法的理论与方法论
4.4.1　模式定理（Schema theorem）
4.4.2　虚拟边界定理
4.4.3　遗传算法中的方法论
4.5　遗传算法和模糊逻辑、神经网络的融合
4.5.1　遗传算法在模糊推理中的应用
4.5.2　遗传算法和神经网络的融合
4.6　遗传算法的特点及研究方向
4.6.1　遗传算法的主要特点
4.6.2　遗传算法的研究课题
4.7　遗传编程
4.8　人工生命
4.8.1　人工生命与人工智能
4.8.2　人工生命的研究领域
第5章　复杂开放系统的自组织理论
5.1　耗散结构论
5.1.1　非平衡热力学系统的基本概念
5.1.2　自组织现象
5.1.3　稳定性与分叉理论
5.1.4　耗散结构形成的条件
5.2　协同学与突变论
5.2.1　协同学
5.2.2　突变论
5.3　混沌学
5.3.1　混沌的基本概念
5.3.2　开放系统的混沌动力学
5.3.3　维数与李雅普诺夫指数
5.3.4　混沌的潜在应用领域
5.4　智能控制与非线性科学
第6章　物元分析与可拓集合
6.1　物元分析学科的创立与发展
6.2　物元及其可拓性
6.2.1　物元的概念及其表示
6.2.2　物元的可拓性
6.3　物元变换
6.3.1　物元要素的基本变换
6.3.2　物元的基本变换及其运算
6.3.3　物元基本变换的性质
6.4　可拓集合
6.4.1　可拓集合的概念
6.4.2　可抗集合的关系和运算
6.4.3　物元可拓集
6.4.4　可拓关系及其运算
6.5　关联函数
6.5.1　实域中的距、模及位值
6.5.2　简单关联函数与初等关联函数
6.5.3　质度函数
6.6　物元方程与关联不等式
6.6.1　物元方程和蕴含方程
6.6.2　转换桥的基本概念
6.6.3　问题的物元模型
6.6.4　关联不等式和不相容问题求解
第二篇　智能控制的知识工程和信息科学基础
第7章　智能控制的知识工程基础
7.1　专家系统基础
7.1.1　什么是专家系统
7.1.2　建立专家系统的目的和意义
7.2　专家系统的结构
7.2.1　一般专家系统的结构
7.2.2　理想化的专家系统的结构
7.3　知识的表示
7.3.1　知识表示的重要性
7.3.2　谓词逻辑表示法
7.3.3　时序逻辑表示法
7.3.4　语义网络表示法
7.3.5　产生式表示法
7.3.6　框架表示法
7.3.7　过程表示法
7.3.8　定性模型知识表示法
7.3.9　神经网络产生规则表示法
7.3.10　Petri网的知识表示法
7.3.11　知识的综合集成表示
7.4　专家系统中的推理方法
7.4.1　不精确推理的一般描述
7.4.2　不精确推理的方法
7.5　智能控制系统中的推理
7.5.1　基于规则的推理
7.5.2　模糊逻辑推理
7.5.3　基于神经网络的推理
7.5.4　定性推理
7.5.5　基于事例的推理
7.5.6　基于规则、事例和模型的综合推理
7.6　知识的获取
7.6.1　知识获取的途径
7.6.2　知识获取的步骤
7.7　产生式系统
7.7.1　产生式系统的结构及特点
7.7.2　产生式系统的分类
7.7.3　产生式系统的应用
7.8　智能学习系统
7.8.1　学习系统
7.8.2　机器学习
7.8.3　智能学习系统
7.9　人机智能结合系统
7.9.1　人的智能模型
7.9.2　人-机智能结合的必要条件
7.9.3　人-机交互作用
7.9.4　计算机的智能结构
第8章　智能控制的信息科学基础
8.1　智能控制和信息科学
8.1.1　可能性空间
8.1.2　从可能性空间看信息
8.2　信息论的产生及发展
8.3　信息是知识的内涵
8.3.1　信息的概念
8.3.2　信息是知识的内涵
8.4　信息系统模型
8.5　熵和信息
8.6　负熵与广义信息论
第三篇　智能控制理论与系统设计
第9章　智能反馈控制理论基础
9.1　智能控制的基本概念
9.1.1　智能控制的定义
9.1.2　智能控制的基本要素
9.2　智能控制系统的结构
9.2.1　智能控制系统的基本结构
9.2.2　基于信息论的递阶智能控制结构
9.2.3　基于广义信息的智能控制系统结构
9.3　智能控制系统的类型
9.4　智能控制系统的理论基础及其本质
第10章　多级递阶智能控制
10.1　复杂系统控制的基本形式
10.1.1　大系统控制的基本形式
10.1.2　大系统递阶结构的描述
10.2　递阶控制的一般原理
10.2.1　协调
10.2.2　协调的基本原则
10.3　多级递阶智能控制
10.3.1　多级递阶智能控制系统的组成
10.3.2　多级递阶智能控制的原理
10.3.3　机器人递阶智能控制系统的结构
10.4　人-机交互的多级递阶智能控制
第11章　基于知识的专家控制
11.1　专家控制系统
11.1.1　专家控制系统的特点
11.1.2　专家控制系统的结构
11.1.3　专家控制系统的原理
11.2　实时过程控制专家系统
11.3　专家控制器
11.3.1　专家控制器的一般结构
11.3.2　一种工业过程专家控制器
11.4　基于知识的智能过程控制
11.4.1　系统的观测矩阵
11.4.2　基于知识系统的符号模型
11.4.3　基于知识的双容器液位控制
第12章　模糊控制
12.1　模糊自动控制原理
12.1.1　模糊控制的基本思想
12.1.2　模糊控制系统的组成
12.1.3　模糊控制的基本原理
12.2　模糊控制器设计的基本方法
12.2.1　模糊控制器的结构设计
12.2.2　模糊控制规则的设计
12.2.3　精确量的模糊化方法
12.2.4　模糊推理及其模糊量的非模糊化方法
12.2.5　论域、量化因子、比例因子的选择
12.2.6　模糊控制查询表及算法流程图
12.2.7　采样时间的选择
12.3　模糊控制器的设计举例
12.3.1　确定模糊控制器的结构
12.3.2　建立模糊控制规则
12.3.3　确定模糊变量的赋值表
12.3.4　建立模糊控制表
12.3.5　简单模糊控制器的控制特性
12.4　解析描述控制规则可调整的模糊控制器
12.4.1　控制规则的解析描述
12.4.2　带有调整因子的控制规则
12.4.3　模糊控制规则的自调整与自寻优
12.4.4　带有自调整因子的模糊控制器
12.4.5　带自调整函数的模糊控制规则
12.5　模糊系统辨识与模糊预测
12.5.1　基于模糊关系模型的系统辨识
12.5.2　基于模糊关系模型的建模举例
12.5.3　自适应模糊预测模型
12.5.4　基于T－S模型的模糊系统辨识
12.5.5　基于“模糊控制系统”的模型预报
12.6　自适应·自组织·自学习模糊控制
12.6.1　自适应模糊控制器的结构
12.6.2　自适应模糊控制器的原理
12.6.3　模型参考模糊自适应控制系统
12.6.4　自校正模糊控制器
12.6.5　自适应递阶模糊控制
12.7　提高模糊控制性能的多种方法
12.7.1　提高模糊控制稳态精度的方法
12.7.2　提高模糊控制滞后对象能力的方法
12.7.3　用三维模糊控制提高控制高阶对象的能力
12.8　模糊控制器的模型结构及系统稳定性分析
12.8.1　模糊控制器的多值继电器模型
12.8.2　模糊控制器的代数模型
12.8.3　模糊控制器的语言模型
12.8.4　模糊控制器的颗粒模型、准线性模型和细胞模型
12.8.5　双输入双输出模糊控制器的解析结构
12.9　模糊控制系统稳定性分析的理论与方法
12.9.1　模糊控制系统稳定性分析理论的研究进展
12.9.2　基于语言模糊状态模型的稳定性分析
12.10　模糊控制软件开发工具与模糊控制芯片
12.10.1　模糊控制软件的开发工具
12.10.2　模糊控制芯片
第13章　神经控制
13.1　神经控制的基本原理
13.1.1　神经控制的基本思想
13.1.2　神经网络在控制中的主要作用
13.2　神经网络控制的分类
13.2.1　基于神经网络的智能控制
13.2.2　基于传统控制理论的神经控制
13.3　神经网络学习控制的结构
13.3.1　间接学习神经控制
13.3.2　一般学习神经控制的结构
13.3.3　特殊学习神经控制的结构
13.3.4　一般和特殊相结合的学习结构
13.4　神经网络直接反馈控制
13.5　神经网络模型参考自适应控制
13.6　神经网络自校正控制
13.7　神经网络内模控制
13.7.1　内模控制
13.7.2　神经网络内模控制
13.8　神经元自适应PSD控制
13.8.1　PSD控制
13.8.2　神经元自适应PSD控制算法
13.9　基于模糊神经网络的自组织控制
13.9.1　FNAOC的结构
13.9.2　双向联想记忆网络及其产生模糊规则
13.9.3　应用LVQ法产生If部分隶属函数
13.9.4　FNAOC系统的应用
13.10　多变量系统的模糊神经网络控制
13.10.1　多变量系统的模糊控制模型
13.10.2　模糊神经网络控制模型
13.11　基于神经网络的模糊逻辑控制系统设计
13.11.1　一般模糊控制的基本结构及其描述
13.11.2　基于神经网络的模糊控制和决策
13.11.3　神经网络每层节点的函数功能
13.11.4　混合学习算法
13.11.5　无人小车的神经网络模糊控制
13.12　基于模糊推理和神经网络建造专家系统的一种方法
13.12.1　设计的基本思想和步骤
13.12.2　神经网络的结构
13.12.3　导入算法
13.12.4　隶属函数和模糊规则的修改
13.12.5　信念传播与导出算法
13.12.6　从训练后的神经网络中提取规则举例
13.13　神经网络专家系统与故障诊断
13.13.1　神经网络专家系统
13.13.2　基于神经网络的控制系统故障诊断
第14章　基于规则的仿人智能控制
14.1　从PID控制者仿人智能控制
14.1.1　常规PID控制
14.1.2　对常规PID控制的剖析
14.1.3　从PID控制得到的启发
14.2　仿人智能控制的原理与结构
14.2.1　仿人智能控制的基本思想
14.2.2　仿人智能控制行为的特征变量
14.2.3　仿人智能控制器的结构
14.2.4　仿人智能控制的多种模式
14.3　仿人智能开关控制器
14.3.1　智能开关控制
14.3.2　一个智能开关控制器的设计实例
14.4　仿人比例控制器
14.4.1　仿人比例控制的原理
14.4.2　仿人比例控制算法
14.5　仿人智能积分控制
14.5.1　仿人智能积分原理
14.5.2　仿人智能积分控制算法
14.6　仿人智能采样控制
14.6.1　采样周期对数字控制的影响
14.6.2　滞后过程的仿人智能采样控制
14.7　仿人智能控制周期的自选择
14.7.1　采样周期与控制周期的差异
14.7.2　仿人智能控制周期
14.7.3　仿人智能控制周期的在线自选择
14.8　基于极值采样的仿人智能控制
14.8.1　仿人智能控制器的静特性及运行机理
14.8.2　仿人智能控制算法及其特点
14.9　基于过程补余量的仿人智能控制
14.9.1　过程的能量储存特性及其控制
14.9.2　基于过程补入量的仿人智能控制规则
14.9.3　目标补入量J的递推算法
第15章　基于模式识别的智能控制
15.1　模式识别与智能控制
15.1.1　模式识别的基本概念
15.1.2　模式识别与形象思维
15.1.3　模式识别与智能控制
15.2　系统动态特性的模式识别
15.2.1　系统瞬态响应特征的模式分类
15.2.2　相平面e-e上特征模式类的划分
15.2.3　误差相空间的特征模式集
15.3　基于模式识别的智能控制
15.3.1　特征信息、特征状态与特征模式
15.3.2　基于模式识别的智能控制器的结构
15.3.3　基于模式识别的智能控制器的设计
15.3.4　基于模式识别的智能控制器的工业应用
第16章　多模变结构智能控制
16.1　变结构控制的基本原理
16.1.1　变结构控制的基本原理
16.1.2　变结构控制的应用
16.2　变结构控制是一种双模控制
16.2.1　VSC可视为一种规则控制
16.2.2　VSC是一种双模控制方式
16.3　变结构控制的剖析
16.3.1　变结构控制思想的启迪
16.3.2　变结构控制的不足
16.4　多模变结构智能控制的原理
16.4.1　多模变结构智能控制的基本思想
16.4.2　多模变结构智能控制器设计
16.4.3　多模变结构智能控制规则
16.5　模糊滑动模态控制
16.5.1　滑动模态控制的系统描述
16.5.2　模糊滑动模态控制
16.5.3　基于模糊逻辑的连续滑模控制
第17章　学习控制与自学习控制
17.1　学习控制系统
17.1.1　学习控制的基本概念
17.1.2　学习控制律
17.1.3　学习控制的收敛性
17.2　伺服系统的学习控制
17.2.1　位置伺服系统的学习控制
17.2.2　位置伺服系统的模糊学习控制
17.3　自学习控制系统
17.3.1　自学习控制系统的结构
17.3.2　基于规则的自学习控制系统
17.4　基于规则的自学习模糊控制
17.4.1　建立模糊控制规则
17.4.2　自学习模糊控制算法
17.4.3　自学习控制算法举例
第18章　混沌控制与温沌预测
18.1　混沌与控制系统
18.1.1　由输入r所引起的混沌
18.1.2　由采样周期所引起的混沌
18.1.3　混沌和周期解的共存
18.2　混沌预测
18.2.1　混沌的短期预测功能
18.2.2　混沌短期预测的方法
18.3　混沌模糊控制器
18.3.1　混沌芯片
18.3.2　混沌模糊控制器
第19章　基于可拓逻辑的智能控制
19.1　可拓控制的基本概念
19.2　可拓控制的基本结构和原理
19.3　可拓控制器的设计方法
19.3.1　可拓控制器的结构
19.3.2　特征量的选取和特征模式的确定
19.3.3　特征状态关联度的计算
19.3.4　测度模式的划分
19.3.5　确定控制模式和计算控制器输出
19.4　可拓专家系统的结构及原理
19.4.1　可拓专家系统的结构
19.4.2　可拓知识库
19.4.3　评价机构与组织机构原理
第20章　智能控制系统的稳定性分析
20.1　李雅普诺夫稳定性理论
20.1.1　李雅普诺夫意义下的稳定性
20.1.2　李雅普诺夫稳定性理论
20.2　绝对稳定性理论
20.2.1　大范围稳定与绝对稳定的概念
20.2.2　波波夫的稳定性分析方法
20.2.3　圆判据
20.3　智能控制系统的智能性与能控性
20.3.1　智能控制系统的智能性
20.3.2　智能控制系统的能控性
20.4　智能控制系统的稳定性分析
20.4.1　智能控制系统稳定性的定性分析
20.4.2　智能控制规律的统一描述形式
20.4.3　基于Lyapunov函数智能控制闭环系统稳定性分析
20.4.4　基于非线性科学的稳定性分析
第四篇　智能控制的工程应用
第21章　智能控制在工业过程控制中的应用
21.1　蒸汽发动机的模糊控制系统
21.1.1　概述
21.1.2　控制器的结构
21.1.3　模糊变量的论域及其隶属函数
21.1.4　控制规则
21.1.5　模糊控制的结果
21.2　模糊控制在退火炉燃烧过程控制中的应用
21.2.1　概述
21.2.2　模糊控制系统的组成
21.2.3　模糊控制器和模糊自寻优控制器
21.2.4　应用效果与结论
21.3　气炼机的自适应模糊控制系统
21.3.1　概述
21.3.2　自动气炼机的结构及其工艺流程
21.3.3　气炼机控制系统的硬件设计
21.3.4　气炼机控制系统的软件设计
21.3.5　自动气炼机的模糊控制器
21.3.6　自动气炼机透烧、预烧延时的自适应模糊控制
21.3.7　小结
21.4　电弧冶炼炉的模糊控制
21.4.1　概述
21.4.2　模糊聚类分析
21.4.3　模糊控制规则
21.4.4　控制系统的组成
21.4.5　小结
21.5　智能控制在造纸过程中的应用
21.5.1　概述
21.5.2　造纸过程分析及其控制
21.5.3　造纸过程的专家智能控制
21.5.4　实际运行结果
21.5.5　小结
21.6　仿人智能温度按制器
21.6.1　概述
21.6.2　整机简介
21.6.3　仿人智能控制算法
21.6.4　性能对比及结论
21.7　神经网络自组织模糊控制器及其在电力系统中的应用
21.7.1　神经自组织模糊控制系统的结构
21.7.2　各部分功能及作用
21.7.3　自组织模糊控制系统工作原理
21.7.4　在电力系统频繁控制中的应用
21.7.5　总结
21.8　轧钢机用板厚度的非线性神经按制
21.8.1　轧钢机模型与控制问题
21.8.2　用神经网络进行对象建模
21.8.3　应用神经网络模型的非线性控制
21.8.4　结果
第22章　智能控制在运载工具控制中的应用
22.1　高技术机器的倾斜和力矩的模糊逻辑控制
22.1.1　概述
22.1.2　高技术机翼ATW
22.1.3　ATW的模糊控制
22.1.4　鲁棒性测试及结论
22.2　预测模糊控动在列车自动驾驶系统中的应用
22.2.1　列车自动驾驶系统
22.2.2　地铁列车的预测模糊控制系统
22.2.3　应用实例及其效果
22.3　汽车喷油系统的神经网络控制
22.3.1　排放量数小化
22.3.2　CMAC神经网络基础
22.3.3　CMAC神经网络喷油控制
22.3.4　CMAC控制器实验结果与结论
第23章　智能控制在机器人控制中的应用
23.1　机器人的模糊控制
23.1.1　概述
23.1.2　模糊指令与模糊算法
23.1.3　模糊指令的解释
23.1.4　机器人的模糊控制
23.1.5　机器人的控制过程
23.2　基于神经网络的机器人控制
23.2.1　机器人及其控制
23.2.2　神经网络控制的机器人
23.3　工业机器人的神经网络高精度控制
23.3.1　基于模型的误差补偿方式
23.3.2　应用神经网络补偿误差方式
23.3.3　实验结果
23.4　应用学习控制抑制机器人的振动
23.4.1　问题的提出
23.4.2　学习控制的构成
23.4.3　有弹性轴的机器人模型
23.4.4　工业机器人的学习控制的应用实验
第24章　智能控制在家电产品中的应用
24.1　模糊全自动洗衣机
24.1.1　洗净度传感器
24.1.2　布量、布质传感器
24.1.3　基于洗净度的模糊推理
24.1.4　基于布置、市质的模糊控制
24.1.5　模糊全自动洗衣机的特点
24.2　模糊控制吸尘器
24.2.1　模糊吸尘器设计的基本要求
24.2.2　灰尘传感器
24.2.3　模糊控制吸尘器
24.3　模糊控制摄像机
24.3.1　手抖修正原理
24.3.2　模糊识别和模糊推理
24.4　基于神经网络的冰柜温度智能控制系统
24.4.1　系统组成及工作原理
24.4.2　人工神经网络的培训
24.4.3　性能测试与分析
24.5　混浊控制煤油暖风器
24.5.1　混沌仿真器的构成
24.5.2　混沌产生舒适暖风的机理
24.5.3　混沌暖风器的运行效果
参考文献