第1章 绪论 1
1.1 智能控制的发展过程 1
1.1.1 智能控制的提出 1
1.1.2 智能控制的概念 2
1.1.3 智能控制的发展 3
1.1.4 智能控制的技术基础 3
1.2 智能控制的几个重要分支 4
1.2.1 模糊控制 4
1.2.2 神经网络控制 5
1.2.3 智能搜索算法 5
1.3 智能控制的特点、工具及应用 6
1.3.1 智能控制的特点 6
1.3.2 智能控制的研究工具 6
1.3.3 智能控制的应用 7
思考题 7
参考文献 7
第2章 模糊控制的理论基础 9
2.1 概述 9
2.2 模糊集合 10
2.2.1 模糊集合 10
2.2.2 模糊集合的运算 12
2.3 隶属函数 14
2.3.1 隶属函数的特点 14
2.3.2 几种典型的隶属函数及其MATLAB表示 14
2.3.3 模糊系统的设计 17
2.3.4 隶属函数的确定方法 19
2.4 模糊关系及其运算 20
2.4.1 模糊关系矩阵 20
2.4.2 模糊矩阵运算 21
2.4.3 模糊矩阵的合成 21
2.5 模糊推理 23
2.5.1 模糊语句 23
2.5.2 模糊推理 24
思考题 26
第3章 模糊逻辑控制 27
3.1 模糊控制的基本原理 27
3.1.1 模糊控制原理 27
3.1.2 模糊控制器的组成 28
3.1.3 模糊控制系统的工作原理 29
3.1.4 模糊控制器结构 35
3.2 模糊控制系统分类 36
3.3 模糊控制器的设计 36
3.3.1 模糊控制器的设计步骤 36
3.3.2 模糊控制器的MATLAB仿真 39
3.4 模糊控制应用实例——洗衣机的模糊控制 42
3.5 模糊自适应整定PID控制 49
3.5.1 模糊自适应整定PID控制原理 49
3.5.2 仿真实例 51
3.6 大时变扰动下切换增益模糊调节的滑模控制 57
3.6.1 系统描述 57
3.6.2 滑模控制器设计 57
3.6.3 模糊规则设计 58
3.6.4 仿真实例 59
思考题 62
第4章 自适应模糊控制 64
4.1 模糊逼近 64
4.1.1 模糊系统的设计 64
4.1.2 模糊系统的逼近精度 65
4.1.3 仿真实例 65
4.2 间接自适应模糊控制 70
4.2.1 问题描述 70
4.2.2 自适应模糊滑模控制器设计 71
4.2.3 仿真实例 74
4.3 直接自适应模糊控制 76
4.3.1 问题描述 76
4.3.2 模糊控制器的设计 77
4.3.3 自适应律的设计 78
4.3.4 仿真实例 80
思考题 82
第5章 基于T-S模糊建模的控制 83
5.1 T-S模糊模型 83
5.1.1 T-S模糊模型的形式 83
5.1.2 仿真实例 83
5.1.3 一类非线性系统的T-S模糊建模 85
5.2 T-S型模糊控制器的设计 88
5.3 倒立摆系统的T-S模糊模型 89
5.4 基于线性矩阵不等式的单级倒立摆T-S模糊控制 90
5.4.1 LMI不等式的设计及分析 91
5.4.2 不等式的转换 93
5.4.3 LMI设计实例 93
5.4.4 基于LMI的倒立摆T-S模糊控制 95
5.5 基于极点配置的单级倒立摆T-S模糊控制 100
附加资料：新的LMI求解工具箱——YALMIP工具箱 102
思考题 103
参考文献 103
第6章 机械手自适应模糊控制 104
6.1 简单的自适应模糊滑模控制 104
6.1.1 问题描述 104
6.1.2 模糊逼近原理 104
6.1.3 控制算法设计与分析 105
6.1.4 仿真实例 106
6.2 基于模糊补偿的机械手模糊自适应滑模控制 108
6.2.1 系统描述 109
6.2.2 基于传统模糊补偿的控制 109
6.2.3 自适应控制律的设计 109
6.2.4 基于摩擦模糊逼近的模糊补偿控制 110
6.2.5 仿真实例 111
6.3 模糊系统逼近的最小参数学习法 113
6.3.1 问题描述 113
6.3.2 模糊系统最小参数逼近 114
6.3.3 基于模糊系统逼近的最小参数自适应控制 115
6.3.4 仿真实例 116
6.4 基于模糊补偿的机械手单参数自适应控制 118
6.4.1 系统描述 118
6.4.2 基于模糊系统逼近的最小参数自适应控制 118
6.4.3 仿真实例 120
附加资料 122
思考题 122
参考文献 122
第7章 神经网络理论基础 123
7.1 神经网络发展简史 123
7.2 神经网络原理 124
7.3 神经网络的分类 125
7.4 神经网络学习算法 126
7.4.1 Hebb学习规则 127
7.4.2 Delta（δ）学习规则 127
7.5 神经网络的特征及要素 128
7.5.1 神经网络特征 128
7.5.2 神经网络三要素 128
7.6 神经网络控制的研究领域 128
思考题 129
第8章 典型神经网络 130
8.1 单神经元网络 130
8.2 BP神经网络 132
8.3 RBF神经网络 133
8.3.1 网络结构 133
8.3.2 控制系统设计中RBF网络的逼近 134
8.4 Hopfield神经网络 134
思考题 136
参考文献 136
第9章 自适应RBF神经网络控制 137
9.1 一阶系统神经网络自适应控制 137
9.1.1 系统描述 137
9.1.2 滑模控制器设计 137
9.1.3 仿真实例 138
9.1.4 一阶系统自适应RBF控制 139
9.1.5 仿真实例 140
9.2 二阶系统自适应RBF神经网络控制 142
9.2.1 系统描述 142
9.2.2 基于RBF网络逼近f（x）的滑模控制 143
9.2.3 仿真实例 144
9.3 基于RBF网络的单参数直接鲁棒自适应控制 146
9.3.1 系统描述 146
9.3.2 控制律和自适应律设计 147
9.3.3 仿真实例 148
思考题 150
参考文献 150
第10章 基于RBF网络的输入输出受限控制 151
10.1 控制系统位置输出受限控制 151
10.1.1 输出受限引理 151
10.1.2 系统描述 153
10.1.3 控制器的设计 153
10.1.4 仿真实例 154
10.2 基于RBF网络的状态输出受限控制 156
10.2.1 系统描述 156
10.2.2 RBF网络原理 156
10.2.3 控制器的设计 157
10.2.4 仿真实例 159
10.3 基于双曲正切的输入受限控制 161
10.3.1 双曲函数及性质 161
10.3.2 定理及分析 162
10.3.3 基于双曲正切的输入受限控制 163
10.3.4 仿真实例 163
10.4 基于RBF网络逼近的输入受限控制 165
10.4.1 系统描述 165
10.4.2 RBF神经网络逼近 165
10.4.3 控制器的设计及分析 165
10.4.4 仿真实例 167
思考题 169
参考文献 169
第11章 基于RBF神经网络的执行器自适应容错控制 170
11.1 执行器容错控制描述 170
11.2 SISO系统执行器自适应容错控制 171
11.2.1 控制问题描述 171
11.2.2 控制律的设计与分析 171
11.2.3 仿真实例 172
11.3 基于RBF网络的SISO系统执行器自适应容错控制 173
11.3.1 控制问题描述 173
11.3.2 RBF神经网络设计 174
11.3.3 控制律的设计与分析 174
11.3.4 仿真实例 175
11.4 MISO系统执行器自适应容错控制 176
11.4.1 控制问题描述 176
11.4.2 控制律的设计与分析 177
11.4.3 仿真实例 178
11.5 MISO系统执行器自适应神经网络容错控制 179
11.5.1 控制问题描述 179
11.5.2 RBF神经网络设计 179
11.5.3 控制律的设计与分析 180
11.5.4 仿真实例 181
11.6 带执行器卡死的MISO系统自适应容错控制 182
11.6.1 控制问题描述 182
11.6.2 控制律的设计与分析 183
11.6.3 仿真实例 184
11.7 带执行器卡死的MISO系统神经网络自适应容错控制 186
11.7.1 控制问题描述 186
11.7.2 RBF神经网络设计 186
11.7.3 控制律的设计与分析 187
11.7.4 仿真实例 189
附加资料 190
思考题 190
参考文献 190
第12章 机械系统神经网络自适应控制 191
12.1 一种简单的RBF网络自适应滑模控制 191
12.1.1 问题描述 191
12.1.2 RBF网络原理 192
12.1.3 控制算法设计与分析 192
12.1.4 仿真实例 193
12.2 基于RBF网络逼近的机械手自适应控制 194
12.2.1 问题的提出 194
12.2.2 基于RBF神经网络逼近的控制器 195
12.2.3 仿真实例 196
12.3 基于RBF网络的最小参数自适应控制 198
12.3.1 问题描述 198
12.3.2 基于RBF网络逼近的最小参数自适应控制 199
12.3.3 仿真实例 200
12.4 机械手神经网络单参数自适应控制 201
12.4.1 问题的提出 201
12.4.2 神经网络设计 202
12.4.3 控制器设计 203
12.4.4 仿真实例 204
12.5 一类欠驱动机械系统神经网络滑模控制 206
12.5.1 系统描述 206
12.5.2 RBF网络原理 207
12.5.3 滑模控制律的设计 207
12.5.4 收敛性分析 208
12.5.5 仿真实例 208
附加资料 210
思考题 210
参考文献 211
第13章 基于RBF网络的反演自适应控制 212
13.1 一种三阶非线性系统的反演控制 212
13.1.1 系统描述 212
13.1.2 反演控制器设计 212
13.1.3 仿真实例 214
13.2 基于RBF网络的三阶非线性系统反演控制 215
13.2.1 系统描述 215
13.2.2 RBF网络原理 216
13.2.3 神经网络反演控制器设计 216
13.2.4 仿真实例 218
思考题 220
参考文献 220
第14章 基于LMI的神经网络自适应控制 221
14.1 基于LMI的控制 221
14.1.1 系统描述 221
14.1.2 控制器的设计与分析 221
14.1.3 仿真实例 222
14.2 基于LMI的神经网络自适应控制 224
14.2.1 系统描述 224
14.2.2 RBF神经网络设计 224
14.2.3 控制器的设计与分析 224
14.2.4 仿真实例 226
14.3 基于LMI的神经网络自适应跟踪控制 228
14.3.1 系统描述 228
14.3.2 仿真实例 229
思考题 231
第15章 智能优化算法 232
15.1 遗传算法及其应用 232
15.1.1 遗传算法的基本原理 232
15.1.2 遗传算法的特点 233
15.1.3 遗传算法的应用领域 234
15.1.4 遗传算法的优化设计 235
15.1.5 基于遗传算法的函数优化 235
15.2 基于遗传算法的TSP优化 240
15.2.1 TSP的编码 240
15.2.2 TSP的遗传算法设计 241
15.2.3 仿真实例 242
15.3 粒子群优化算法 243
15.3.1 粒子群算法基本原理 244
15.3.2 算法流程 245
15.3.3 基于粒子群算法的函数优化 246
15.4 标准差分进化算法 249
15.4.1 差分进化算法的基本流程 250
15.4.2 差分进化算法的参数设置 251
15.4.3 基于差分进化算法的函数优化 252
15.5 基于差分进化最优轨迹规划的PD控制 255
15.5.1 问题的提出 255
15.5.2 一个简单的样条插值实例 255
15.5.3 最优轨迹的设计 256
15.5.4 最优轨迹的优化 259
15.5.5 仿真实例 260
15.6 基于Hopfield网络的路径优化 266
15.6.1 TSP问题 266
15.6.2 求解TSP问题的Hopfield神经网络设计 266
15.6.3 仿真实例 268
思考题 272
参考文献 272
第16章 智能优化算法在参数辨识中的应用 273
16.1 柔性机械手动力学模型参数辨识 273
16.1.1 柔性机械手模型描述 273
16.1.2 仿真实例 274
16.2 飞行器纵向模型参数辨识 276
16.2.1 问题描述 276
16.2.2 仿真实例 277
16.3 VTOL飞行器参数辨识 278
16.3.1 VTOL飞行器参数辨识问题 278
16.3.2 基于粒子群算法的参数辨识 280
16.3.3 基于差分进化算法的VTOL飞行器参数辨识 281
16.4 四旋翼飞行器建模与参数辨识 283
16.4.1 四旋翼飞行器动力学模型 283
16.4.2 动力学模型的变换 284
16.4.3 参数的辨识 286
16.4.4 基于粒子群算法参数辨识 287
16.4.5 基于差分进化算法参数辨识 288
思考题 290
参考文献 290
第17章 神经网络自适应协调控制 291
17.1 主辅电机协调鲁棒控制 291
17.1.1 系统描述 291
17.1.2 控制律设计与分析 291
17.1.3 仿真实例 292
17.2 基于神经网络的主辅电机协调控制 294
17.2.1 系统描述 294
17.2.2 RBF网络的设计 294
17.2.3 控制律设计与分析 295
17.2.4 仿真实例 296
思考题 298
参考文献 298
