高等学校电子信息类规划教材:智能控制理论和方法(第2版)
出版时间:
2013-03
版次:
2
ISBN:
9787560629667
定价:
33.00
装帧:
平装
开本:
16开
纸张:
胶版纸
页数:
299页
字数:
455千字
正文语种:
简体中文
18人买过
-
《高等学校电子信息类规划教材:智能控制理论和方法(第2版)》系统地介绍了智能控制的基本概念、理论和重要算法,包括模糊控制、神经网络控制、遗传算法、蚁群算法、人工免疫算法、粒子群算法、agent技术,并介绍了这些算法的最新研究成果及其在智能控制中的应用,并配有大量的习题与思考题和参考文献。 第1章绪论1
1.1控制科学发展的历史回顾1
1.2智能控制的产生背景2
1.3智能控制的基本概念与研究内容3
1.3.1智能控制的基本概念3
1.3.2智能与智能控制的定义4
1.3.3智能控制的主要研究内容6
参考文献7
第2章智能控制系统的结构体系9
2.1智能控制系统的基本结构9
2.2智能控制系统的分类12
2.3递阶智能控制系统的结构和理论14
2.3.1递阶智能控制系统的结构14
2.3.2信息熵与IPDI原理15
2.3.3组织级的分析理论17
2.3.4协调级的分析理论18
2.3.5执行级的最优控制19
2.4智能控制系统的信息结构理论19
2.4.1N维信息理论20
2.4.2信息率划分定律23
2.4.3对递阶智能控制系统的信息流分析25
习题与思考题28
参考文献28
第3章基于模糊推理的智能控制系统30
3.1模糊控制系统的基本概念与发展历史30
3.2模糊集合与模糊推理31
3.2.1模糊集合31
3.2.2模糊集合的运算和MF的参数化34
3.2.3模糊关系与复合运算43
3.2.4模糊推理45
3.3模糊推理系统50
3.4模糊基函数57
3.5模糊建模59
3.5.1模糊模型59
3.5.2模糊模型的参数辨识60
3.5.3模糊模型的结构辨识65
3.6模糊逻辑控制器的结构与设计69
3.6.1模糊控制器的基本结构69
3.6.2模糊控制系统的设计问题71
3.6.3PID控制器的模糊增益调整76
3.7模糊控制系统的稳定性分析81
习题与思考题85
参考文献89
第4章基于神经元网络的智能控制系统92
4.1神经元网络与控制92
4.2神经元网络的基本原理和结构93
4.2.1神经元网络的基本单元93
4.2.2神经元网络的模型94
4.2.3神经元的连接方式97
4.3监督学习神经元网络98
4.3.1感知器和反传(BP)网络98
4.3.2小脑模型连接控制器(CMAC)网络105
4.3.3增强学习网络110
4.3.4组合网络(ModularNetwork)113
4.4无监督学习和反馈神经元网络116
4.4.1竞争学习和Kohonen自组织网络116
4.4.2Hopfield网络120
4.4.3双向联想存储器BAM124
4.4.4Boltzman机127
4.5基于神经元网络的智能控制129
4.5.1基于多神经元网络的复杂函数逼近130
4.5.2用神经元网络对复杂系统建模135
4.5.3用神经元网络进行的智能控制140
4.6神经元网络控制非线性动态系统的能控性与稳定性148
习题与思考题152
参考文献155
第5章遗传算法及其在智能控制中的应用157
5.1遗传算法的基本概念157
5.2简单遗传算法157
5.3遗传算法的基本数学问题161
5.4遗传算法应用中的一些基本问题163
5.4.1知识表示(编码)163
5.4.2适应度函数164
5.4.3GA的全局收敛性与最优性165
5.4.4遗传算法的早期收敛166
5.5高级遗传算法166
5.5.1改进的选择方法166
5.5.2高级GA运算167
5.6微种群和双种群遗传算法170
5.6.1微种群算法170
5.6.2双种群遗传算法171
5.7遗传算法的应用174
5.7.1GA在神经网络参数学习中的应用174
5.7.2GA在滑模控制系统设计中的应用176
5.8模糊规则与遗传算法在控制中的应用181
习题与思考题185
参考文献187
第6章模糊—神经元网络及其在智能控制中的应用188
6.1模糊系统与神经元网络集成的基本概念188
6.1.1模糊系统与神经元网络的一般比较188
6.1.2模糊系统与神经网络集成的理由189
6.2基于神经元网络的模糊系统190
6.2.1基于神经元网络的基本模糊逻辑运算190
6.2.2基于神经网络的模糊逻辑推理191
6.2.3神经网络驱动的模糊推理系统193
6.2.4基于神经网络的模糊建模196
6.3模糊神经网络204
6.3.1模糊神经元204
6.3.2神经网络模糊化206
6.4神经-模糊控制器212
6.4.1模糊自适应学习控制网络212
6.4.2神经-模糊控制器的参数学习218
6.4.3神经-模糊控制器的结构学习220
6.4.4具有增强学习的神经-模糊控制器223
6.5神经-模糊网络在智能控制中的应用229
6.5.1控制系统在线辨识229
6.5.2逆向运动学问题231
习题与思考题234
参考文献235
第7章蚁群算法及其在智能控制中的应用237
7.1引言237
7.2蚁群觅食奥秘237
7.2.1蚁群觅食237
7.2.2蚁群的信息系统及使用机制238
7.3基本人工蚁群算法239
7.3.1人工蚁群与真实蚁群239
7.3.2基本的人工蚁群算法原理240
7.3.3基本人工蚁群算法模型241
7.3.4蚁群算法的蚁密模型、蚁量模型和蚁周模型243
7.3.5蚁群算法的参数245
7.3.6用蚁群算法求解TSP问题仿真示例246
7.3.7基本蚁群算法的收敛性246
7.4改进的蚁群优化算法251
7.4.1带精英策略的蚁群算法251
7.4.2基于优化排序的蚁群算法251
7.4.3最大—最小蚁群算法252
7.5用蚁群算法求解JobShop问题255
7.5.1经典JobShop问题的描述255
7.5.2基于蚁群算法JobShop调度问题求解257
习题与思考题258
参考文献258
第8章人工免疫算法及其在智能控制中的应用260
8.1引言260
8.1.1自然免疫系统的组成260
8.1.2自然免疫系统的机理261
8.2人工免疫系统与基本免疫算法简介263
8.2.1人工免疫系统定义263
8.2.2基本的人工免疫算法263
8.3基于生发中心反应的全局优化算法267
8.3.1生发中心反应机理267
8.3.2基于生发中心的全局优化算法269
8.3.3GOAIA-GCR的收敛性证明273
8.4人工免疫网络算法(aiNet)275
8.4.1人工免疫网络简介275
8.4.2人工免疫网络算法在数据分析中的应用276
习题与思考题279
参考文献279
第9章粒子群算法及其在智能控制中的应用281
9.1引言281
9.2基本粒子群算法281
9.2.1基本粒子群算法的原理281
9.2.2基本粒子群算法282
9.2.3带惯性权重的粒子群算法283
9.2.4带收缩因子的粒子群算法284
9.3粒子群算法的分析284
9.3.1标准PSO算法分析284
9.3.2PSO算法在二维空间的收敛分析286
9.4几种改进的粒子群算法287
9.4.1离散粒子群优化算法287
9.4.2小生境粒子群优化算法289
9.5粒子群算法在智能控制中的应用290
9.5.1用PSO算法求解TSP的应用290
9.5.2在机器人控制领域的应用292
习题与思考题298
参考文献298
-
内容简介:
《高等学校电子信息类规划教材:智能控制理论和方法(第2版)》系统地介绍了智能控制的基本概念、理论和重要算法,包括模糊控制、神经网络控制、遗传算法、蚁群算法、人工免疫算法、粒子群算法、agent技术,并介绍了这些算法的最新研究成果及其在智能控制中的应用,并配有大量的习题与思考题和参考文献。
-
目录:
第1章绪论1
1.1控制科学发展的历史回顾1
1.2智能控制的产生背景2
1.3智能控制的基本概念与研究内容3
1.3.1智能控制的基本概念3
1.3.2智能与智能控制的定义4
1.3.3智能控制的主要研究内容6
参考文献7
第2章智能控制系统的结构体系9
2.1智能控制系统的基本结构9
2.2智能控制系统的分类12
2.3递阶智能控制系统的结构和理论14
2.3.1递阶智能控制系统的结构14
2.3.2信息熵与IPDI原理15
2.3.3组织级的分析理论17
2.3.4协调级的分析理论18
2.3.5执行级的最优控制19
2.4智能控制系统的信息结构理论19
2.4.1N维信息理论20
2.4.2信息率划分定律23
2.4.3对递阶智能控制系统的信息流分析25
习题与思考题28
参考文献28
第3章基于模糊推理的智能控制系统30
3.1模糊控制系统的基本概念与发展历史30
3.2模糊集合与模糊推理31
3.2.1模糊集合31
3.2.2模糊集合的运算和MF的参数化34
3.2.3模糊关系与复合运算43
3.2.4模糊推理45
3.3模糊推理系统50
3.4模糊基函数57
3.5模糊建模59
3.5.1模糊模型59
3.5.2模糊模型的参数辨识60
3.5.3模糊模型的结构辨识65
3.6模糊逻辑控制器的结构与设计69
3.6.1模糊控制器的基本结构69
3.6.2模糊控制系统的设计问题71
3.6.3PID控制器的模糊增益调整76
3.7模糊控制系统的稳定性分析81
习题与思考题85
参考文献89
第4章基于神经元网络的智能控制系统92
4.1神经元网络与控制92
4.2神经元网络的基本原理和结构93
4.2.1神经元网络的基本单元93
4.2.2神经元网络的模型94
4.2.3神经元的连接方式97
4.3监督学习神经元网络98
4.3.1感知器和反传(BP)网络98
4.3.2小脑模型连接控制器(CMAC)网络105
4.3.3增强学习网络110
4.3.4组合网络(ModularNetwork)113
4.4无监督学习和反馈神经元网络116
4.4.1竞争学习和Kohonen自组织网络116
4.4.2Hopfield网络120
4.4.3双向联想存储器BAM124
4.4.4Boltzman机127
4.5基于神经元网络的智能控制129
4.5.1基于多神经元网络的复杂函数逼近130
4.5.2用神经元网络对复杂系统建模135
4.5.3用神经元网络进行的智能控制140
4.6神经元网络控制非线性动态系统的能控性与稳定性148
习题与思考题152
参考文献155
第5章遗传算法及其在智能控制中的应用157
5.1遗传算法的基本概念157
5.2简单遗传算法157
5.3遗传算法的基本数学问题161
5.4遗传算法应用中的一些基本问题163
5.4.1知识表示(编码)163
5.4.2适应度函数164
5.4.3GA的全局收敛性与最优性165
5.4.4遗传算法的早期收敛166
5.5高级遗传算法166
5.5.1改进的选择方法166
5.5.2高级GA运算167
5.6微种群和双种群遗传算法170
5.6.1微种群算法170
5.6.2双种群遗传算法171
5.7遗传算法的应用174
5.7.1GA在神经网络参数学习中的应用174
5.7.2GA在滑模控制系统设计中的应用176
5.8模糊规则与遗传算法在控制中的应用181
习题与思考题185
参考文献187
第6章模糊—神经元网络及其在智能控制中的应用188
6.1模糊系统与神经元网络集成的基本概念188
6.1.1模糊系统与神经元网络的一般比较188
6.1.2模糊系统与神经网络集成的理由189
6.2基于神经元网络的模糊系统190
6.2.1基于神经元网络的基本模糊逻辑运算190
6.2.2基于神经网络的模糊逻辑推理191
6.2.3神经网络驱动的模糊推理系统193
6.2.4基于神经网络的模糊建模196
6.3模糊神经网络204
6.3.1模糊神经元204
6.3.2神经网络模糊化206
6.4神经-模糊控制器212
6.4.1模糊自适应学习控制网络212
6.4.2神经-模糊控制器的参数学习218
6.4.3神经-模糊控制器的结构学习220
6.4.4具有增强学习的神经-模糊控制器223
6.5神经-模糊网络在智能控制中的应用229
6.5.1控制系统在线辨识229
6.5.2逆向运动学问题231
习题与思考题234
参考文献235
第7章蚁群算法及其在智能控制中的应用237
7.1引言237
7.2蚁群觅食奥秘237
7.2.1蚁群觅食237
7.2.2蚁群的信息系统及使用机制238
7.3基本人工蚁群算法239
7.3.1人工蚁群与真实蚁群239
7.3.2基本的人工蚁群算法原理240
7.3.3基本人工蚁群算法模型241
7.3.4蚁群算法的蚁密模型、蚁量模型和蚁周模型243
7.3.5蚁群算法的参数245
7.3.6用蚁群算法求解TSP问题仿真示例246
7.3.7基本蚁群算法的收敛性246
7.4改进的蚁群优化算法251
7.4.1带精英策略的蚁群算法251
7.4.2基于优化排序的蚁群算法251
7.4.3最大—最小蚁群算法252
7.5用蚁群算法求解JobShop问题255
7.5.1经典JobShop问题的描述255
7.5.2基于蚁群算法JobShop调度问题求解257
习题与思考题258
参考文献258
第8章人工免疫算法及其在智能控制中的应用260
8.1引言260
8.1.1自然免疫系统的组成260
8.1.2自然免疫系统的机理261
8.2人工免疫系统与基本免疫算法简介263
8.2.1人工免疫系统定义263
8.2.2基本的人工免疫算法263
8.3基于生发中心反应的全局优化算法267
8.3.1生发中心反应机理267
8.3.2基于生发中心的全局优化算法269
8.3.3GOAIA-GCR的收敛性证明273
8.4人工免疫网络算法(aiNet)275
8.4.1人工免疫网络简介275
8.4.2人工免疫网络算法在数据分析中的应用276
习题与思考题279
参考文献279
第9章粒子群算法及其在智能控制中的应用281
9.1引言281
9.2基本粒子群算法281
9.2.1基本粒子群算法的原理281
9.2.2基本粒子群算法282
9.2.3带惯性权重的粒子群算法283
9.2.4带收缩因子的粒子群算法284
9.3粒子群算法的分析284
9.3.1标准PSO算法分析284
9.3.2PSO算法在二维空间的收敛分析286
9.4几种改进的粒子群算法287
9.4.1离散粒子群优化算法287
9.4.2小生境粒子群优化算法289
9.5粒子群算法在智能控制中的应用290
9.5.1用PSO算法求解TSP的应用290
9.5.2在机器人控制领域的应用292
习题与思考题298
参考文献298
查看详情
-
全新
北京市朝阳区
平均发货13小时
成功完成率78.52%
-
全新
广东省广州市
平均发货17小时
成功完成率90.57%
-
全新
北京市丰台区
平均发货9小时
成功完成率80.43%
-
全新
江苏省南京市
平均发货7小时
成功完成率94.68%
-
全新
北京市丰台区
平均发货28小时
成功完成率86.99%
-
全新
河南省开封市
平均发货18小时
成功完成率82.54%
-
全新
广东省广州市
平均发货23小时
成功完成率86.89%
-
全新
广东省广州市
平均发货15小时
成功完成率90.21%
-
全新
河南省开封市
平均发货18小时
成功完成率82.54%
-
全新
河南省开封市
平均发货18小时
成功完成率82.54%
-
全新
天津市河北区
平均发货26小时
成功完成率83.77%
-
全新
江苏省南京市
平均发货12小时
成功完成率84.33%
-
九五品
山东省济南市
平均发货15小时
成功完成率94.03%
-
全新
天津市西青区
平均发货14小时
成功完成率90.82%
-
全新
山东省潍坊市
平均发货16小时
成功完成率82.07%
-
全新
广东省广州市
平均发货17小时
成功完成率90.96%
-
全新
江苏省无锡市
平均发货10小时
成功完成率87.6%
-
全新
浙江省嘉兴市
平均发货7小时
成功完成率91.3%
-
八五品
河北省衡水市
平均发货9小时
成功完成率95.31%
-
全新
北京市通州区
平均发货9小时
成功完成率88.84%
-
全新
北京市朝阳区
平均发货13小时
成功完成率94.28%
-
全新
浙江省嘉兴市
平均发货9小时
成功完成率95.11%
-
全新
江苏省无锡市
平均发货8小时
成功完成率96.19%
-
全新
浙江省嘉兴市
平均发货12小时
成功完成率94.74%
-
全新
广东省广州市
平均发货7小时
成功完成率94.79%
-
全新
北京市朝阳区
平均发货9小时
成功完成率97.71%
-
全新
广东省广州市
平均发货7小时
成功完成率89.61%
-
全新
北京市西城区
平均发货12小时
成功完成率93.85%
-
全新
四川省成都市
平均发货21小时
成功完成率90.1%
-
全新
江苏省无锡市
平均发货9小时
成功完成率95.04%
-
全新
北京市西城区
平均发货17小时
成功完成率91.15%
-
九品
江苏省徐州市
平均发货4小时
成功完成率97.66%
-
九品
陕西省西安市
平均发货6小时
成功完成率97.73%
-
九五品
河南省商丘市
平均发货10小时
成功完成率93.26%
-
全新
广东省广州市
平均发货16小时
成功完成率88.47%
-
八品
陕西省西安市
平均发货8小时
成功完成率89.04%