智能控制基礎與應用

第1章 智能控制基本概念（1)
1.1 傳統(tǒng)控制面臨的挑戰(zhàn)（1)
1.2 智能控制的提出（1)
1.3 智能控制的基本概念與發(fā)展概況（2)
1.3.1 智能控制的概念（2)
1.3.2 智能控制發(fā)展概況（3)
1.4 智能控制系統(tǒng)的分類（4)
第2章 模糊控制（5)
2.1 模糊理論（5)
2.1.1 模糊集合及其運算（5)
2.1.2 模糊推理（8)
2.1.3 模糊化與解模糊化（8)
2.2 模糊控制的基本原理（9)
2.3 模糊控制系統(tǒng)的組成（10)
2.4 模糊控制系統(tǒng)的結構與設計原則（12)
2.4.1 模糊控制系統(tǒng)的結構（12)
2.4.2 模糊控制系統(tǒng)的設計原則（12)
2.5 模糊控制系統(tǒng)的設計方法（14)
2.5.1 查表法（14)
2.5.2 梯度下降法（15)
2.6 MATLAB模糊邏輯工具箱簡介（15)
第3章 神經(jīng)網(wǎng)絡（18)
3.1神經(jīng)網(wǎng)絡理論基礎（18)
3.1.1 人工神經(jīng)網(wǎng)絡的定義（18)
3.1.2 神經(jīng)元的數(shù)學模型（18)
3.2 神經(jīng)網(wǎng)絡學習算法（20)
3.2.1 Hebb學習規(guī)則（20)
3.2.2 Delta（δ）學習規(guī)則（21)
3.2.3 BP網(wǎng)絡學習算法（21)
3.2.4 RBF網(wǎng)絡的學習算法（26)
3.2.5 Hopfield神經(jīng)網(wǎng)絡（27)
3.3 神經(jīng)網(wǎng)絡控制（28)
第4章 群智能算法（30)
4.1 遺傳算法基本原理（31)
4.1.1 遺傳算法的發(fā)展（31)
4.1.2 遺傳算法的特點（32)
4.1.3 遺傳算法的基本概念（32)
4.1.4 遺傳算法的基本操作（33)
4.1.5 遺傳算法的流程（37)
4.2 蟻群算法的基本原理（38)
4.2.1 蟻群算法的基本概念（38)
4.2.2 蟻群算法研究現(xiàn)狀（41)
4.2.3 蟻群算法的應用（43)
4.3 粒子群算法（44)
4.3.1 粒子群優(yōu)化算法的基本原理（44)
4.3.2 粒子群優(yōu)化算法研究現(xiàn)狀（48)
4.3.3 粒子群算法的應用（50)
4.4 免疫算法（51)
4.4.1 生物免疫系統(tǒng)結構及相關機理（52)
4.4.2 人工免疫系統(tǒng)的研究現(xiàn)狀（52)
4.5 差分進化算法（55)
4.5.1 差分進化算法的基本原理（56)
4.5.2 差分進化算法的參數(shù)設置（57)
第5章 模糊控制應用（59)
5.1 模糊控制與PID控制的結合（59)
5.2 船舶航向模糊控制器設計（60)
5.2.1 船舶航向控制原理（60)
5.2.2 船舶航向控制數(shù)學模型（61)
5.2.3 船舶航向模糊控制器的結構設計（62)
5.2.4 船舶航向模糊控制器設計（62)
5.2.5 模糊PID控制器設計（66)
5.2.6 仿真分析（69)
5.3 洞庫溫濕度模糊控制器設計（72)
5.3.1 洞庫溫濕度控制系統(tǒng)模型（72)
5.3.2 洞庫溫濕度控制系統(tǒng)架構（74)
5.3.3 應用于洞庫溫濕度控制的模糊控制器設計（74)
5.3.4 洞庫溫濕度模糊PID控制器設計（76)
5.3.5 洞庫溫濕度系統(tǒng)PID控制仿真（78)
5.3.6 洞庫溫濕度系統(tǒng)模糊控制仿真（79)
5.3.7 洞庫溫濕度系統(tǒng)模糊PID控制仿真（80)
5.3.8 溫濕度解耦效果分析（82)
5.4 舵鰭聯(lián)合減搖系統(tǒng)模糊PID控制（86)
5.4.1 舵鰭聯(lián)合減搖系統(tǒng)的控制策略分析（86)
5.4.2 舵鰭聯(lián)合減搖系統(tǒng)控制方案（87)
5.4.3 模糊PID控制器設計（87)
5.4.4 仿真分析（91)
第6章 神經(jīng)網(wǎng)絡控制應用（95)
6.1 基于神經(jīng)網(wǎng)絡的船舶航向控制器設計（95)
6.1.1 神經(jīng)網(wǎng)絡自適應PID算法（95)
6.1.2 傳統(tǒng)PID自動舵的仿真實驗（97)
6.1.3 神經(jīng)網(wǎng)絡自適應PID自動舵的仿真（101)
6.2 MATLAB神經(jīng)網(wǎng)絡工具箱及其仿真（108)
6.2.1 MATLAB神經(jīng)網(wǎng)絡工具箱圖形用戶界面（108)
6.2.2 基于Simulink的神經(jīng)網(wǎng)絡模塊工具（109)
第7章 智能算法控制應用（112)
7.1 基于粒子群優(yōu)化算法的離散PID控制器參數(shù)優(yōu)化（112)
7.1.1 優(yōu)化問題目標函數(shù)的選?。?12)
7.1.2 仿真優(yōu)化設計過程（113)
7.1.3 仿真分析（115)
7.2 基于粒子群算法的無人船路徑規(guī)劃（118)
7.2.1 無人船路徑規(guī)劃的基本概念（118)
7.2.2 環(huán)境建模（119)
7.2.3 模型建立（121)
7.2.4 仿真實驗（121)
7.3 基于蟻群算法的無人水下航行器路徑規(guī)劃（126)
7.3.1 蟻群算法的路徑規(guī)劃設計（126)
7.3.2 仿真結果（129)
7.4 免疫控制（132)
7.4.1 免疫控制的系統(tǒng)結構（132)
7.4.2 免疫控制的自然計算體系和系統(tǒng)計算框圖（134)
7.5 基于蟻群算法的PID控制器參數(shù)整定及仿真（135)
7.5.1 基于ACO的PID控制器參數(shù)整定（135)
7.5.2 仿真結果及分析（137)
第8章 綜合智能算法在電力參數(shù)分析中的應用（139)
8.1 船舶電力系統(tǒng)電力信號模型與電力參數(shù)分析方法（139)
8.1.1 采用遺傳算法的電力參數(shù)分析方法（139)
8.1.2 采用Adaline神經(jīng)網(wǎng)絡的電力參數(shù)分析方法（141)
8.1.3 采用Prony算法的電力參數(shù)分析方法（143)
8.2 基于遺傳神經(jīng)網(wǎng)絡的船舶電力信號參數(shù)分析方法（144)
8.2.1 采用數(shù)字微分結合遺傳算法的信號參數(shù)粗略估計（145)
8.2.2 基于改進神經(jīng)網(wǎng)絡的電力信號參數(shù) 分析（146)
8.2.3 仿真算例與分析（148)
8.2.4 小結（150)
8.3 采用改進Prony算法的船舶電力信號參數(shù)分析方法（151)
8.3.1 采用差分算法的電力信號預處理（151)
8.3.2 改進Prony算法的船舶電力系統(tǒng)電力參數(shù)分析（153)
8.3.3 仿真算例與分析（155)
8.3.4 小結（159)
8.4 本章小結（160)
參考文獻（161)