智能控制理論與技術(第2版)(中文版)（簡體書）

《智能控制理論與技術(第2版)(中文版)》系統地介紹了模糊控制、神經網絡控制、專家控制、學習控制、分層遞階控制及智能優化方法等內容，每部分既自成體系，又互相聯系，它們共同構成了智能控制理論和技術的主要內容。《智能控制理論與技術(第2版)(中文版)》取材新穎，內容豐富，彌補了當前智能控制缺乏系統性資料的不足。《智能控制理論與技術(第2版)(中文版)》可作為信息、自動化及計算機應用等專業的本科生及研究生的教材及參考書，也可供有關教師和科技工作者學習參考。

孫增圻，1966年畢業于清華大學自動控制系，1981年在瑞典獲博士學位。自1966年起一直在清華大學工作，清華大學計算機系教授，博士生導師。現任中國自動化學會智能自動化專業委員會主任，《中國科學：信息科學》副主編，《智能系統學報》編委會副主任，《機器人》、《系統仿真學報》、《空間控制技術與應用》、《International Journal of Control,Automation and Systems》及《International Journal of Intelligent Computing and Cybernetics》編委。歷任計算機系副主任(1995-2001年)，計算機系學位委員會主席（1995-2003年)，863計劃航天領域遙科學及空間機器人專家組成員（1993-1997年)、組長（1997-2001年)，中國人工智能學會副理事長（2001-2010年)，中國自動化學會常務理事（2003-2008年)、中國自動化學會機器人競賽工作委員會主任（2001-2011年)，IEEE控制系統學會北京分會副主席（1997-2005年)，《自動化學報》編委（1999 - 2005年)，《控制理論與應用》編委（1998-2008年)。
長期從事智能控制及機器人方面的教學和研究工作。在智能控制、機器人、模糊系統和神經網絡、計算機控制理論及應用等方面有較深入的研究。10余項科研成果獲得教育部或北京市科技進步獎。
出版的著作有《控制系統的計算機輔助設計》、《計算機控制理論及應用》、《機器人智能控制》、 《系統分析與控制》、《智能控制理論與技術》等，在國內外刊物及國際會議共發表論文300余篇。

《智能控制理論與技術(第2版)(中文版)》是“十二五”國家重點圖書。

第1章 緒論
1.1 智能控制的基本概念
1.1.1 智能控制的研究對象
1.1.2 智能控制系統
1.1.3 智能控制系統的基本結構
1.1.4 智能控制系統的主要功能特點
1.1.5 智能控制研究的數學工具
1.2 智能控制的發展概況
1.3 智能控制理論

第2章 模糊邏輯控制
2.1 概述
2.1.1 模糊控制與智能控制
2.1.2 模糊集合與模糊數學的概念
2.1.3 模糊控制的發展和應用概況
2.2 模糊集合及其運算
2.2.1 模糊集合的定義及表示方法
2.2.2 模糊集合的基本運算
2.2.3 模糊集合運算的基本性質
2.2.4 模糊集合的其他類型運算
2.3 模糊關系
2.3.1 模糊關系的定義及表示
2.3.2 模糊關系的合成
2.4 模糊邏輯與近似推理
2.4.1 語言變量
2.4.2 模糊蘊含關系
2.4.3 近似推理
2.4.4 句子連接關系的邏輯運算
2.5 基于規則庫的模糊推理
2.5.1 mimo模糊規則庫的化簡
2.5.2 模糊推理的一般步驟
2.5.3 論域為離散時模糊推理計算舉例
2.5.4 模糊推理的性質
2.5.5 模糊控制中常見的兩種模糊推理模型
2.6 基于mamdani模型的模糊控制
2.6.1 模糊控制器的基本結構和組成
2.6.2 模糊控制的離線計算
2.6.3 模糊控制的在線計算
2.6.4 模糊控制系統的分析和設計
2.7 基于t-s模型的模糊控制
2.7.1 t-s模糊模型的表示
2.7.2 t-s模糊模型的建模
2.7.3 基于模糊狀態方程模型的系統穩定性分析
2.7.4 基于模糊狀態方程模型的平滑控制器設計
2.7.5 基于模糊狀態方程模型的切換控制器設計
2.8 自適應模糊控制
2.8.1 基于性能反饋的直接自適應模糊控制
2.8.2 基于模糊模型求逆的間接自適應模糊控制

第3章 神經網絡控制
3.1 概述
3.1.1 神經元模型
3.1.2 人工神經網絡
3.1.3 生物神經網絡系統與計算機處理信息的比較
3.1.4 神經網絡的發展概況
3.2 前饋神經網絡
3.2.1 感知器網絡
3.2.2 bp網絡
3.2.3 bp網絡學習算法的改進
3.2.4 神經網絡的訓練
3.3 反饋神經網絡
3.3.1 離散hopfield網絡
3.3.2 連續hopfield網絡
3.3.3 boltzmann機
3.4 局部逼近神經網絡
3.4.1 cmac神經網絡
3.4.2 b樣條神經網絡
3.4.3 徑向基函數神經網絡
3.5 模糊神經網絡
3.5.1 基于mamdani模型的模糊神經網絡
3.5.2 基于t-s模型的模糊神經網絡
3.6 遞歸神經網絡
3.6.1 引言
3.6.2 elman網絡
3.6.3 esn網絡
3.6.4 shesn網絡
3.7 基于神經網絡的系統建模與辨識
3.7.1 概述
3.7.2 逼近理論與網絡建模
3.7.3 利用多層靜態網絡的系統辨識
3.7.4 利用動態網絡的系統辨識
3.7.5 利用模糊神經網絡的系統辨識
3.8 神經網絡控制
3.8.1 概述
3.8.2 神經網絡控制結構
3.8.3 基于全局逼近神經網絡的控制
3.8.4 基于局部逼近神經網絡的控制
3.8.5 模糊神經網絡控制
3.8.6 有待解決的問題
3.9 神經網絡在機器人控制中的應用
3.9.1 神經網絡運動學控制
3.9.2 神經網絡動力學控制
3.9.3 神經網絡路徑規劃

第4章 專家控制
4.1 概述
4.1.1 專家控制的由來
4.1.2 專家系統
4.1.3 專家控制的研究狀況和分類
4.2 專家控制的基本原理
4.2.1 專家控制的功能目標
4.2.2 控制作用的實現
4.2.3 設計規范和運行機制
4.3 專家控制系統的典型結構
4.3.1 系統結構
4.3.2 系統實現
4.4 專家控制的示例
4.4.1 自動調整過程
4.4.2 自動調整過程的實現
4.5 專家控制技術的研究課題
4.5.1 實時推理
4.5.2 知識獲取
4.5.3 專家控制系統的穩定性分析
4.6 一種仿人智能控制
4.6.1 概念和定義
4.6.2 原理和結構
4.6.3 仿人智能控制的特點

第5章 學習控制
5.1 概述
5.1.1 學習控制問題的提出
5.1.2 學習控制的表述
5.1.3 學習控制與自適應控制
5.1.4 學習控制的研究狀況和分類
5.2 基于模式識別的學習控制
5.2.1 學習控制系統的一般形式
5.2.2 模式分類
5.2.3 可訓t練控制器
5.2.4 線性再勵學習控制
5.2.5 bayes學習控制
5.2.6 基于模式識別的其他學習控制方法
5.2.7 研究課題
5.3 基于迭代和重復的學習控制
5.3.1 迭代和重復自學習控制的基本原理
5.3.2 異步自學習控制
5.3.3 異步自學習控制時域法
5.3.4 異步自學習控制頻域法
5.4 聯結主義學習控制
5.4.1 基本思想
5.4.2 聯結主義學習系統的實現原理
5.4.3 聯結主義學習控制系統的結構
5.4.4 研究課題

第6章 分層遞階智能控制
6.1 一般結構原理
6.2 組織級
6.3 協調級
6.3.1 協調級的原理結構
6.3.2 petri網轉換器
6.3.3 協調級的petri網結構
6.3.4 協調級結構的決策和學習
6.4 執行級

第7章 智能優化方法
7.1 概述
7.2 遺傳算法
7.2.1 引言
7.2.2 遺傳算法的工作原理及操作步驟
7.2.3 遺傳算法的實現及改進
7.2.4 遺傳算法應用舉例
7.2.5 遺傳算法中的聯結關系
7.3 粒子群優化算法
7.3.1 引言
7.3.2 粒子群優化算法簡介
7.3.3 粒子群優化算法應用舉例
7.4 蟻群優化算法
7.4.1 引言
7.4.2 蟻群優化算法簡介
7.4.3 蟻群優化算法應用舉例
7.5 人工免疫算法
7.5.1 引言
7.5.2 人工免疫系統（ais）
7.6 分布估計算法
7.6.1 引言
7.6.2 一個簡單的分布估計算法
7.6.3 基于不同概率圖模型的分布估計算法
7.6.4 基于聯結關系檢測的分布估計算法
7.6.5 連續域的分布估計算法
7.6.6 基于概率模型的其他相關算法
7.6.7 分布估計算法進一步需要研究的問題
參考文獻

奧斯特洛姆所提出的專家控制將人工智能中的專家系統技術與傳統的控制方法相結合，并吸取了這兩者的長處，在實際中取得了明顯的效果。事實上，自那以後已經有很多采用這種方法在實際中成功應用的報道。雖然，專家控制在理論上并沒有新的發展和突破，但是，它作為智能控制的一種形式，在實際中有著很廣闊的應用前景。
近年來，神經網絡的研究得到了越來越多的關注和重視。它在控制中的應用也是其中的一個主要方面，由于神經網絡在許多方面試圖模擬人腦的功能，因此神經網絡控制并不依賴于精確的數學模型，而顯示出具有自適應和自學習的功能，因此它也是智能控制的一種典型形式。目前利用神經網絡組成自適應控制以及它在機器人中的應用研究方面均取得了很多成果，顯示出了廣闊的應用前景。
模糊控制是又一類智能控制的形式。現代計算機雖然有著極高的計算速度和極大的存儲能力，但卻不能完成一些人看起來十分簡單的任務。一個很重要的原因是人具有模糊決策和推理的功能，模糊控制正是試圖模仿人的這種功能。1965年，L.A.扎德（Zadeh）首先提出了模糊集理論，為模糊控制奠定了基礎。在其後的發展中已有很多模糊控制在實際中獲得成功應用的例子。
在我國，重慶大學周其鑒等人從20世紀80年代初便開始仿人智能控制的研究，他們也為智能控制的發展做出了貢獻。
目前智能控制主要包括模糊控制、神經網絡控制、分層遞階智能控制、專家控制及學習控制等內容，其中尤以用計算智能方法與控制的結合為研究的熱點。計算智能主要是指模糊系統、神經網絡及進化計算等智能方法。人工神經網絡從結構上模仿生物神經系統，因此它是最低層的仿人智能。模糊系統則從功能上模仿人的定性和模糊的推理和決策過程，因此它是較高層次的仿人智能。進化計算則模仿了生物的進化行為。
計算智能是主要基于數據和計算而非主要基于經驗和推理的智能方法。因此，模糊控制和神經網絡控制將是今後最經常采用和最重要的智能控制方法。
基于各種智能方法的智能控制具有各自的特點和應用場合，然而，融合各種智能方法而盡可能發揮各自的優勢，將是今後智能控制的一個重要發展方向。例如，模糊系統與神經網絡的結合可組成比單獨的神經網絡或單獨的模糊系統性能更好的智能系統。