| 0 前言 | 第1-9页 |
| 1 智能控制简介 | 第9-16页 |
| 1．1 控制科学发展的历史回顾 | 第9-10页 |
| 1．2 智能控制的产生背景 | 第10-11页 |
| 1．3 智能控制的基本概念与研究内容 | 第11-14页 |
| 1．3．1 智能控制的基本概念 | 第11-12页 |
| 1．3．2 智能和智能控制的定义 | 第12-13页 |
| 1．3．3 智能控制研究的主要内容 | 第13-14页 |
| 1．4 智能控制系统分类 | 第14-16页 |
| 2 神经网络基础 | 第16-28页 |
| 2．1 神经网络的发展历程 | 第16-18页 |
| 2．2 典型的神经元模型 | 第18-19页 |
| 2．3 典型的神经网络模型 | 第19-26页 |
| 2．3．1 前馈神经网络 | 第19-20页 |
| 2．3．2 RBF神经网络 | 第20-21页 |
| 2．3．3 递归神经网络 | 第21-24页 |
| 2．3．4 随机神经网络 | 第24-26页 |
| 2．4 神经网络与自动控制 | 第26-28页 |
| 3 前馈神经网络的训练算法 | 第28-48页 |
| 3．1 训练前馈神经网络的BP算法 | 第28-30页 |
| 3．2 训练前馈神经网络的GEKF算法 | 第30-33页 |
| 3．2．1 GEKF算法 | 第30-32页 |
| 3．2．2 前馈神经网络训练 | 第32-33页 |
| 3．3 训练前馈神经网络的DEKF算法 | 第33-36页 |
| 3．3．1 DEKF算法 | 第34-35页 |
| 3．3．2 有效的计算公式 | 第35-36页 |
| 3．4 训练前馈神经网络的MEKA算法 | 第36-40页 |
| 3．4．1 全局方法 | 第36-37页 |
| 3．4．2 局部方法 | 第37-39页 |
| 3．4．3 MEKA算法 | 第39-40页 |
| 3．5 训练前馈神经网络的局部线性化最小二乘算法 | 第40-48页 |
| 3．5．1 局部线性化最小二乘算法 | 第41-43页 |
| 3．5．2 局部线性化最小二乘算法的应用仿真 | 第43-47页 |
| 3．5．3 结论 | 第47-48页 |
| 4 基于神经网络的系统建模与控制 | 第48-72页 |
| 4．1 基于神经网络的系统建模 | 第48-54页 |
| 4．1．1 正向建模 | 第49-50页 |
| 4．1．2 逆向建模 | 第50-54页 |
| 4．2 神经网络控制 | 第54-72页 |
| 4．2．1 神经网络模型参考自适应控制 | 第57-62页 |
| 4．2．2 神经网络自校正控制 | 第62-66页 |
| 4．2．3 神经网络监督学习控制 | 第66-67页 |
| 4．2．4 神经网络预测控制 | 第67-68页 |
| 4．2．5 神经网络直接逆动态控制 | 第68-69页 |
| 4．2．6 神经网络内模控制 | 第69-70页 |
| 4．2．7 当前神经网络控制的研究课题 | 第70-72页 |
| 5 基于前馈神经网络的非线性系统自适应控制 | 第72-85页 |
| 5．1 非线性系统鲁棒无模型学习自适应控制理论 | 第72-76页 |
| 5．1．1 无模型学习自适应控制 | 第72-75页 |
| 5．1．2 性能分析 | 第75-76页 |
| 5．2 基于前馈神经网络的非线性系统自适应控制 | 第76-79页 |
| 5．2．1 非线性系统无模型自适应控制 | 第76页 |
| 5．2．2 基于前馈神经网络的非线性系统自适应控制律的实现 | 第76-79页 |
| 5．3 仿真试验 | 第79-85页 |
| 5．3．1 非线性系统 | 第79-80页 |
| 5．3．2 控制仿真 | 第80-85页 |
| 6 结论与展望 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 致谢 | 第89页 |