中文摘要 | 第1-4页 |
英文摘要 | 第4-7页 |
第1章 前言 | 第7-12页 |
1.1 智能控制的基本概念 | 第7页 |
1.2 智能控制的研究对象 | 第7-8页 |
1.3 智能控制系统的主要功能特点 | 第8页 |
1.4 智能控制系统的类型 | 第8-10页 |
1.5 智能控制研究的数学工具 | 第10页 |
1.6 智能控制的展望 | 第10-11页 |
1.7 本文的主要内容 | 第11-12页 |
第2章 遗传算法 | 第12-24页 |
2.1 遗传算法的基本原理及操作步骤 | 第12-14页 |
2.2 遗传算法的模式理论 | 第14-16页 |
2.3 遗传算法基于模式的搜索效率分析 | 第16-18页 |
2.4 标准遗传算法的缺陷及其改进 | 第18-19页 |
2.5 遗传算法的应用示例 | 第19-22页 |
2.6 遗传算法的特点 | 第22-24页 |
第3章 模糊控制的基本原理 | 第24-36页 |
3.1 模糊控制原理 | 第24-25页 |
3.2 模糊控制器的组成 | 第25-28页 |
3.3 基本模糊控制器的设计 | 第28页 |
3.4 模糊系统的Takagi-Sugeno模型的稳定性分析及控制器设计 | 第28-32页 |
3.4.1 模糊系统的Takagi-Sugeno模糊逻辑模型 | 第28-29页 |
3.4.2 T-S模糊模型的稳定性分析 | 第29-31页 |
3.4.3 基于T-S模型的模糊控制器的设计 | 第31-32页 |
3.5 基于遗传算法寻优的模糊控制器 | 第32-34页 |
3.6 模糊控制的特点 | 第34页 |
3.7 模糊控制的不足 | 第34-36页 |
第4章 小脑模型神经网络控制器 | 第36-51页 |
4.1 神经网络理论基础 | 第36-37页 |
4.2 神经网络控制概述 | 第37-40页 |
4.2.1 基于神经网络的智能控制方法 | 第38-39页 |
4.2.2 神经网络控制取得的进展 | 第39-40页 |
4.2.3 神经网络控制待解决的问题 | 第40页 |
4.3 小脑模型神经网络控制器(CMAC) | 第40-44页 |
4.3.1 CMAC的结构及工作原理 | 第40-42页 |
4.3.2 CMAC的学习算法 | 第42-43页 |
4.3.3 CMAC的控制结构 | 第43-44页 |
4.4 模糊小脑模型神经网络控制器(FCMAC) | 第44-51页 |
4.4.1 FCMAC的原理和结构 | 第44-46页 |
4.4.2 FCMAC的实时自学习 | 第46-48页 |
4.4.3 FCMAC的应用举例 | 第48-50页 |
4.4.4 FCMAC的特点 | 第50-51页 |
第5章 基于软计算的智能控制算法在倒摆控制中的应用 | 第51-60页 |
5.1 FCMAC在倒单摆控制中的应用 | 第51-52页 |
5.1.1 倒单摆的数学模型 | 第51-52页 |
5.1.2 倒单摆的FCMAC控制结果 | 第52页 |
5.2 二级倒立摆的GA-FUZZY控制 | 第52-56页 |
5.2.1 二级倒立摆系统 | 第52-53页 |
5.2.2 二级倒立摆系统的GA-FUZZY控制 | 第53-56页 |
5.3 GA-FCMAC在一级倒立摆中的应用 | 第56-60页 |
5.3.1 一级倒立摆的数学模型 | 第56-57页 |
5.3.2 一级倒立摆的GA-FCMAC控制过程及结果 | 第57-59页 |
5.3.3 GA-FCMAC控制器小结 | 第59-60页 |
第6章 基于软计算的智能控制在船舶运动控制中的应用 | 第60-81页 |
6.1 船舶运动控制系统原理 | 第60-61页 |
6.2 面向船舶运动仿真的数学模型 | 第61-71页 |
6.2.1 船舶运动动态方程 | 第61-64页 |
6.2.2 船舶运动的干扰力数学模型 | 第64-69页 |
6.2.3 船舶舵机模型 | 第69-70页 |
6.2.4 用于仿真的船舶运动数学模型 | 第70-71页 |
6.3 仿真研究 | 第71-81页 |
6.3.1 船舶航向的FCMAC控制仿真 | 第71-76页 |
6.3.2 船舶航向的GA-FCMAC控制仿真 | 第76-81页 |
第7章 结论 | 第81-83页 |
攻读学位期间公开发表的论文 | 第83-84页 |
致谢 | 第84-85页 |
参考文献 | 第85-88页 |
附录 | 第88页 |