| 词条 | 智能控制 |
| 释义 | § 简介 自1971年傅京孙教授提出“智能控制”概念以来，智能控制已经从二元论（人工智能和控制论）发展到四元论（人工智能、模糊集理论、运筹学和控制论），在取得丰硕研究和应用成果的同时，智能控制理论也得到不断的发展和完善。智能控制是多学科交叉的学科，它的发展得益于人工智能、认知科学、模糊集理论和生物控制论等许多学科的发展，同时也促进了相关学科的发展。智能控制也是发展较快的新兴学科，尽管其理论体系还远没有经典控制理论那样成熟和完善，但智能控制理论和应用研究所取得的成果显示出其旺盛的生命力，受到相关研究和工程技术人员的关注。随着科学技术的发展，智能控制的应用领域将不断拓展，理论和技术也必将得到不断的发展和完善。 § 基本概念 智能控制：intelligent controls， 在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。 智能控制的定义一： 智能控制是由智能机器自主地实现其目标的过程.而智能机器则定义为，在结构化或非结构化的，熟悉的或陌生的环境中，自主地或与人交互地执行人类规定的任务的一种机器. 定义二： K.J.奥斯托罗姆则认为，把人类具有的直觉推理和试凑法等智能加以形式化或机器模拟，并用于控制系统的分析与设计中，以期在一定程度上实现控制系统的智能化，这就是智能控制.他还认为自调节控制，自适应控制就是智能控制的低级体现. 定义三： 智能控制是一类无需人的干预就能够自主地驱动智能机器实现其目标的自动控制，也是用计算机模拟人类智能的一个重要领域. 定义四： 智能控制实际只是研究与模拟人类智能活动及其控制与信息传递过程的规律，研制具有仿人智能的工程控制与信息处理系统的一个新兴分支学科。 智能控制的核心在高层控制，即组织控制。高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析智能控制键盘，而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。随着人工智能和计算机技术的发展，已经有可能把自动控制和人工智能以及系统科学中一些有关学科分支（如系统 工程、系统学、运筹学、信息论）结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制正是在这种条件下产生的。它是自动控制技术的最新发展阶段，也是用计算机模拟人类智能进行控制的研究领域。1965年，傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。1985年，在美国首次召开了智能控制学术讨论会。1987年又在美国召开了智能控制的首届国际学术会议，标志着智能控制作为一个新的学科分支得到承认。智能控制具有交叉学科和定量与定性相结合的分析方法和特点。 § 发展历史 自1932年奈魁斯特（H.Nyquist）的有关反馈放大器稳定性论文发表以来，控制理论的发展已走过了60多年的历程。一般认为，前30年是经典控制理论的发展和成熟阶段，后30年是现代控制理论的形成和发展阶段。随着研究的对象和系统越来越复杂，借助于数学模型描述和分析的传统控制理论已难以解决复杂系统的控制问题。智能控制是针对控制对象及其环境、目标和任务的不确定性和复杂性而产生和发展起来的。 从20世纪60年代起，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将人工智能技术应用于控制系统。 1965年，美籍华裔科学家傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统，1966年，Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术，并提出了“人工智能控制”的概念。0967年，Leondes和Mendel首先正式使用“智能控制”一词。 20世纪70年代初，傅京孙、Glofis0和Saridis等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系，提出了智能控制就是人工智能技术与控制理论的交叉的思想，并创立了人机交互式分级递阶智能控制的系统结构。 20世纪70年代中期，以模糊集合论为基础，智能控制在规则控制研究上取得了重要进展。1974年，Mamdani提出了基于模糊语言描述控制规则的模糊控制器，将模糊集和模糊语言逻辑用于工业过程控制，之后又成功地研制出自组织模糊控制器，使得模糊控制器的智能化水平有了较大提高。模糊控制的形成和发展，以及与人工智能的相互渗透，对智能控制理论的形成起了十分重要的推动作用。 20世纪80年代，专家系统技术的逐渐成熟及计算机技术的迅速发展，使得智能控制和决策的研究也取得了较大进展。1986年，K.J.Astrom发表的著名论文《专家控制》中，将人工智能中的专家系统技术引入控制系统，组成了另一种类型的智能控制系统——专家控制。目前，专家控制方法已有许多成功应用的实例。 § 特点 一个系统如果具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力,即称为智能控制系统. 智能控制技术是在向人脑学习的过程中不断发展起来的,人脑是一个超级智能控制系统,具有实时推理、决策、学习和记忆等功能,能适应各种复杂的控制环境。 智能控制与传统的或常规的控制有密切的关系,不是相互排斥的. 常规控制往往包含在智能控制之中,智能控制也利用常规控制的方法来解决“低级”的控制问题,力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题. 智能家居报警系统 1. 传统的自动控制是建立在确定的模型基础上的,而智能控制的研究对象则存在模型严重的不确定性,即模型未知或知之甚少者模型的结构和参数在很大的范围内变动,比如工业过程的病态结构问题、某些干扰的无法预测,致使无法建立其模型,这些问题对基于模型的传统自动控制来说很难解决. 2. 传统的自动控制系统的输入或输出设备与人及外界环境的信息交换很不方便,希望制造出能接受印刷体、图形甚至手写体和口头命令等形式的信息输入装置,能够更加深入而灵活地和系统进行信息交流,同时还要扩大输出装置的能力,能够用文字、图纸、立体形象、语言等形式输出信息. 另外,通常的自动装置不能接受、分析和感知各种看得见、听得着的形象、声音的组合以及外界其它的情况. 为扩大信息通道,就必须给自动装置安上能够以机械方式模拟各种感觉的精确的送音器,即文字、声音、物体识别装置. 可喜的是,近几年计算机及多媒体技术的迅速发展,为智能控制在这一方面的发展提供了物质上的准备,使智能控制变成了多方位“立体”的控制系统. 3. 传统的自动控制系统对控制任务的要求要么使输出量为定值(调节系统) ,要么使输出量跟随期望的运动轨迹(跟随系统) ,因此具有控制任务单一性的特点,而智能控制系统的控制任务可比较复杂,例如在智能机器人系统中,它要求系统对一个复杂的任务具有自动规划和决策的能力,有自动躲避障碍物运动到某一预期目标位置的能力等. 对于这些具有复杂的任务要求的系统,采用智能控制的方式便可以满足. 4. 传统的控制理论对线性问题有较成熟的理论,而对高度非线性的控制对象虽然有一些非线性方法可以利用,但不尽人意. 而智能控制为解决这类复杂的非线性问题找到了一个出路,成为解决这类问题行之有效的途径. 工业过程智能控制系统除具有上述几个特点外,又有另外一些特点,如被控对象往往是动态的,而且控制系统在线运动,一般要求有较高的实时响应速度等,恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别,决定了它的控制方法以及形式的独特之处. 5. 与传统自动控制系统相比,智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。 智能控制电动衬氟蝶阀 6. 与传统自动控制系统相比,智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程,采用开闭环控制和定性及定量控制结合的多模态控制方式. 7. 与传统自动控制系统相比,智能控制系统具有变结构特点,能总体自寻优,具有自适应、自组织、自学习和自协调能力. 8. 与传统自动控制系统相比,智能控制系统有补偿及自修复能力和判断决策能力. 总之,智能控制系统通过智能机自动地完成其目标的控制过程,其智能机可以在熟悉或不熟悉的环境中自动地或人─机交互地完成拟人任务。 § 主要技术方法 智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础,扩展了相关的理论和技术,其中应用较多的有模糊逻辑、神经网络、专家系统、遗传算法等理论和自适应控制、自组织控制、自学习控制等技术。 专家系统 专家系统是利用专家知识对专门的或困难的问题进行描述. 用专家系统所构成的专家控制,无论是专家控制系统还是专家控制器,其相对工程费用较高,而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题. 尽管专家系统在解决复杂的高级推理中获得较为成功的应用,但是专家控制的实际应用相对还是比较少。 模糊逻辑 模糊逻辑用模糊语言描述系统,既可以描述应用系统的定量模型也可以描述其定性模型. 模糊逻辑可适用于任意复杂的对象控制. 但在实际应用中模糊逻辑实现简单的应用控制比较容易. 简单控制是指单输入单输出系统(SISO) 或多输入单输出系统(MISO) 的控制. 因为随着输入输出变量的增加,模糊逻辑的推理将变得非常复杂。 遗传算法 遗传算法作为一种非确定的拟自然随机优化工具,具有并行计算、快速寻找全局最优解等特点,它可以和其他技术混合使用,用于智能控制的参数、结构或环境的最优控制。 神经网络 神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法. 它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等. 这些特性是人们长期追求和期望的系统特性. 它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力. 神经网络可以和模糊逻辑一样适用于任意复杂对象的控制,但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制. 在模糊逻辑表示的SIMO 系统和MIMO 系统中,其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用. 两者既有相同性又有不同性. 其相同性为：两者都可作为万能逼近器解决非线性问题,并且两者都可以应用到控制器设计中. 不同的是：模糊逻辑可以利用语言信息描述系统,而神经网络则不行;模糊逻辑应用到控制器设计中,其参数定义有明确的物理意义。 智能变送器掌上编程器 因而可提出有效的初始参数选择方法;神经网络的初始参数(如权值等) 只能随机选择. 但在学习方式下,神经网络经过各种训练,其参数设置可以达到满足控制所需的行为. 模糊逻辑和神经网络都是模仿人类大脑的运行机制,可以认为神经网络技术模仿人类大脑的硬件,模糊逻辑技术模仿人类大脑的软件. 根据模糊逻辑和神经网络的各自特点,所结合的技术即为模糊神经网络技术和神经模糊逻辑技术. 模糊逻辑、神经网络和它们混合技术适用于各种学习方式 智能控制的相关技术与控制方式结合或综合交叉结合,构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点。 § 传统控制的关系 传统控制（Conventional control）：经典反馈控制和现代理论控制.它们的主要特征是基于精确的系统数学模型的控制.适于解决线性，时不变等相对简单的控制问题. 智能控制（Intelligent control）以上问题用智能的方法同样可以解决.智能控制是对传统控制理论的发展，传统控制是智能控制的一个组成部分，在这个意义下，两者可以统一在智能控制的框架下. § 研究对象 智能控制的研究对象具备以下的一些特点： 1. 不确定性的模型 智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。 2. 高度的非线性 对于具有高度非线性的控制对象，采用智能控制的方法往往可以较好地解决非线性系统的控制问题。 3. 复杂的任务要求 对于智能控制系统，任务的要求往往比较复杂。 § 主要应用存在的情况 实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，一般无法获得精确的数学模型。 应用传统控制理论进行控制必须提出并遵循一些比较苛刻的线性化假设，而这些假设在应用中往往与实际情况不相吻合。对于某些复杂的和饱含不确定性的控制过程，根本无法用传统数学模型来表示，即无法解决建模问题。为了提高控制性能，传统控制系统可能变得很复杂，从而增加了设备的投资，减低了系统的可靠性。 § 各行各业的应用 1.工业过程中的智能控制 水族箱智能控制器 鱼缸控制器 生产过程的智能控制主要包括两个方面：局部级和全局级。局部级的智能控制是指将智能引入工艺过程中的某一单元进行控制器设计，例如智能PID控制器、专家控制器、神经元网络控制器等。研究热点是智能PID控制器，因为其在参数的整定和在线自适应调整方面具有明显的优势，且可用于控制一些非线性的复杂对象。全局级的智能控制主要针对整个生产过程的自动化，包括整个操作工艺的控制、过程的故障诊断、规划过程操作处理异常等。 2. 机械制造中的智能控制 在现代先进制造系统中，需要依赖那些不够完备和不够精确的数据来解决难以或无法预测的情况，人工智能技术为解决这一难题提供了有效的解决方案。智能控制随之也被广泛地应用于机械制造行业，它利用模糊数学、神经网络的方法对制造过程进行动态环境建模，利用传感器融合技术来进行信息的预处理和综合。可采用专家系统的“Then-If”逆向推理作为反馈机构，修改控制机构或者选择较好的控制模式和参数。利用模糊集合和模糊关系的鲁棒性，将模糊信息集成到闭环控制的外环决策选取机构来选择控制动作。利用神经网络的学习功能和并行处理信息的能力，进行在线的模式识别，处理那些可能是残缺不全的信息。 3.电力电子学研究领域中的智能控制 电力系统中发电机、变压器、电动机等电机电器设备的设计、生产、运行、控制是一个复杂的过程，国内外的电气工作者将人工智能技术引入到电气设备的优化设计、故障诊断及控制中，取得了良好的控制效果。遗传算法是一种先进的优化算法，采用此方法来对电器设备的设计进行优化，可以降低成本,缩短计算时间，提高产品设计的效率和质量。应用于电气设备故障诊断的智能控制技术有：模糊逻辑、专家系统和神经网络。在电力电子学的众多应用领域中，智能控制在电流控制PWM技术中的应用是具有代表性的技术应用方向之一，也是研究的新热点之一。 § 集成或者（复合）混合控制 几种方法和机制往往结合在一起，用于一个实际的智能控制系统或装置，从而建立起混合或集成的智能控制系统. 分级递阶控制系统 ：分级递阶智能控制是在自适应控制和自组织控制基础上，由美国普渡大学Saridis提出的智能控制理论.分级递阶智能控制（Hierarchical Intelligent Control）主要由三个控制级组成，按智能控制的高低分为组织级，协调级，执行级，并且这三级遵循"伴随智能递降精度递增"原则。 组织级（organization level）：组织级通过人机接口和用户（操作员）进行交互，执行最高决策的控制功能，监视并指导协调级和执行级的所有行为，其智能程度最高. 协调级（Coordination level）：协调级可进一步划分为两个分层：控制管理分层和控制监督分层. 执行级（executive level）：执行级的控制过程通常是执行一个确定的动作. 专家控制系统（Expert System) 15寸kvm智能控制平台 专家指的是那些对解决专门问题非常熟悉的人们，他们的这种专门技术通常源于丰富的经验，以及他们处理问题的详细专业知识. 专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题.它具有启发性，透明性，灵活性，符号操作，不一确定性推理等特点.应用专家系统的概念和技术，模拟人类专家的控制知识与经验而建造的控制系统，称为专家控制系统. 专家系统是利用专家知识对专门的或困难的问题进行描述. 用专家系统所构成的专家控制，无论是专家控制系统还是专家控制器，其相对工程费用较高，而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题. 尽管专家系统在解决复杂的高级推理中获得较为成功的应用，但是专家控制的实际应用相对还是比较少。 人工神经网络控制系统 神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成.这种神经网络具有某些智能和仿人控制功能. 学习算法是神经网络的主要特征，也是当前研究的主要课题.学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节.神经网络具备类似人类的学习功能.一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输人,而改变输人的唯一方法只能修改加在输人端的加权系数. 神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，学习结束.常用的学习算法有：Hebb学习算法，widrow Hoff学习算法，反向传播学习算法一BP学习算法，Hopfield反馈神经网络学习算法等。 神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法. 它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等. 这些特性是人们长期追求和期望的系统特性. 它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力. 神经网络可以和模糊逻辑一样适用于任意复杂对象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制. 在模糊逻辑表示的SIMO 系统和MIMO 系统中，其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用. 两者既有相同性又有不同性. 其相同性为：两者都可作为万能逼近器解决非线性问题，并且两者都可以应用到控制器设计中. 不同的是：模糊逻辑可以利用语言信息描述系统，而神经网络则不行；模糊逻辑应用到控制器设计中，其参数定义有明确的物理意义，因而可提出有效的初始参数选择方法；神经网络的初始参数（如权值等） 只能随机选择. 但在学习方式下，神经网络经过各种训练，其参数设置可以达到满足控制所需的行为. 模糊逻辑和神经网络都是模仿人类大脑的运行机制，可以认为神经网络技术模仿人类大脑的硬件，模糊逻辑技术模仿人类大脑的软件. 根据模糊逻辑和神经网络的各自特点，所结合的技术即为模糊神经网络技术和神经模糊逻辑技术. 模糊逻辑、神经网络和它们混合技术适用于各种学习方式 智能控制的相关技术与控制方式结合或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点． 模糊控制系统 所谓模糊控制，就是在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法.模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标. 模糊控制的基本思想是用机器去模拟人对系统的控制.它是受这样事实而启发的：对于用传统控制理论无法进行分析和控制的复杂的和无法建立数学模型的系统，有经验的操作者或专家却能取得比较好的控制效果，这是因为他们拥有日积月累的丰富经验，因此人们希望把这种经验指导下的行为过程总结成一些规则，并根据这些规则设计出控制器.然后运用模糊理论，模糊语言变量和模糊逻辑推理的知识，把这些模糊的语言上升为数值运算，从而能够利用计算机来完成对这些规则的具体实现，达到以机器代替人对某些对象进行自动控制的目的。 模糊逻辑用模糊语言描述系统，既可以描述应用系统的定量模型也可以描述其定性模型. 模糊逻辑可适用于任意复杂的对象控制. 但在实际应用中模糊逻辑实现简单的应用控制比较容易. 简单控制是指单输入单输出系统（SISO) 或多输入单输出系统（MISO) 的控制. 因为随着输入输出变量的增加，模糊逻辑的推理将变得非常复杂。 学习控制系统 学习是人类的主要智能之一，人类的各项活动也需要学习.在人类的进化过程中,学习功能起着十分重要的作用.学习控制正是模拟人类自身各种优良的控制调节机制的一种尝试. 所谓学习是一种过程，它通过重复输人信号，并从外部校正该系统，从而使系统对特定输人具有特定响应.学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值，分类，决策和不断改善系统品质的自动控制系统。 （1）遗传算法学习控制 智能控制是通过计算机实现对系统的控制，因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法，它模拟生物界/生存竞争，优胜劣汰，适者生存的机制，利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法，一方面希望在宽广的空间内进行搜索，从而提高求得最优解的概率；另一方面又希望向着解的方向尽快缩小搜索范围，从而提高搜索效率。如何同时提高搜索最优解的概率和效率，是遗传算法的一个主要研究方向。遗传算法作为一种非确定的拟自然随机优化工具，具有并行计算、快速寻找全局最优解等特点，它可以和其他技术混合使用，用于智能控制的参数、结构或环境的最优控制。 （2）迭代学习控制 迭代学习控制模仿人类学习的方法、即通过多次的训练，从经验中学会某种技能，来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成，其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。 § 发展趋势 智能控制是自动控制理论发展的必然趋势。人工智能为智能控制的产生提高了机遇。 自动控制理论是人类在征服自然，改造自然的斗争中形成和发展的.控制理论从形成发展至今，已经经历多年的历程，分为三个阶段.第一阶段是以上世纪40年代兴起的调节原理为标志，称为经典控制理论阶段；第二阶段以60年代兴起的状态空间法为标志，称为现代控制理论阶段；第三阶段则是80年代兴起的智能控制理论阶段. 傅京孙在1971年指出，方了解决智能控制的问题，用严格的数学方法研究发展新的工具，对复杂的"环境-对象"进行建模和识别，以实现最优控制,或者用人工智能的启发式思想建立对不能精确定义的环境和任务的控制设计方法.这两者都值得一试，而更重要的也许还是把这两种途径紧密地结合起来，协调地进行研究.也就是说，对于复杂的环境和复杂的任务，如何，将人工智能技术中较少依赖模型的问题的求解方法与常规的控制方法相结合，这正是智能控制所要解决的问题. Saridis在学习控制系统研究的基础上，提出了分级递阶和智能控制结构，整个结构自上而下分为组织级，协调级和执行级三个层次，其中执行级是面向设备参数的基础自动化级，在这一级不存在结构性的不确定性，可以用常规控制理论的方法设计.协调级实际上是一个离散事件动态系统，主要运用运筹学的方法研究.组织级涉及感知环境和追求目标的高层决策等类似于人类智能的功能，可以借鉴人工智能的方法来研究.因此，Saridis将傅京孙关于智能控制是人工智能与自动控制相结合的提法发展为：智能控制是人工智能，运筹学和控制系统理论三者的结合. 1985年8月，IHE在美国纽约召开了第一届智能控制学术讨论会，智能控制原理和智能控制系统的结构这一提法成为这次会议的主要议题.这次会议决定，在IEEE控制系统学会下设立一个IEEE智能控制专业委员会.这标志着智能控制这一新兴学科研究领域的正式诞生.智能控制作为一门独立的学科，己正式在国际上建立起来.智能技术在国内也受到广泛重视，中国自动化学会等于1993年8月在北京召开了第一届全球华人智能控制与智能自动化大会，1995年8月在天津召开了智能自动化专业委员会成立大会及首届中国智能自动化学术会议，1997年6月在西安召开了第二届全球华人智能控制与智能自动化大会. 近年来，智能控制技术在国内外已有了较大的发展，己进入工程化，实用化的阶段.但作为一门新兴的理论技术，它还处在一个发展时期.然而，随着人工智能技术，计算机技术的迅速发展，智能控制必将迎来它的发展新时期. § 相关书籍 基本信息 教材封面 作 者：刘金琨编著 出 版 社：电子工业出版社 出版时间：2005-5-1 字 数：378000 版 次：1 页 数：223 纸 张：胶版纸 I S B N ：9787121011184 包 装：平装 所属分类：图书 >> 计算机/网络 >> 人工智能 定价：￥21.00 内容简介 本书全面地叙述智能控制的基本理论、方法和应用。全书共10章，主要内容为：专家控制的基本原理和应用；模糊控制的基本原理和应用；神经网络控制的基本原理和应用；遗传算法及其应用等。 本书系统性强，突出理论联系实际，叙述深入浅出，书中给出了一些智能算法的Matlab仿真程序，并配有一定数量的习题和上机操作题。 本书可作为高等院校自动化、计算机应用、电子工程等专业研究生和高年级本科生的教材，也可供从事自动化领域工俄工程技术人员阅读和参考。 目录 第1章 结论 1.1 智能控制的发展过程 1.2 智能控制的几个重要分支 1.3 智能控制的特点、研究工具 思考题与习题 第2章 专家控制 2.1 专家系统 2.2 专家控制 2.3 专家PID控制 思考题与习题 第3章 模糊控制的理论基础 3.1 概述 3.2 模糊集合 3.3 隶属函数 3.4 模糊关系及其运算 3.5 模糊推理 思考题与习题 附录（程序代码） 第4章 模糊控制 4.1 模糊控制的基本原理 4.2 模糊控制系统分类 4.3 模糊控制器的设计 4.4 模糊控制应用实例——洗衣机的模糊控制 4.5 模糊自适应整定PID控制 4.6 Sugeno模糊模型 4.7 基于Sugeno模糊模型的倒立摆模糊控制 4.8 模糊控制的应用 4.9 模糊控制发展概况 思考题与习题 附录（程序代码） 第5章 自适应模糊控制 5.1 模糊逼近 5.2 间接自适应模糊控制 5.3 直接自适应模糊控制 思考题与习题 附录（程序代码） 第6章 神经网络的理论基础 6.1 神经网络发展简史 6.2 神经网络原理 6.3 神经网络的分类 6.4 神经网络学习算法 6.5 神经网络的特征及要素 6.6 神经网络控制的研究领域 思考题与习题 第7章 典型神经网络 7.1 单神经元网络 7.2 BP神经网络 7.3 RBF神经网络 7.4 回归神经网络 思考题 附录（程序代码） 第8章 高级神经网络 8.1 模糊RBF网络 8.2 pi-sigma神经网络 8.3 小脑模型神经网络 8.4 Hopfield网络 思考题与习题 附录（程序代码） 第9章 神经网络控制 9.1 概述 9.2 神经网络控制的结构 9.3 单神经元自适应控制 9.4 RBF网络监督控制 9.5 RBF网络自校正控制 9.6 基于RBF网络直接模型参考自适应控制 思考题与习题 附录（程序代码） 第10章 遗传算法及其应用 10.1 遗传算法的基本原理 10.2 遗传算法的特点 10.3 遗传算法的发展及应用 10.4 遗传算法的优化设计 10.5 遗传算法求函数极大值 10.6 基于遗传算法优化的RBF网络逼近 思考题与习题 附录（程序代码） 参考文献 § 参考资料 1.《智能建筑设计标准》 2.《智能建筑工程质量验收规范》GB 50339-2003 2007送审稿 3.《建筑及居住区数字化技术应用》GB/T 20299.1-4(简称“数字化标准”) 4.《上海市智能家居工程技术应用导则》（征求意见稿）2006年8月18日 5.《安全防范工程技术规范》GB 50348-2004 |
| 随便看 |
百科全书收录594082条中文百科知识，基本涵盖了大多数领域的百科知识，是一部内容开放、自由的电子版百科全书。