最新章節

• 參考文獻
• 習題
• 9.4 本章小結
• 9.3.3 仿真實驗和分析
• 9.3.2 機械臂軌跡跟蹤迭代學習控制
• 9.3.1 神經網絡學習控制算法

• 參考文獻 更新時間：2025-01-09 16:46:43
• 習題
• 9.4 本章小結
• 9.3.3 仿真實驗和分析
• 9.3.2 機械臂軌跡跟蹤迭代學習控制
• 9.3.1 神經網絡學習控制算法
• 9.3 基于神經網絡的機械臂迭代學習控制
• 9.2 線性定常連續系統的學習控制
• 9.1.2 學習控制的基本結構
• 9.1.1 學習控制的一般概念
• 9.1 學習控制概述
• 09 學習控制
• 習題
• 8.5 本章小結
• 8.4 強化學習算法應用案例
• 8.3.2 Actor-Critic網絡模型
• 8.3.1 深度強化學習的概念
• 8.3 深度強化學習
• 8.2.3 Q-learning算法
• 8.2.2 瞬時差分算法
• 8.2.1 ε-greedy最優策略
• 8.2 強化學習算法
• 8.1.3 值函數計算
• 8.1.2 馬爾可夫決策過程
• 8.1.1 強化學習的一般概念
• 8.1 強化學習的基本原理
• 08 強化學習
• 習題
• 7.5 本章小結
• 7.4.2 基于生成對抗網絡的圖像融合
• 7.4.1 基于卷積神經網絡的手寫字母識別
• 7.4 卷積神經網絡的應用案例
• 7.3.2 遷移學習機制
• 7.3.1 注意力機制
• 7.3 卷積神經網絡學習機制
• 7.2.5 YOLO模型網絡
• 7.2.4 U-Net結構
• 7.2.3 殘差網絡結構
• 7.2.2 生成對抗網絡
• 7.2.1 LeNet模型結構
• 7.2 典型卷積神經網絡
• 7.1.2 卷積神經網絡的訓練
• 7.1.1 卷積神經網絡的結構
• 7.1 卷積神經網絡
• 07 深度學習
• 習題
• 6.5 本章小結
• 6.4.2 仿真實例
• 6.4.1 人工蜂群算法的基本原理
• 6.4 人工蜂群算法
• 6.3.4 量子進化算法在蘋果糖度漫透射近紅外光譜分析中的應用
• 6.3.3 量子進化算法的設計
• 6.3.2 量子進化算法的基本原理
• 6.3.1 量子進化算法的提出
• 6.3 量子進化算法
• 6.2.5 算例
• 6.2.4 粒子群優化算法的缺點
• 6.2.3 粒子群優化算法的流程
• 6.2.2 粒子群優化算法的基本原理
• 6.2.1 粒子群優化算法的主要特點
• 6.2 粒子群優化算法
• 6.1.5 遺傳算法的應用
• 6.1.4 遺傳算法的模式定理
• 6.1.3 遺傳算法的實現方法
• 6.1.2 遺傳算法的實現過程
• 6.1.1 遺傳算法的基本原理
• 6.1 遺傳算法
• 06 計算智能
• 習題
• 5.6 本章小結
• 5.5 基于SVM非線性估計的空間機械臂自適應滑模控制
• 5.4 神經網絡參考模型自適應控制的MATLAB仿真
• 5.3 神經網絡PID控制
• 5.2 神經網絡自校正控制
• 5.1 神經網絡控制結構
• 05 神經網絡控制
• 習題
• 4.8 本章小結
• 4.7.3 支持向量回歸
• 4.7.2 支持向量機的高維映射
• 4.7.1 線性支持向量機
• 4.7 支持向量機
• 4.6.2 連續型Hopfield神經網絡
• 4.6.1 離散型Hopfield神經網絡
• 4.6 Hopfield神經網絡
• 4.5 RBF神經網絡
• 4.4.3 BP神經網絡的MATLAB程序設計
• 4.4.2 BP神經網絡學習算法
• 4.4.1 BP神經網絡原理
• 4.4 BP神經網絡
• 4.3 感知機
• 4.2 基本概念
• 4.1 引言
• 04 神經網絡原理
• 習題
• 3.7 本章小結
• 3.6.2 基于Simulink的模糊控制系統設計
• 3.6.1 隸屬函數與模糊控制規則設計
• 3.6 模糊控制系統MATLAB設計
• 3.5 機械臂模糊控制的應用案例
• 3.4.2 模糊自適應整定PID控制設計
• 3.4.1 PID控制原理
• 3.4 PID模糊控制器
• 3.3.2 模糊控制算法的計算機實現
• 3.3.1 模糊控制查詢表的設計方法
• 3.3 模糊控制查詢表
• 3.2.5 一個簡單的模糊控制器設計
• 3.2.4 論域、量化因子、比例因子的選擇
• 3.2.3 精確量和模糊量的相互轉換
• 3.2.2 模糊控制規則
• 3.2.1 模糊控制器的結構
• 3.2 模糊控制器設計
• 3.1.2 模糊控制的基本原理
• 3.1.1 模糊控制系統的組成
• 3.1 模糊控制系統
• 03 模糊控制
• 習題
• 2.9 本章小結
• 2.8.6 Sugeno模糊推理方法
• 2.8.5 Tsukamoto模糊推理方法
• 2.8.4 單點輸入模糊推理方法
• 2.8.3 多輸入多規則模糊推理方法
• 2.8.2 幾種模糊推理方法
• 2.8.1 似然推理
• 2.8 模糊推理
• 2.7.4 模糊語句
• 2.7.3 模糊語言變量
• 2.7.2 模糊語言
• 2.7.1 模糊邏輯
• 2.7 模糊邏輯與模糊推理
• 2.6.4 模糊向量
• 2.6.3 模糊矩陣的合成運算及性質
• 2.6.2 模糊矩陣
• 2.6.1 模糊關系
• 2.6 模糊關系與模糊矩陣
• 2.5.2 常見的隸屬函數
• 2.5.1 確定隸屬函數的方法
• 2.5 隸屬函數
• 2.4.2 擴張原理
• 2.4.1 分解定理
• 2.4 分解定理和擴張原理
• 2.3 λ水平截集
• 2.2.3 模糊集合的基本運算及其性質
• 2.2.2 模糊集合的表示方法
• 2.2.1 模糊集合的定義
• 2.2 模糊集合
• 2.1.6 映射與關系
• 2.1.5 集合的直積
• 2.1.4 集合的運算及運算性質
• 2.1.3 子集、真子集、空集、全集的概念
• 2.1.2 集合的表示方法
• 2.1.1 集合的概念
• 2.1 普通集合論
• 02 模糊邏輯理論基礎
• 習題
• 1.8 本章小結
• 1.7 智能控制的應用
• 1.6 智能控制研究的數學工具
• 1.5 智能控制系統的主要功能
• 1.4 智能控制系統的研究對象
• 1.3 智能控制方法
• 1.2.2 智能控制的定義
• 1.2.1 智能控制的理論框架
• 1.2 智能控制的基本概念
• 1.1 智能控制的提出和發展
• 01 智能控制概述
• 第2版前言
• 內容提要
• 版權信息
• 封面

• 封面
• 版權信息
• 內容提要
• 第2版前言
• 01 智能控制概述
• 1.1 智能控制的提出和發展
• 1.2 智能控制的基本概念
• 1.2.1 智能控制的理論框架
• 1.2.2 智能控制的定義
• 1.3 智能控制方法
• 1.4 智能控制系統的研究對象
• 1.5 智能控制系統的主要功能
• 1.6 智能控制研究的數學工具
• 1.7 智能控制的應用
• 1.8 本章小結
• 習題
• 02 模糊邏輯理論基礎
• 2.1 普通集合論
• 2.1.1 集合的概念
• 2.1.2 集合的表示方法
• 2.1.3 子集、真子集、空集、全集的概念
• 2.1.4 集合的運算及運算性質
• 2.1.5 集合的直積
• 2.1.6 映射與關系
• 2.2 模糊集合
• 2.2.1 模糊集合的定義
• 2.2.2 模糊集合的表示方法
• 2.2.3 模糊集合的基本運算及其性質
• 2.3 λ水平截集
• 2.4 分解定理和擴張原理
• 2.4.1 分解定理
• 2.4.2 擴張原理
• 2.5 隸屬函數
• 2.5.1 確定隸屬函數的方法
• 2.5.2 常見的隸屬函數
• 2.6 模糊關系與模糊矩陣
• 2.6.1 模糊關系
• 2.6.2 模糊矩陣
• 2.6.3 模糊矩陣的合成運算及性質
• 2.6.4 模糊向量
• 2.7 模糊邏輯與模糊推理
• 2.7.1 模糊邏輯
• 2.7.2 模糊語言
• 2.7.3 模糊語言變量
• 2.7.4 模糊語句
• 2.8 模糊推理
• 2.8.1 似然推理
• 2.8.2 幾種模糊推理方法
• 2.8.3 多輸入多規則模糊推理方法
• 2.8.4 單點輸入模糊推理方法
• 2.8.5 Tsukamoto模糊推理方法
• 2.8.6 Sugeno模糊推理方法
• 2.9 本章小結
• 習題
• 03 模糊控制
• 3.1 模糊控制系統
• 3.1.1 模糊控制系統的組成
• 3.1.2 模糊控制的基本原理
• 3.2 模糊控制器設計
• 3.2.1 模糊控制器的結構
• 3.2.2 模糊控制規則
• 3.2.3 精確量和模糊量的相互轉換
• 3.2.4 論域、量化因子、比例因子的選擇
• 3.2.5 一個簡單的模糊控制器設計
• 3.3 模糊控制查詢表
• 3.3.1 模糊控制查詢表的設計方法
• 3.3.2 模糊控制算法的計算機實現
• 3.4 PID模糊控制器
• 3.4.1 PID控制原理
• 3.4.2 模糊自適應整定PID控制設計
• 3.5 機械臂模糊控制的應用案例
• 3.6 模糊控制系統MATLAB設計
• 3.6.1 隸屬函數與模糊控制規則設計
• 3.6.2 基于Simulink的模糊控制系統設計
• 3.7 本章小結
• 習題
• 04 神經網絡原理
• 4.1 引言
• 4.2 基本概念
• 4.3 感知機
• 4.4 BP神經網絡
• 4.4.1 BP神經網絡原理
• 4.4.2 BP神經網絡學習算法
• 4.4.3 BP神經網絡的MATLAB程序設計
• 4.5 RBF神經網絡
• 4.6 Hopfield神經網絡
• 4.6.1 離散型Hopfield神經網絡
• 4.6.2 連續型Hopfield神經網絡
• 4.7 支持向量機
• 4.7.1 線性支持向量機
• 4.7.2 支持向量機的高維映射
• 4.7.3 支持向量回歸
• 4.8 本章小結
• 習題
• 05 神經網絡控制
• 5.1 神經網絡控制結構
• 5.2 神經網絡自校正控制
• 5.3 神經網絡PID控制
• 5.4 神經網絡參考模型自適應控制的MATLAB仿真
• 5.5 基于SVM非線性估計的空間機械臂自適應滑模控制
• 5.6 本章小結
• 習題
• 06 計算智能
• 6.1 遺傳算法
• 6.1.1 遺傳算法的基本原理
• 6.1.2 遺傳算法的實現過程
• 6.1.3 遺傳算法的實現方法
• 6.1.4 遺傳算法的模式定理
• 6.1.5 遺傳算法的應用
• 6.2 粒子群優化算法
• 6.2.1 粒子群優化算法的主要特點
• 6.2.2 粒子群優化算法的基本原理
• 6.2.3 粒子群優化算法的流程
• 6.2.4 粒子群優化算法的缺點
• 6.2.5 算例
• 6.3 量子進化算法
• 6.3.1 量子進化算法的提出
• 6.3.2 量子進化算法的基本原理
• 6.3.3 量子進化算法的設計
• 6.3.4 量子進化算法在蘋果糖度漫透射近紅外光譜分析中的應用
• 6.4 人工蜂群算法
• 6.4.1 人工蜂群算法的基本原理
• 6.4.2 仿真實例
• 6.5 本章小結
• 習題
• 07 深度學習
• 7.1 卷積神經網絡
• 7.1.1 卷積神經網絡的結構
• 7.1.2 卷積神經網絡的訓練
• 7.2 典型卷積神經網絡
• 7.2.1 LeNet模型結構
• 7.2.2 生成對抗網絡
• 7.2.3 殘差網絡結構
• 7.2.4 U-Net結構
• 7.2.5 YOLO模型網絡
• 7.3 卷積神經網絡學習機制
• 7.3.1 注意力機制
• 7.3.2 遷移學習機制
• 7.4 卷積神經網絡的應用案例
• 7.4.1 基于卷積神經網絡的手寫字母識別
• 7.4.2 基于生成對抗網絡的圖像融合
• 7.5 本章小結
• 習題
• 08 強化學習
• 8.1 強化學習的基本原理
• 8.1.1 強化學習的一般概念
• 8.1.2 馬爾可夫決策過程
• 8.1.3 值函數計算
• 8.2 強化學習算法
• 8.2.1 ε-greedy最優策略
• 8.2.2 瞬時差分算法
• 8.2.3 Q-learning算法
• 8.3 深度強化學習
• 8.3.1 深度強化學習的概念
• 8.3.2 Actor-Critic網絡模型
• 8.4 強化學習算法應用案例
• 8.5 本章小結
• 習題
• 09 學習控制
• 9.1 學習控制概述
• 9.1.1 學習控制的一般概念
• 9.1.2 學習控制的基本結構
• 9.2 線性定常連續系統的學習控制
• 9.3 基于神經網絡的機械臂迭代學習控制
• 9.3.1 神經網絡學習控制算法
• 9.3.2 機械臂軌跡跟蹤迭代學習控制
• 9.3.3 仿真實驗和分析
• 9.4 本章小結
• 習題
• 參考文獻 更新時間：2025-01-09 16:46:43