目錄
前言
主要符號說明
第1章 非高斯隨機分布系統(tǒng)理論概述 1
1.1 研究背景與研究意義 1
1.2 研究動態(tài)與發(fā)展現(xiàn)狀 3
1.2.1 非高斯隨機分布系統(tǒng)的智能學習模型 4
1.2.2 非高斯隨機分布系統(tǒng)的分布泛函模型 6
1.2.3 廣義最小熵控制與統(tǒng)計信息集合優(yōu)化 7
1.2.4 隨機分布濾波與故障檢測 8
1.3 本書主要內容 8
第2章 數(shù)學基礎 11
2.1 隨機變量的概念 11
2.2 一元隨機變量函數(shù) 12
2.2.1 隨機變量g(X) 12
2.2.2 g(X)的分布及概率密度函數(shù)的確定 13
2.2.3 均值和方差 13
2.2.4 g(X)的均值 14
2.2.5 矩 14
2.3 多元分布 15
2.3.1 多元分布函數(shù) 15
2.3.2 多元分布概率密度函數(shù) 15
2.3.3 邊緣分布 16
2.3.4 條件分布與條件期望 16
2.3.5 獨立性 17
2.3.6 全概率公式與全期望公式 17
2.4 熵 18
2.4.1 離散隨機變量的熵 18
2.4.2 互信息 19
2.4.3 連續(xù)隨機變量的熵 20
2.4.4 熵的計算 21
2.4.5 由近似計算估計熵值(僅適用于一維隨機變量) 22
2.4.6 r-Renyi熵 24
2.5 Bellman最優(yōu)化原理 25
2.6 Borel可測函數(shù) 25
2.7 PDF轉換定律 26
第3章 連續(xù)時間隨機分布系統(tǒng)多目標PID控制 28
3.1 輸出概率分布樣條逼近 28
3.2 非線性權動態(tài)建模和PID控制器設計 30
3.3 基于凸優(yōu)化的多目標控制算法 32
3.3.1 自治系統(tǒng)穩(wěn)定性及L1性能優(yōu)化控制 32
3.3.2 廣義閉環(huán)系統(tǒng)穩(wěn)定性分析、動態(tài)跟蹤及L1性能優(yōu)化控制 35
3.3.3 權動態(tài)約束性能分析 37
3.4 仿真算例 39
3.5 本章小結 41
第4章 離散時間隨機分布系統(tǒng)多目標PI控制 42
4.1 方根B樣條網(wǎng)絡逼近及離散權動態(tài)模型 42
4.2 廣義離散PI控制器設計 44
4.3 基于凸優(yōu)化的多目標控制算法 45
4.3.1 自治離散系統(tǒng)穩(wěn)定性及L1性能優(yōu)化控制 45
4.3.2 離散閉環(huán)系統(tǒng)穩(wěn)定性分析、狀態(tài)跟蹤及L1性能優(yōu)化控制 48
4.3.3 權動態(tài)約束性能分析 51
4.4 仿真算例 52
4.5 本章小結 54
第5章 隨機分布系統(tǒng)迭代學習控制 55
5.1 問題描述 55
5.1.1 帶有可調參數(shù)的動態(tài)樣條逼近 55
5.1.2 迭代學習控制器設計 56
5.2 迭代學習優(yōu)化算法 57
5.2.1 H1優(yōu)化控制 57
5.2.2 L1優(yōu)化跟蹤控制 58
5.3 仿真算例 61
5.4 本章小結 64
第6章 隨機分布系統(tǒng)自適應控制 65
6.1 基于兩步神經(jīng)網(wǎng)絡模型參數(shù)自適應隨機分布控制算法 66
6.1.1 線性樣條神經(jīng)網(wǎng)絡逼近 66
6.1.2 基于參數(shù)自適應算法的動態(tài)神經(jīng)網(wǎng)絡模型辨識 67
6.1.3 動態(tài)神經(jīng)網(wǎng)絡模型自適應反饋跟蹤控制 70
6.1.4 仿真算例 173
6.2 基于兩步神經(jīng)網(wǎng)絡模型受限PI隨機分布控制算法 76
6.2.1 方根樣條神經(jīng)網(wǎng)絡逼近 76
6.2.2 基于參數(shù)自適應算法的時滯動態(tài)神經(jīng)網(wǎng)絡模型辨識 77
6.2.3 時滯動態(tài)神經(jīng)網(wǎng)絡模型受限PI多目標跟蹤控制 80
6.2.4 仿真算例 283
6.2.5 仿真算例 386
6.3 本章小結 89
第7章 隨機分布系統(tǒng)抗干擾模糊控制 90
7.1 模糊邏輯系統(tǒng)概率分布逼近 91
7.2 T-S模糊權動態(tài)模型的確立 92
7.3 基于擾動觀測器的模糊控制器設計 94
7.4 基于凸優(yōu)化的多目標控制算法 96
7.5 仿真算例 103
7.6 本章小結 108
第8章 基于動態(tài)神經(jīng)網(wǎng)絡的統(tǒng)計信息集合跟蹤控制 109
8.1 統(tǒng)計信息跟蹤控制問題描述 109
8.2 未知死區(qū)模型和動態(tài)神經(jīng)網(wǎng)絡辨識 110
8.3 帶有Nussbaum函數(shù)的跟蹤控制算法 114
8.4 仿真算例 116
8.5 本章小結 118
第9章 非高斯智能學習模型的故障檢測與診斷 119
9.1 系統(tǒng)描述 119
9.2 時滯相關故障檢測 121
9.3 故障診斷 124
9.4 仿真算例 126
9.5 本章小結 129
第10章 非高斯隨機分布泛函模型的累積PDF控制 130
10.1 問題描述 130
10.1.1 系統(tǒng)模型 130
10.1.2 累積的性能指標函數(shù) 131
10.1.3 輸出PDF和輸入PDF之間的關系 132
10.2 輸出PDF控制 133
10.2.1 控制器設計 133
10.2.2 鎮(zhèn)定控制器設計 135
10.3 仿真算例 137
10.4 本章小結 139
第11章 隨機分布泛函模型的魯棒控制 141
11.1 問題描述 141
11.1.1 系統(tǒng)模型 141
11.1.2 輸出PDF和魯棒跟蹤性能指標 142
11.2 魯棒PDF控制 146
11.3 鎮(zhèn)定控制器設計 146
11.4 仿真算例 148
11.5 本章小結 151
第12章 隨機分布泛函模型的最小熵濾波 152
12.1 問題描述 152
12.1.1 系統(tǒng)模型與濾波模型 152
12.1.2 濾波器設計 153
12.1.3 混合概率和混合PDF 154
12.2 誤差PDF的計算 155
12.3 最小熵濾波 157
12.4 仿真算例 160
12.5 本章小結 161
第13章 隨機分布泛函模型的故障檢測 162
13.1 狀態(tài)空間模型下的非線性系統(tǒng)故障檢測 162
13.1.1 系統(tǒng)模型與濾波 162
13.1.2 誤差統(tǒng)計信息 163
13.1.3 性能指標函數(shù) 165
13.1.4 誤差PDF的簡化算法 167
13.1.5 最優(yōu)故障檢測濾波器設計方法 169
13.1.6 仿真算例 1170
13.2 NARMAX系統(tǒng)故障檢測 173
13.2.1 NARMAX模型 173
13.2.2 故障檢測濾波與性能指標 175
13.2.3 誤差PDF計算 175
13.2.4 最優(yōu)故障檢測濾波器設計方法 177
13.2.5 仿真算例 2178
13.3 本章小結 180
參考文獻 181
索引 188