MATLAB 7.0控制系統(tǒng)應用與實例

前言
第1章 MATLAB 7.0的新特性
1.1 MATLAB簡介
1.2 MATLAB系統(tǒng)
1.2.1 MATLAB語言
1.2.2 MATLAB工作環(huán)境
1.2.3 MATLAB圖形處理系統(tǒng)
1.2.4 MATLAB數(shù)學函數(shù)庫
1.2.5 MATLAB應用程序接口
1.2.6 MATLAB的仿真及硬件接口
1.3 MATLAB 7.0的機器配置要求
1.4 MATLAB 7.0的新特性
1.4.1 開發(fā)環(huán)境的改變
1.4.2 編程環(huán)境的改變
1.4.3 數(shù)學模塊的改變
1.4.4 圖形和3-D可視化
1.4.5 文件I/O和外部接口
1.5 Simulink 6的新特性
1.6 MATLAB 7.0新增的其他一些新產品
第2章 控制系統(tǒng)工具箱及應用
2.1 LTI對象模型的建立及轉換
2.1.1 系統(tǒng)的模型描述
2.1.2 LTI模型轉換
2.1.3 LTI對象及其存取與設置
2.1.4 對象屬性設置和獲取函數(shù)
2.1.5 模型檢測函數(shù)
2.2 LTI系統(tǒng)的傳遞函數(shù)實現(xiàn)
2.2.1 時域響應
2.2.2 根軌跡法
2.2.3 頻率域法
2.2.4 控制系統(tǒng)校正及實例分析
2.3 LTI系統(tǒng)的狀態(tài)空間實現(xiàn)
2.3.1 系統(tǒng)實現(xiàn)
2.3.2 極點配置和狀態(tài)觀測器
2.4 LQ和LQG最優(yōu)控制
2.4.1 LQ最優(yōu)控制
2.4.2 LQG最優(yōu)控制
2.4.3 LQ和LQG最優(yōu)控制的MATLAB實現(xiàn)
2.5 LTI系統(tǒng)模型的建立
2.5.1 典型連接
2.5.2 連續(xù)和離散系統(tǒng)之間的轉換
2.5.3 系統(tǒng)的時域延遲
2.6 Simulink及實例分析
2.7 系統(tǒng)分析的GUI函數(shù)
第3章 系統(tǒng)辨識工具箱及應用
3.1 系統(tǒng)辨識基本原理和常用模型
3.1.1 系統(tǒng)辨識基本原理
3.1.2 線性動態(tài)系統(tǒng)的描述方法和估計問題
3.2 數(shù)據的預處理
3.3 模型結構定義及模型轉換
3.3.1 常規(guī)函數(shù)介紹
3.3.2 模型建立和轉換的函數(shù)介紹
3.3.3 模型轉換函數(shù)介紹
3.3.4 模型分析函數(shù)介紹
3.4 模型結構的選擇及處理
3.5 系統(tǒng)非參數(shù)估計、參數(shù)估計和遞推參數(shù)估計
3.5.1 非參數(shù)模型辨識
3.5.2 參數(shù)模型辨識
3.5.3 遞推參數(shù)模型辨識
3.6 模型的驗證與仿真
3.6.1 模型驗證函數(shù)介紹
3.6.2 仿真與預測
3.6.3 系統(tǒng)辨識的GUI工具
3.7 系統(tǒng)辨識工具箱應用實例
第4章 模型預測控制工具箱及應用
4.1 預測控制的基本原理及控制器組成
4.2 MPC控制器及其特性
4.2.1 MPC控制器函數(shù)
4.2.2 MPC控制特性函數(shù)
4.2.3 MPC控制器的線性行為函數(shù)
4.3 MPC狀態(tài)及其狀態(tài)估計
4.3.1 MPC狀態(tài)函數(shù)
4.3.2 狀態(tài)估計函數(shù)
4.4 MPC控制器計算、仿真與設計
4.4.1 MPC控制器計算與仿真
4.4.2 次型設計
4.5 模型預測工具箱應用實例
第5章 魯棒控制工具箱及應用
5.1 魯棒控制理論概述及魯棒控制工具箱簡介
5.1.1 魯棒控制理論概述
5.1.2 魯棒控制工具箱簡介
5.2 系統(tǒng)模型的建立與轉換
5.2.1 不確定原理函數(shù)
5.2.2 不確定矩陣和系統(tǒng)函數(shù)
5.2.3 不確定模型處理函數(shù)
5.2.4 不確定模型互聯(lián)函數(shù)
5.2.5 模型降階函數(shù)
5.3 系統(tǒng)魯棒性分析
5.3.1 魯棒性和最壞情況分析
5.3.2 參數(shù)相關系統(tǒng)的魯棒性分析
5.4 魯棒控制器綜合與設計
5.4.1 控制器綜合
5.4.2 μ-綜合
5.4.3 其他功能函數(shù)
5.5 LMIs系統(tǒng)介紹
5.5.1 LMIs系統(tǒng)函數(shù)
5.5.2 LMIs特征及求解
5.5.3 LMIs結果確認及系統(tǒng)修正
5.6 魯棒控制器設計實例
第6章 神經網絡控制工具箱及應用
6.1 神經網絡與智能控制
6.1.1 神經網絡的特點
6.1.2 神經網絡的控制方式
6.1.3 神經網絡的模型分類
6.1.4 神經網絡的學習方法
6.2 BP神經網絡控制系統(tǒng)實現(xiàn)
6.2.1 BP網絡及其應用
6.2.2 BP網絡理論
6.2.3 MATLAB環(huán)境下BP網絡的設計
6.2.4 BP算法的改進
6.2.5 BP神經網絡控制系統(tǒng)的實現(xiàn)實例——神經網絡直接逆控制
6.3 Elman網絡及其在控制系統(tǒng)中的應用
6.3.1 變形的Elman網絡
6.3.2 用Elman網絡逼近一階系統(tǒng)
6.3.3 Elman網絡用作振幅檢測
6.4 CMAC網絡控制系統(tǒng)舉例
6.4.1 CMAC網絡簡介
6.4.2 傳統(tǒng)CMAC網絡的控制方案
6.4.3 新的CMAC控制結構
6.5 神經網絡訓練函數(shù)及相關算法
6.5.1 MATLAB常用的神經網絡訓練函數(shù)
6.5.2 神經網絡訓練算法
第7章 模糊邏輯工具箱及應用
7.1 模糊邏輯的基本原理
7.1.1 模糊邏輯及其表述
7.1.2 模糊語言和模糊條件語句
7.1.3 模糊邏輯推理方法
7.1.4 解模糊判決方法
7.2 模糊推理系統(tǒng)的建立
7.2.1 模糊邏輯控制的工作原理
7.2.2 模糊邏輯控制器的結構
7.2.3 模糊語言變量的隸屬函數(shù)
7.2.4 模糊推理系統(tǒng)數(shù)據結構管理函數(shù)
7.3 模糊控制工具箱GUI工具
7.4 MATLAB模糊推理系統(tǒng)的高級應用
7.5 模糊邏輯工具箱的應用實例
附錄 基于MATLAB的數(shù)據采集開發(fā)板
參考文獻