孙增圻、邓志东、张再兴编著的《智能控制理论与技术（中文版第2版计算机科学与技术学科研究生系列教材）》系统地介绍了模糊控制、神经网络控制、专家控制、学习控制、分层递阶控制及智能优化方法等内容，每部分既自成体系，又互相联系，它们共同构成了智能控制理论和技术的主要内容。本书取材新颖，内容丰富，弥补了当前智能控制缺乏系统性资料的不足。
本书可作为信息、自动化及计算机应用等专业的本科生及研究生的教材及参考书，也可供有关教师和科技工作者学习参考。

孙增圻，1966年毕业于清华大学自动控制系，留校工作至今。1981年在瑞典获博士学位。现为清华大学计算机系教授，博士生导师，中国人工智能学会副理事长，中国自动化学会常务理事，中国自动化学会智能自动化专业委员会主任，中国自动化学会机器人竞赛工作委员会主任，RoboCup中国委员会主席，《中国科学》、《控制理论与应用》、《机器人》、《系统仿真学报》、《微计算机信息》及《International Journalof Corltrol，A1atomation and Systems》编委，《智能系统学报》编委会副主任。历任计算机系副主任（1995—2001），计算机系学位委员会主席（1995—2003），863计划航天领域遥科学及空间机器人专家组成员（1993—1997）、组长（1997—2001），IEEE控制系统学会北京分会副主席（1997—2005），《自动化学报》编委（1999—2005）。
长期从事智能控制及机器人方面的教学和研究工作。在智能控制、机器人、模糊系统和神经网络、计算机控制理论及应用等方面较有研究。10余项科研成果获得教育部或北京市科技进步奖。
出版的著作有《控制系统的计算机辅助设计》、《计算机控制理论及应用》、《机器人智能控制》、《系统分析与控制》、《智能控制理论与技术》等，在国内外刊物及国际会议共发表论文300余篇。

第1章 绪论
1.1 智能控制的基本概念
1.1.1 智能控制的研究对象
1.1.2 智能控制系统
1.1.3 智能控制系统的基本结构
1.1.4 智能控制系统的主要功能特点
1.1.5 智能控制研究的数学工具
1.2 智能控制的发展概况
1.3 智能控制理论
第2章 模糊逻辑控制
2.1 概述
2.1.1 模糊控制与智能控制
2.1.2 模糊集合与模糊数学的概念
2.1.3 模糊控制的发展和应用概况
2.2 模糊集合及其运算
2.2.1 模糊集合的定义及表示方法
2.2.2 模糊集合的基本运算
2.2.3 模糊集合运算的基本性质
2.2.4 模糊集合的其他类型运算
2.3 模糊关系
2.3.1 模糊关系的定义及表示
2.3.2 模糊关系的合成
2.4 模糊逻辑与近似推理
2.4.1 语言变量
2.4.2 模糊蕴含关系
2.4.3 近似推理
2.4.4 句子连接关系的逻辑运算
2.5 基于规则库的模糊推理
2.5.1 MIMO模糊规则库的化简
2.5.2 模糊推理的一般步骤
2.5.3 论域为离散时模糊推理计算举例
2.5.4 模糊推理的性质
2.5.5 模糊控制中常见的两种模糊推理模型
2.6 基于Mamdani模型的模糊控制
2.6.1 模糊控制器的基本结构和组成
2.6.2 模糊控制的离线计算
2.6.3 模糊控制的在线计算
2.6.4 模糊控制系统的分析和设计
2.7 基于T-S模型的模糊控制
2.7.1 T-S模糊模型的表示
2.7.2 T-S模糊模型的建模
2.7.3 基于模糊状态方程模型的系统稳定性分析
2.7.4 基于模糊状态方程模型的平滑控制器设计
2.7.5 基于模糊状态方程模型的切换控制器设计
2.8 自适应模糊控制
2.8.1 基于性能反馈的直接自适应模糊控制
2.8.2 基于模糊模型求逆的间接自适应模糊控制
第3章 神经网络控制
3.1 概述
3.1.1 神经元模型
3.1.2 人工神经网络
3.1.3 生物神经网络系统与计算机处理信息的比较
3.1.4 神经网络的发展概况
3.2 前馈神经网络
3.2.1 感知器网络
3.2.2 BP网络
3.2.3 BP网络学习算法的改进
3.2.4 神经网络的训练
3.3 反馈神经网络
3.3.1 离散Hopfield网络
3.3.2 连续Hopfield网络
3.3.3 Boltzmann机
3.4 局部逼近神经网络
3.4.1 CMAC神经网络
3.4.2 B样条神经网络
3.4.3 径向基函数神经网络
3.5 模糊神经网络
3.5.1 基于Mamdani模型的模糊神经网络
3.5.2 基于T-S模型的模糊神经网络
3.6 递归神经网络
3.6.1 引言
3.6.2 Elman网络
3.6.3 ESN网络
3.6.4 SHESM网络
3.7 基于神经网络的系统建模与辨识
3.7.1 概述
3.7.2 逼近理论与网络建模
3.7.3 利用多层静态网络的系统辨识
3.7.4 利用动态网络的系统辨识
3.7.5 利用模糊神经网络的系统辨识
3.8 神经网络控制
3.8.1 概述
3.8.2 神经网络控制结构
3.8.3 基于全局逼近神经网络的控制
3.8.4 基于局部逼近神经网络的控制
3.8.5 模糊神经网络控制
3.8.6 有待解决的问题
3.9 神经网络在机器人控制中的应用
3.9.1 神经网络运动学控制
3.9.2 神经网络动力学控制
3.9.3 神经网络路径规划
第4章 专家控制
4.1 概述
4.1.1 专家控制的由来
4.1.2 专家系统
4.1.3 专家控制的研究状况和分类
4.2 专家控制的基本原理
4.2.1 专家控制的功能目标
4.2.2 控制作用的实现
4.2.3 设计规范和运行机制
4.3 专家控制系统的典型结构
4.3.1 系统结构
4.3.2 系统实现
4.4 专家控制的示例
4.4.1 自动调整过程
4.4.2 自动调整过程的实现
4.5 专家控制技术的研究课题
4.5.1 实时推理
4.5.2 知识获取
4.5.3 专家控制系统的稳定性分析
4.6 一种仿人智能控制
4.6.1 概念和定义
4.6.2 原理和结构
4.6.3 仿人智能控制的特点
第5章 学习控制
5.1 概述
5.1.1 学习控制问题的提出
5.1.2 学习控制的表述
5.1.3 学习控制与自适应控制
5.1.4 学习控制的研究状况和分类
5.2 基于模式识别的学习控制
5.2.1 学习控制系统的一般形式
5.2.2 模式分类
5.2.3 可训练控制器
5.2.4 线性再励学习控制
5.2.5 bayes学习控制
5.2.6 基于模式识别的其他学习控制方法
5.2.7 研究课题
5.3 基于迭代和重复的学习控制
5.3.1 迭代和重复自学习控制的基本原理
5.3.2 异步自学习控制
5.3.3 异步自学习控制时域法
5.3.4 异步自学习控制频域法
5.4 联结主义学习控制
5.4.1 基本思想
5.4.2 联结主义学习系统的实现原理
5.4.3 联结主义学习控制系统的结构