本書共5章,前4章分別介紹控制系統(tǒng)的狀態(tài)空間模型及其建立問題、線性系統(tǒng)的狀態(tài)解和輸出響應解、線性系統(tǒng)的能控性和能觀性與結構分解及其應用、控制系統(tǒng)的李雅普諾夫穩(wěn)定性理論，最后一章著重討論控制系統(tǒng)極點配置、觀測器設計、系統(tǒng)解耦鎮(zhèn)定等綜合理論。

本書講述了Markov跳變系統(tǒng)是一種特殊的隨機混雜系統(tǒng)，通過時間、事件兩種機制共同驅(qū)動系統(tǒng)狀態(tài)的演化,系統(tǒng)在有限集合中各個模態(tài)之間的轉(zhuǎn)移服從Markov過程。廣義系統(tǒng)是比正常系統(tǒng)更具廣泛形式的一類系統(tǒng)。本書采用脈沖比例導數(shù)狀態(tài)反饋控制策略，研究了幾類不確定廣義Markov跳變系統(tǒng)的魯棒正�；�和混雜脈沖控制問題。本書主要

本書廣泛吸取統(tǒng)計學、神經(jīng)網(wǎng)絡、數(shù)據(jù)挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應用到模式識別領域中；以一種新的體系，系統(tǒng)、全面地介紹模式識別的理論、方法及應用。全書分為14章，內(nèi)容包括：模式識別概述，特征的選擇與優(yōu)化，模式相似性測度，基于概率統(tǒng)計的貝葉斯分類器設計，判別函數(shù)分類器設計，神經(jīng)網(wǎng)絡分類器

本書前幾章著重討論監(jiān)督學習即已知訓練樣本及其類別條件下分類器的設計方法。在此之后介紹無監(jiān)督模式識別，然后講解模式識別系統(tǒng)中，特征提取和選擇的準則和算法。第二部分介紹現(xiàn)代模式識別，其中包含支撐矢量機、組合分類器以及半監(jiān)督學習。第三部分中討論了深度學習模式識別。從現(xiàn)有的深度神經(jīng)網(wǎng)絡出發(fā)再到強化學習、寬度學習、圖卷積網(wǎng)絡等。

本書揭示非高斯系統(tǒng)控制問題的信息學和系統(tǒng)學本質(zhì)特征，提出隨機分布泛函和統(tǒng)計信息集合驅(qū)動的反饋控制和估計思想，建立基于動靜混合神經(jīng)網(wǎng)絡和泛函算子優(yōu)化的新型隨機分布系統(tǒng)建模、分析、控制、估計和優(yōu)化理論與故障檢測理論框架。本書內(nèi)容具有以下有別于傳統(tǒng)隨機控制的特點：被控對象具有非高斯隨機變量和非線性動態(tài)；控制指標是輸出PDF、

現(xiàn)代控制理論是聯(lián)系古典控制理論和智能控制理論的紐帶，有著承上啟下的作用。機械類專業(yè)研究生學好現(xiàn)代控制理論，對解決工程實踐問題具有重要的指導意義。本書將以線性定常系統(tǒng)為主要研究對象，介紹了系統(tǒng)建模、求解問題，系統(tǒng)的可控性、可觀測性和穩(wěn)定性問題，還介紹了控制系統(tǒng)的校正和最優(yōu)控制問題。

模式識別與機器學習是計算機科學與技術的重要研究內(nèi)容之一。 《模式識別與機器學習技術》首先講解了貝葉斯分類、支持向量機和人工神經(jīng)網(wǎng)絡等常用的機器學習算法，并對結構數(shù)據(jù)的核函數(shù)和增量支持向量機算法進行了全面綜述，講解了深度學習新的模型和計算機視覺的基本知識。以農(nóng)業(yè)為應用場景，結合作者的科研工作，詳細介紹了基于卷積神經(jīng)網(wǎng)絡

本書對線性系統(tǒng)理論的基礎內(nèi)容作了循序漸進的闡述，內(nèi)容精煉、重點突出、論證嚴謹、可讀性好，強調(diào)基礎理論與工程應用的有機結合。全書共9章，內(nèi)容包括：學科領域的發(fā)展簡史；系統(tǒng)的概念、原理及描述方法；數(shù)學基礎；線性系統(tǒng)的運動分析、實現(xiàn)理論及其計算機運算和實際工程實現(xiàn)問題分析；系統(tǒng)的穩(wěn)定性理論；能控性和能觀性分析，揭示認識系統(tǒng)和

線性系統(tǒng)理論是控制科學領域的一門重要的基礎課程。本書以線性系統(tǒng)為研究對象，對線性系統(tǒng)的時域理論進行了全面的論述。主要內(nèi)容包括系統(tǒng)的數(shù)學描述、線性系統(tǒng)的運動分析、線性系統(tǒng)的能控性和能觀測性、傳遞函數(shù)矩陣的狀態(tài)空間實現(xiàn)、系統(tǒng)運動的穩(wěn)定性、線性系統(tǒng)的狀態(tài)反饋與狀態(tài)觀測器等。本書是為本科生“現(xiàn)代控制理論”課程編寫的教材，內(nèi)容豐

基礎會計綜合模擬實訓