自动化系的课程设置通常分为公共必修课、专业基础课、专业核心课、专业限选课和任选课。以下是针对“控制与智能”方向核心课程的详细梳理1. 数学与专业基础课 (Mathematical Foundations)这些课程为高水平研究提供数学工具。- 最优化理论与方法 (Optimization Methods): 自动化系的王牌基础课涵盖线性/非线性规划、凸优化等。- 矩阵分析/矩阵论 (Matrix Analysis): 控制理论必备的数学基础。- 随机过程 (Stochastic Processes): 处理不确定性系统、预测与滤波的基础。- 泛函分析 (Functional Analysis): 为深入理解现代控制理论如鲁棒控制、算子理论提供基础。矩阵分析与应用系统与控制理论中的线性代数凸优化离散优化高等数值分析系统与控制中的随机方法统计学方法及其应用信息论基础概率图模型理论与方法2. 控制理论核心课 (Core Control Theory)这是控制学科的灵魂强调严谨的数学证明与系统建模。- 线性系统理论 (Linear System Theory): 研究生阶段最核心的课程涵盖状态空间、能控性能观测性、稳定性理论等。- 非线性控制系统 (Nonlinear Control Systems): 学习Lyapunov稳定性、反馈线性化、滑模控制等。- 最优控制 (Optimal Control): 变分法、极小值原理、动态规划DP及LQR/LQG控制器设计。- 现代鲁棒控制 (Robust Control): 处理模型不确定性等。- 自适应控制 (Adaptive Control): 参数估计与在线调整。矩阵分析与应用系统与控制理论中的线性代数凸优化离散优化高等数值分析系统与控制中的随机方法统计学方法及其应用信息论基础概率图模型理论与方法3. 人工智能与智能控制 (AI Intelligent Control)这是近年来“控制与智能”方向发展最快的部分。- 模式识别 (Pattern Recognition): 自动化系的传统强项课涵盖统计辨识、聚类等。- 机器学习 (Machine Learning): 系统性学习监督学习、非监督学习及强化学习。- 深度学习 (Deep Learning): 卷积神经网络、循环神经网络及其在视觉、语音中的应用。- 强化学习 (Reinforcement Learning): 控制与AI的结合点研究基于奖励的决策与控制。- 智能控制 (Intelligent Control): 模糊控制、神经网络控制及仿生算法。模式识别现代信号处理人工神经网络软计算理论与方法摄动分析、马尔可夫决策和强化学习双语多传感器融合理论及其应用工业数据统计分析与应用统计学习理论导论模糊控制系统的分析与设计多智能体协同与控制计算机视觉可跨选 AI 学院课程4. 机器人与感知 (Robotics Perception)- 机器人学导论 (Introduction to Robotics): 运动学、动力学、路径规划。- 计算机视觉 (Computer Vision): 图像处理、特征提取、SLAM即时定位与地图构建。- 多智能体系统 (Multi-agent Systems): 协同控制、群体智能、分布式优化。5. 系统工程与应用领域 (Systems Engineering Applications)- 系统辨识 (System Identification): 如何从实验数据建立数学模型。- 过程控制 (Process Control): 针对工业生产过程化工、电力等的控制策略。- 网络化控制系统 (Networked Control Systems): 考虑通信带宽、延迟对控制系统的影响。- 复杂系统理论 (Complex Systems): 生物系统建模、社会经济系统分析。运筹学系统学系统分析理论及方法综合自动化理论与方法复杂网络系统的建模与优化双语制造过程调度理论及其应用智能交通系统概论嵌入式系统软硬件设计应用软件系统分析与设计