《神经网络模糊逻辑控制》求取 ⇩

第一章 智能控制的发展和趋向1

1.1 智能控制的概念2

1.2 智能控制的发展5

1.2.1 智能控制诞生的背景5

1.2.2 智能控制的发展过程6

1.2.3 智能控制的基本理论11

1.3 神经网络模糊逻辑的结合控制15

1.3.1 模糊逻辑和神经网络结合的历史原因15

1.3.2 模糊逻辑和神经网络结合的现实意义18

1.3.3 模糊逻辑和神经网络结合的基本方法19

2.1 模糊集合与隶属函数23

2.1.1 模糊集合概念23

第二章 模糊逻辑的数学基础23

2.1.2 隶属性函数24

2.1.3 模糊集合的表示方法和运算27

2.1.4 分解定理和扩张定理30

2.2 模糊关系与模糊矩阵35

2.2.1 普通关系和模糊关系35

2.2.2 模糊矩阵和合成运算39

2.2.3 模糊变换45

2.3 模糊逻辑与模糊推理48

2.3.1 模糊命题48

2.3.2 模糊逻辑51

2.3.3 模糊推理54

3.1 模糊逻辑控制的机理60

第三章 模糊逻辑控制60

3.2 模糊化方法64

3.2.1 论域的量化65

3.2.2 模糊划分和模糊表达67

3.3 模糊控制规则73

3.3.1 模糊控制规则及其格式74

3.3.2 模糊控制规则的生成76

3.4 反模糊化方法79

3.4.1 最大隶属度法79

3.4.2 中位数法80

3.4.3 重心法81

3.5.1 模糊控制系统的结构82

3.5 模糊逻辑控制系统82

3.5.2 模糊控制器和模糊算法87

3.5.3 模糊控制系统的稳定性95

第四章 典型神经网络模型104

4.1 神经网络的基本机理和结构104

4.1.1 神经元及其行为机理105

4.1.2 神经网络结构及功能110

4.2 反向传播BP模型113

4.2.1 神经网络的学习机理和机构114

4.2.2 神经网络学习的梯度算法119

4.2.3 反向传播学习的BP算法121

4.3.1 离散Hopfield网络127

4.3Hopfield模型127

4.3.2 连续Hopfield网络135

4.4 自适应共振理论ART模型139

4.4.1 ART模型的结构139

4.4.2 ART的基本工作原理142

4.4.3 ART模型的数学描述148

4.4.4 ART模型的学习算法150

4.4.5 ART模型的Lippman学习算法153

4.5 Kohonen模型157

4.5.1 神经元的侧向交互原理158

4.5.2 二维阵列SOM模型159

4.5.3 SOM模型的学习算法161

4.5.4 SOM模型学习的具体步骤166

第五章 神经网络控制168

5.1 神经网络控制系统的结构168

5.1.1 监视控制系统169

5.1.2 逆控制系统169

5.1.3 神经适应控制系统170

5.1.4 实用反向传播控制和适应评价控制173

5.2 神经网络控制器与学习175

5.2.1 对象仿真器及神经控制器175

5.2.2 学习训练的结构177

5.2.3 联机学习方法及算法181

5.3.1 离散系统的神经适应控制194

5.3 神经网络控制系统194

5.3.2 水温神经网络控制系统205

第六章 模糊神经网络212

6.1 模糊神经网络概念和结构212

6.1.1 逻辑模糊神经网络213

6.1.2 算术模糊神经网络218

6.1.3 混合模糊神经网络224

6.2 遗传算法232

6.2.1 遗传算法的基本概念232

6.2.2 遗传算法的原理234

6.2.3 遗传算法的应用237

6.3.1 逻辑模糊神经网络的学习算法239

6.3 模糊神经网络的学习239

6.3.2 算术模糊神经网络的学习算法242

6.3.3 模糊神经网络的遗传学习算法252

第七章 神经模糊控制259

7.1 神经模糊控制器260

7.1.1 逻辑神经元组成的神经模糊控制器260

7.1.2 神经模糊控制器的学习算法264

7.1.3 多种神经元组成的神经模糊控制器266

7.2 神经模糊控制系统275

7.2.1 神经模糊控制系统结构276

7.2.2 典型的神经模糊控制系统280

参考文献303