《神经元网络控制》求取 ⇩

《电气自动化新技术丛书》序言1

前言1

第1章 概论1

1.1 生物神经元及生物神经网络1

1.1.1 生物神经元1

1.1.2 人脑神经网络系统3

1.1.3 人脑神经网络信息处理的特点6

1.2 生物神经网络的模型化--人工神经网络7

1.2.1 人工神经元模型8

1.2.2 人工神经网络的构成10

1.2.3 人工神经网络的学习11

1.2.4 人工神经网络与生物神经网络的比较13

1.3 人工神经网络的发展与现状14

1.4 人工神经网络与自动控制17

第2章 常用神经网络原理及学习算法22

2.1 神经网络的学习方法23

2.1.1 学习方法的类型23

2.1.2 无监督Hebb学习27

2.2.1 多层前向神经网络的基本学习算法32

2.2 多层前向神经网络(1)32

2.2.2 多层前向神经网络的误差反向传播(EBP)算法44

2.2.3 EBP算法学习速率的调整49

2.2.4 多层前向神经网络的二阶学习算法54

2.3 多层前向神经网络(2)56

2.3.1 综合目标函数56

2.3.2 多层前向神经网络基于综合目标函数的误差反向传播(GEBP)学习算法60

2.3.3 基于综合目标函数的二阶学习算法63

2.3.4 多层前向神经网络基于综合目标函数的二阶学习算法66

2.4 径向基函数神经网络68

2.4.1 插值问题69

2.4.2 正规化问题70

2.4.3 正规化问题的逼近解及GRBF网络74

2.4.4 RBF网络的学习方法78

2.4.5 计算举例--异或(XOR)问题85

2.5 Hopfield神经网络87

2.5.1 离散型Hopfield神经网络88

2.5.2 连续型Hopfield神经网络96

2.5.3 Hopfield网络在组合优化中的应用101

2.6 随机神经网络105

2.6.1 SA算法106

2.6.2 Boltzmann机模型及其工作规则109

2.6.3 Boltzmann机的学习规则114

2.7 自组织竞争型神经网络122

2.7.1 基本竞争型神经网络及其学习规则123

2.7.2 抑制竞争型神经网络及其学习规则126

2.7.3 自适应共振理论神经网络128

2.8 自组织特征映射神经网络135

2.8.1 SOFM网络模型结构及学习工作规则136

2.8.2 SOFM算法的性质143

2.9.1 CP网络的结构及学习工作规则147

2.9 对向传播神经网络147

2.9.2 CP网络的改进152

参考文献155

第3章 基于神经网络的系统辨识159

3.1 引言159

3.1.1 系统辨识的定义159

3.1.2 系统辨识的常用方法161

3.2 多层前向网络的逼近能力164

3.3.2 多层动态前向网络的学习算法167

3.3.1 多层前向网络的一般结构167

3.3 神经网络用于系统辨识的一般结构167

3.3.3 对象的非线性模型171

3.4 用神经网络组成的动态系统表示非线性系统的可能性174

3.5 基于BP网络的系统辨识177

3.5.1 BP网络的结构设计及辨识算法177

3.5.2 辨识算法的收敛性179

3.5.3 应用实例181

3.5.4 基于RLS(递推最小二乘)训练算法的多层前向网络辨识188

3.6 采用预报误差(RPE)法的神经网络辨识195

3.6.1 神经网络建模的结构196

3.6.2 神经网络的RPE算法197

3.6.3 应用实例198

3.7 基于神经网络的逆模型辨识202

3.7.1 非线性系统的可逆性202

3.7.2 逆系统建模方法204

3.7.3 开关作用函数的多层感知器网络在逆模型辨识中的应用208

3.8 基于Hopfield网络的辨识216

3.8.1 Hopfield网络模型217

3.8.2 辨识算法217

3.8.3 应用实例220

3.9 ART-2网络在控制系统特征参数辨识中的应用223

3.10 小结226

参考文献228

第4章 神经网络控制器设计230

4.1 引言230

4.2 神经网络监督学习控制器(SNC)234

4.2.1 神经网络监督学习控制器工作原理234

4.2.2 应用实例237

4.3 神经网络模型参考自适应控制(NNMRAC)240

4.3.1 神经网络MRAC的一般结构240

4.3.2 间接神经网络MRAC242

4.3.3 直接神经网络MRAC247

4.4 神经网络自校正控制253

4.4.1 线性化反馈控制253

4.4.2 使用神经网络时的自校正控制256

4.4.3 仿真实例264

4.4.4 基于Adaline网的自适应控制267

4.5 神经前向网络直接自适应控制272

4.5.1 多层前向网络的直接自适应控制272

4.5.2 自动调整S型函数形状的直接自适应控制275

4.5.3 神经网络控制与常规自适应控制的比较280

4.6 基于单个神经元的自适应控制286

4.6.1 自适应神经元及其学习策略287

4.6.2 控制器设计288

4.6.3 学习算法的改进291

4.6.4 神经元控制系统的闭环稳定性292

4.6.5 应用实例294

4.6.6 多变量系统的神经元控制299

4.7 神经网络PID控制303

4.7.1 基于多层前向网的PID控制303

4.7.2 基于单个神经元的直接PID控制307

4.7.3 基于多层网的近似PID控制309

4.8 神经网络预测控制310

4.8.1 神经网络预测控制的一般结构310

4.8.2 神经网络预测器的几种方案312

4.8.3 Hopfield网络在预测控制中的应用318

4.9 神经网络模糊控制320

4.9.1 模糊控制的基本思想及控制系统的组成320

4.9.2 神经网络与模糊控制系统322

4.9.3 基于神经网络的模糊控制323

4.9.4 倒立摆的神经网络模糊控制326

4.10.1 对角回归神经网络329

4.10 基于回归神经网络的控制329

4.10.2 基于对角回归神经网络的控制系统330

4.10.3 仿真结果338

4.11 小结340

参考文献342

第5章 神经网络在故障诊断及容错控制中的应用346

5.1 引言346

5.2 控制系统故障诊断的常用方法350

5.2.1 残差产生方法--检测观测器法352

5.2.2 残差产生方法--广义一致矢量法355

5.2.3 残差产生方法--基于参数估计的方法359

5.2.4 决策方法361

5.3 控制系统容错控制器的设计方法367

5.3.1 控制器重构设计367

5.3.2 同时镇定的控制器设计374

5.3.3 完整性控制器设计376

5.4 基于联想记忆神经网络的故障诊断379

5.4.1 双向联想记忆网及故障诊断379

5.4.2 递归联想记忆网及故障诊断384

5.5.1 BP网络的结构设计及学习模式的选择386

5.5 基于BP网络的故障诊断386

5.5.2 某化工过程的BP网络的故障诊断387

5.6 基于Hopfield网络和ART-1网络的故障诊断392

5.6.1 故障检测与隔离(FDI)算法流程393

5.6.2 基于Hopfield网络的参数估计394

5.6.3 过渡区识别器的设计397

5.6.4 基于ART-1网络的故障分类398

5.6.5 位置控制系统的故障检测与隔离401

5.7 基于自适应神经元的故障诊断与容错控制404

5.7.1 基于自适应神经元的故障诊断405

5.7.2 容错控制器设计406

5.8 基于神经网络的诊断与控制的一体化方法409

5.8.2 执行器故障诊断410

5.8.3 传感器故障诊断411

5.9 基于神经网络的容错解耦控制416

5.9.1 基于神经网络的解耦控制方案416

5.9.2 基于神经网络的容错控制策略421

5.10 小结422

参考文献424

5.8.1 四参数控制器509