《神经网络与模糊控制》求取 ⇩

第1章 绪论1

1.1 神经网络的发展和应用1

1.2 人工神经元模型2

1.3 用有向图表示神经网络4

1.4 网络结构及工作方式5

1.5 神经网络的学习方法6

1.5.1 学习方式6

1.5.2 学习算法(学习规则)6

1.5.3 学习与自适应8

习题8

参考文献9

2.1 线性闽值单元10

第2章 前馈网络10

2.2 感知器学习算法11

2.3 多层前馈网络及其函数逼近能力11

2.4 反向传播学习算法12

2.5 改进BP算法收敛速度的一些措施17

2.6 径向基函数网络18

2.7 应用举例23

习题28

参考文献29

第3章 学习理论与网络结构选择31

3.1 基本概念31

3.2 推广问题32

3.3 学习过程的统计性质33

3.4 函数逼近问题34

3.5 关于网络规模选择中的几个问题36

3.6 例题37

习题42

参考文献43

第4章 反馈网络与联想存储器44

4.1 离散的Hopfield网络44

4.2 联想存储器及其学习47

4.3 相关学习算法48

4.4 联想存储器的容量问题49

4.5 伪逆法51

4.6 线性规划方法51

4.7 多余吸引子问题52

4.8 应用举例53

4.9 双向联想存储器56

习题57

参考文献58

第5章 神经网络用于优化计算59

5.1 概述59

5.2 连续Hopfield网络用于求解TSP61

5.3 离散Hopfield网络用于求解TSP63

5.4 神经网络用于求解货流问题64

5.5 在通信网络中的应用举例67

习题68

参考文献69

第6章 自组织网络70

6.1 主成份分析70

6.2 自组织特征映射71

6.3 向量量化74

6.4 广义学习向量量化算法75

6.5 应用举例--指纹识别77

习题80

参考文献80

第7章 动态信号与系统的处理81

7.1 引言81

7.2 带延时单元的网络81

7.3 时空神经元模型84

7.4 部分反馈网络85

7.6 应用举例86

7.5 学习问题86

习题93

参考文献93

第8章 全局优化95

8.1 引言95

8.2 随机梯度法95

8.3 模拟退火算法95

8.4 遗传算法96

8.5 遗传算法机理的分析98

8.6 讨论99

8.7 应用举例100

习题104

参考文献105

9.1 概述106

第9章 神经网络用于非线性系统辨识106

9.2 基于NARMA模型的辨识方法107

9.2.1 问题描述107

9.2.2 NARMA模型的参数辨识108

9.2.3 系统辨识的并联模式与串-并联模式109

9.2.4 系统Ⅱ辨识的仿真实验110

9.3 通用辨识模型和动态BP算法111

9.3.1 通用辨识模型111

9.3.2 动态BP算法112

9.4 石灰窑炉的神经网络模型114

9.4.1 石灰窑炉的生产过程114

9.4.2 石灰窑的数学模型115

9.4.3 石灰窑的神经网络模型116

参考文献118

习题118

第10章 神经网络用于非线性控制119

10.1 概述119

10.2 控制方案119

10.2.1 监督控制119

10.2.2 直接逆控制120

10.2.3 内模控制120

10.2.4 模型预报控制121

10.2.5 模型参考控制122

10.2.6 再励学习控制122

10.2.7 自学习控制与自适应控制123

10.3 内模控制及其在石灰窑炉中的应用123

10.3.1 内模控制系统的分析与设计123

10.3.2 基于神经网络的内模控制127

10.3.3 石灰窑炉的内模控制129

10.4 模型预报控制及其在pH值控制中的应用132

10.4.1 模型预报控制的基本原理132

10.4.2 动态矩阵控制(DMC)135

10.4.3 PH值的神经网络模型预报控制137

习题142

参考文献143

第11章 神经网络用于机器人控制144

11.1 机器人的控制问题144

11.2 CMAC网络145

11.2.1 模型结构145

11.2.2 工作原理147

11.2.3 学习算法150

11.3 用CMAC网络解决机械手的逆运动学问题151

11.3.1 三关节机械手在二维平面的运动151

11.3.2 解决方案152

11.3.3 机械手的正模型NN1153

11.3.4 机械手的逆模型NN2154

11.3.5 仿真实验155

11.4 用CMAC网络解决机械手的逆动力学问题158

11.4.1 二关节机械手的伺服控制158

11.4.2 控制方案158

11.4.3 仿真实验结果159

11.4.4 CMAC设计参数对控制性能的影响160

11.4.5 控制系统的鲁棒性和自适应能力162

习题164

11.4.6 CMAC网络的优缺点164

参考文献165

第12章 模糊数学基础166

12.1 概述166

12.2 模糊集合167

12.2.1 模糊集合的定义167

12.2.2 模糊集合的表示法168

12.2.3 常用的隶属函数169

12.2.4 模糊集合的基本运算169

12.2.5 分解定理172

12.2.6 扩张定理173

12.3 模糊关系174

12.3.1 模糊关系的定义174

12.3.2 模糊关系的运算175

12.3.3 模糊关系的性质176

12.4 模糊推理177

12.4.1 广义前向推理和广义反向推理177

12.4.2 模糊命题178

12.4.3 模糊蕴含179

12.4.4 模糊推理181

习题181

参考文献183

第13章 模糊控制理论184

13.1 模糊控制器的基本结构184

13.2 D-FC的工作原理186

13.3 C-FC的工作原理189

13.4.2 PD，PI，PID型的模糊控制器194

13.4 模糊控制器的种类和设计参数194

13.4.1 D-FC和C-FC194

13.4.3 控制规则的三种类型195

13.4.4 模糊控制器的主要设计因素196

13.4.5 模糊控制的特点和理论研究问题198

13.5 典型模糊控制器的结构分析199

13.5.1 概述199

13.5.2 典型模糊控制器及其设计参数199

13.5.3 典型模糊控制器的结构特性201

13.5.4 对模糊控制器的几点认识207

13.6 模糊控制系统的稳定性分析和设计方法207

13.6.1 模糊系统的T-S模型207

13.6.2 模糊方块图209

13.6.3 稳定性分析212

13.6.4 设计方法214

习题215

参考文献216

第14章 模糊神经网络用于非线性系统建模和故障诊断217

14.1 模糊系统与神经网络217

14.2 模糊系统的函数逼近能力218

14.2.1 模糊基函数218

14.2.2 模糊系统的通用逼近性219

14.3 用神经网络来构造模糊系统221

14.4 用模糊神经网络辨识非线性系统227

14.4.1 实验对象227

14.4.2 结构辨识227

14.4.3 参数辨识230

14.5 CSTR控制系统的在线故障诊断232

14.5.1 CSTR控制系统简介232

14.5.2 故障诊断的方案233

14.5.3 故障诊断实验结果234

习题235

参考文献235

第15章 基于神经网络的模糊自适应控制236

15.1 概述236

15.2 用DCL算法从数据中提取模糊规则237

15.2.1 倒车实验237

15.2.2 倒车的模糊控制237

15.2.3 DCL学习算法239

15.2.4 从输入输出数据中提取模糊规则240

15.3 基于模糊神经网络的模型参考自适应控制242

15.3.1 基于模糊神经网络的MRAC方案242

15.3.2 模糊神经网络结构243

15.3.3 模糊神经网络的学习方法244

15.3.4 自适应学习率246

15.3.5 非线性对象的模糊自适应控制实验247

15.4 采用再励学习的模糊自适应控制252

15.4.1 GARIC的系统结构252

15.4.2 GARIC的工作原理253

15.4.3 GARIC的学习方法256

15.4.4 倒立摆的自适应控制实验257

习题261

参考文献361