《模糊理论和神经网络的基础与应用》求取 ⇩

第一章　绪论1

1.1　研究历史的回顾1

1.2　模糊系统2

1.3　神经网络系统3

1.4　机器智能4

第二章　模糊数学的基础5

2.1　模糊的定量化5

2.2　模糊集5

2.3　模糊集的运算6

2.4　模糊数及其运算8

第三章　模糊关系和模糊逻辑推理14

3.1　模糊关系14

3.2　模糊关系的运算15

3.3　模糊逻辑推理17

3.4　模糊回归分析19

3.4.1　基于实数输出值的模糊回归分析20

3.4.2　基于模糊输出值的模糊回归分析22

第四章　模糊控制25

4.1引言25

4.2　模糊控制系统25

4.3　模糊逻辑推理法和非模糊化27

4.4　模糊控制器的设计32

4.5　自适应模糊控制38

第五章　模糊控制的应用47

5.1引言47

5.2　PID参数整定47

5.3　列车运行自动控制52

5.3.1　列车运行PID控制52

5.3.2　预测模糊控制53

5.3.3　日立的模糊控制系统54

5.4　净水工厂药剂投量控制57

第六章　模糊系统的建模61

6.1引言61

6.2　模糊系统模型的建立63

6.3　模糊系统的学习68

6.3.1　梯度下降法68

6.3.2　MF和模糊规则的增加法73

6.4　多层次的模糊模型77

6.5　模糊模型的评价78

第七章　神经网络基础80

7.1神经网络模型80

7.1.1　生物神经元模型80

7.1.2　人工神经元模型80

7.1.3　神经网络模型82

7.2.1　感知器83

7.2　前向网络83

7.2.2　BP网络85

7.2.3　GMDH网络86

7.2.4　RBF网络88

7.3　反馈网络89

7.3.1　CG网络模型90

7.3.2　盒中脑（BSB）模型90

7.3.3　Hopfield网络模型91

7.3.4　双向联想记忆（BAM）93

7.3.5　回归BP网络95

7.3.6　Boltzmann机网络96

7.4 自组织神经网络97

7.4.1　自适应共振理论（ART）97

7.4.2　自组织特征映射100

7.4.3　CPN模型101

第八章　神经网络的学习方法103

8.1引言103

8.2　Hebb学习规则103

8.3　梯度下降法104

8.3.1　δ规则104

8.3.2　BP算法105

8.3.3 回归BP算法106

8.4　最优化算法107

8.4.1　模拟退火算法107

8.4.2　单纯形法108

8.4.3　遗传算法110

8.5　网络学习的技巧113

8.6　网络学习前的数据处理114

9.1 引言116

第九章　神经网络控制系统116

9.2　动态BP算法117

9.3　系统辨识和控制119

9.3.1　系统模型119

9.3.2　系统辨识120

9.3.3　系统控制124

9.4　NNPLS建模法及质量指标预报127

9.4.1　部分最小二乘法128

9.4.2　NNPLS建模法130

9.4.3　产品质量指标预报132

9.5　遗传BP算法及油品质量估计134

9.5.1　遗传BP算法135

9.5.2　GA-BP用于建立常压塔质量估计模型136

9.6　机器人运动控制140

10.1.1　高炉炉顶烟气温度分布的识别144

10.1　模式识别144

第十章　基于神经网络的信息处理144

10.1.2　文字识别146

10.2　图象处理149

10.3　股票市场变化的短期预测150

10.4　组合优化问题151

10.5　人工智能153

第十一章　模糊系统和神经网络的融合156

11.1引言156

11.2　模糊系统和神经网络的等价性156

11.3　模糊系统和神经网络融合的形态160

11.4　专家系统162

第十二章　模糊系统和神经网络的互相转换165

12.1　结构等价的模糊系统和神经网络165

12.2.1　隶属函数的实现167

12.2　神经网络的实现167

12.2.2　网络的学习168

12.3　应用实例169

12.4小结171

第十三章　基于神经网络的模糊系统173

13.1系统描述173

13.2　系统建立174

13.3　应用实例178

13.4 小结181

第十四章　结束语182

附录一　K-NN算法183

附录二　稳定性Lyapunov第二方法185

附录三　机器人动态数学模型及控制187

附录四　模糊C-平均法189

参考文献190