神经-模糊和软计算PDF电子书下载

1.2 软计算组成与传统人工智能 1

1.1 引言 1

1.2.1 从传统人工智能到计算智能 2

1.2.2 神经元网络 4

1.2.3 模糊集合理论 4

1.2.4 进化计算 5

1.3 神经-模糊和软计算的特性 5

参考文献 6

2.2 基本定义和术语 8

2.1 引言 8

2.3 集合论运算 13

2.4 隶属函数的形式与参数化 16

2.4.1 一维隶属函数 16

2.4.2 二维隶属函数 20

2.4.3 参数化MF的导数 23

2.5 关于模糊并、交、和补 23

2.5.1 模糊补 23

2.5.2 模糊交和并 24

2.5.3 参数化T范式和T协范式 27

2.6 小结 29

练习 29

参考文献 31

3.1 引言 33

3.2 扩展原理和模糊关系 33

3.2.1 扩展原理 33

3.2.2 模糊关系 35

3.3.1 语言变量 37

3.3 模糊if-then 规则 37

3.3.2 模糊 if-then规则 41

3.4 模糊推理 44

3.4.1 推理复合规则 44

3.4.2 模糊推理 45

3.5 小结 49

练习 49

参考文献 50

4.1 引言 51

4.2 Mamdani模糊模型 52

4.2.1 其它变形 56

4.3 Sugeno模糊模型 57

4.4 Tsutamoto模糊模型 59

4.5 其它考虑 60

4.5.1 输入空间划分 60

4.5.2 模糊建模 62

4.6 小结 63

习题 63

参考文献 63

5.1 系统辩识：引言 66

5.2 矩阵运算和微积分基础 67

5.3 最小二乘估计器 71

5.4 LSE的几何解释 76

5.5 递归最小二乘估计器 78

5.6 时变系统的递归LSE 80

5.7 统计性质与最大似然估计器 81

5.8 非线性模型的LSE 84

5.9 小结 86

练习 86

参考文献 87

6.1 引言 89

6.2 下降法 89

6.2.1 基于梯度的方法 90

6.3 最陡下降法 91

6.4 牛顿法 93

6.4.1 经典牛顿法 93

6.4.2 修正牛顿法 94

6.4.3 拟牛顿法 96

6.5.1 初始定界 97

6.5 步长确定 97

6.5.2 直线搜索 98

6.5.3 终止规则 101

6.6 共轭梯度法 102

6.6.1 共轭方向 102

6.6.2 从正交到共轭 103

6.6.3 共轭梯度算法 105

6.7 二次情况分析 107

6.7.1 具有直线最小化的下降法 108

6.7.2 非直线最小化的最陡下降法 109

6.8 非线性最小二乘问题 111

6.8.1 高斯-牛顿法 112

6.8.2 Levenberg-Marquardt概述 114

6.9 引入随机机制 116

6.10 小结 117

练习 118

参考文献 118

7.1 引言 121

7.2 遗传算法 122

7.3 模拟退火 126

7.4 随机搜索 130

7.5 下山单纯形搜索 131

7.6 小结 135

练习 135

参考文献 136

8.1 引言 139

8.2 结构 139

8.3 前向网络的反传 143

8.4 回归网络的扩充反传 147

8.4.1 同步运行网络：BPTT和RTRL 148

8.4.2 连续运行网络：Mason增益公式 151

8.5 混合学习规则；最陡下降和LSE的结合 154

8.5.1 离线学习（批量学习） 154

8.5.2 在线学习（按模式学习） 155

8.5.3 最陡下降和LSE结合的不同方式 156

8.6 小结 156

练习 156

参考文献 157

9.1 引言 159

9.2 感知器 159

9.2.1 结构与学习规则 159

9.2.2 异或问题 161

9.3 自适应线性元件 162

9.4 反传多层感知器 164

9.4.1 反传学习规则 165

9.4.2 加速MLP训练的方法 166

9.5 径向基函数网络 167

9.5.1 结构与学习方法 167

9.4.3 MLP的逼近能力 167

9.5.2 功能等效于FIS 169

9.5.3 插值和近似RBFN 170

9.5.4 举例 171

9.6 模块网络 174

9.7 小结 177

练习 177

参考文献 178

10.2 失败是成功的可靠之路 183

10.1 引言 183

10.2.1 幸运旅行 184

10.2.2 信用分配问题 185

10.2.3 评价函数 186

10.3 时间差分学习 187

10.3.1 TD公式 187

10.3.2 期望的幸运旅行 188

10.3.3 预测累积结果 190

10.4 动态规划艺术 191

10.4.1 经典动态规划公式 191

10.4.2 增量动态规划 192

10.5 自适应启发式评判 193

10.5.1 类神经元评判 193

10.5.2 自适应神经元证券算法 194

10.5.3 探索与动作选择 195

10.6 Q-学习 196

10.6.1 基本概念 196

10.6.2 实现 197

10.7 费用路径问题 198

10.7.1 TD方法的期望费用路径问题 199

10.7.2 在确定性最小费用路径中寻找最优路径 200

10.7.3 泛化状态表示 202

10.8 客观世界模 203

10.8.1 无模型和基于模型的学习 203

10.8.2 远端教师 204

10.8.3 学习速度 204

10.9 其它网络结构 204

10.9.1 分而治之方法论 205

10.9.2 回归网络 205

10.10.1 桶队列 206

10.10.2 遗传增强器 206

10.10 进化计算的增强学习 206

10.10.3 免疫建模 207

10.11 小结 207

练习 207

参考文献 208

11.1 引言 215

11.2 竞争学习网络 215

11.3 Kohonen自组织学习 217

11.4 学习向量量化 219

11.5 Heb 学习 221

11.6 主元网络 222

11.6.1 主元分析 222

11.6.2 Oja修正Heb 规则 224

11.7 Hopfield网络 225

11.7.1 内容编址实质 225

11.7.2 二进制 Hopfield网络 226

11.7.3 连续 Hopfield 网络 228

11.7.4 旅行商问题 230

11.7.5 Boltzmann机 232

练习 233

11.8 小结 233

参考文献 234

12.1 引言 238

12.2 ANFIS结构 238

12.3 混合学习算法 241

12.4 ANFIS和RBFN互利的学习方法 243

12.5 通用逼近器ANFIS 243

12.6.1 实际考虑 245

12.6 仿真例子 245

12.6.2 例1：两输入sinc 函数建模 246

12.6.3 例2：三输入非线性函数建模 247

12.6.4 例3：控制系统在线辩识 249

12.6.5 例4：混沌时间序列预测 252

12.7 扩展和进一步研究课题 256

练习 258

参考文献 259

13.2 框架 263

13.2.1 关于多输入/输出系统 263

13.1 引言 263

13.2.2 结构比较 264

13.3 自适应网络的神经函数 265

13.3.1 模糊隶属函数与接受区单元 266

13.3.2 非线性规则 268

13.3.3 改进的Sigmoid 型函数和截断滤波函数 271

13.4 神经-模糊谱 273

13.5 自适应学习性能分析 274

13.5.1 单基于最陡下降法的收敛性 274

13.5.2 可解释性谱 276

13.5.3 前提的演变（隶属函数） 277

13.5.4 结论的演变（规则） 278

13.5.5 划分的演变 279

13.6 小结 282

练习 283

参考文献 284

14.1 引言 289

14.2 决策树 289

14.3 用于树归纳的CART算法 291

14.3.1 树增长 292

14.3.2 树修剪 296

14.4 用CART作ANFIS结构辩识 298

14.5 小结 301

练习 301

参考文献 302

15.1 引言 303

15.2 K均值聚类 303

15.3 模糊C均值聚类 305

15.4 山峰聚类法 306

15.5 减法聚类法 308

15.6 小结 309

练习 309

参考文献 310

16.1 引言 311

16.2 输入选择 312

16.3 输入空间划分 312

16.4 规则库组织 315

16.5 基于焦点集的规则组合 318

参考文献 320

练习 320

16.6 小结 320

17.1 引言 323

17.2 反馈控制系统和神经-模糊控制：综述 324

17.2.1 反馈控制系统 324

17.2.2 神经-模糊控制 326

17.3 专家控制：模仿专家 326

17.4 逆向学习 327

17.4.1 基本原理 327

17.4.2 实例研究 330

17.5 专门化学习 331

17.6 经时间反传和实时回归学习 334

17.6.1 基本原理 334

17.6.2 实例研究：倒立摆系统 335

17.7 小结 340

练习 340

参考文献 340

18.1 引言 343

18.2 增强学习控制 343

18.2.1 控制环境 343

18.2.2 神经-模糊增强控制器 344

18.3.1 GA：编码和基因算子 345

18.3 非梯度优化 345

18.3.2 GA：建立目标函数 347

18.4 增益调度 349

18.4.1 基础 349

18.4.2 实例研究 350

18.5 反馈线性化和滑模控制 352

练习 354

参考文献 354

18.6 小结 354

19.1 引言 359

19.2 印刷符号识别 359

19.3 逆动力学问题 363

19.4 汽车MPG预测 364

19.5 非线性系统辩识 367

19.6 信道均衡 369

19.7 自适应噪声消除 375

参考文献 382

20.2 模糊-滤波神经网络 383

20.1 引言 383

20.3 应用1：等离子频谱分析 385

20.3.1 多层感知器法 385

20.3.2 模糊-滤波神经网络方法 385

20.4 应用2：手写体数字的识别 386

20.4.1 一维模糊滤波器 387

20.4.2 二维模糊滤波器 387

20.5 基于基因算法的模糊滤波器 388

20.5.1 一般模型 388

20.5.2 变形与讨论 389

20.6 小结 392

参考文献 393

21.1 引言 394

21.2 基因算法变形 394

21.3 基因算法在博弈中的使用 395

21.4 基本模型的仿真结果 397

21.5 模糊特征的使用 399

21.6 多倍体基因算法在博弈中的使用 401

参考文献 404

21.7 小结 404

22.1 引言 406

22.2 颜色配方预测 406

22.3 单个MLP方法 408

22.4 颜色配方预测的CANFIS建模 408

22.4.1 模糊划分 409

22.4.2 CANFIS结构 409

22.4.3 嵌入知识的结构 412

22.4.4 CANFIS仿真 412

22.5.2 知识库 414

22.5 颜料制造智能 414

22.5.1 制造智能结构 414

22.5.3 多精英发生器 415

22.5.4 模糊群体发生器 416

22.5.5 适应函数 416

22.5.6 遗传策略 418

22.6 实验评价 420

22.7 讨论 421

22.8 结论和进一步研究课题 423

参考文献 424