当前位置:首页 > 自然科学
基于MATLAB与fuzzyTECH的模糊与神经网络设计
基于MATLAB与fuzzyTECH的模糊与神经网络设计

基于MATLAB与fuzzyTECH的模糊与神经网络设计PDF电子书下载

自然科学

  • 电子书积分:13 积分如何计算积分?
  • 作 者:周润景,张丽娜著
  • 出 版 社:北京:电子工业出版社
  • 出版年份:2010
  • ISBN:9787121117367
  • 页数:380 页
图书介绍:模糊与神经网络是两种常用的智能信息处理技术,它们都能模拟人的智能行为,解决不确定、非线性、复杂的控制与分类问题,具有非常广阔的应用前景。本书以fuzzyTECH和MATLAB软件平台对模糊与神经网络技术进行了综合讲解并介绍了它们的应用,以使读者更全面地了解模糊与神经网络领域的最新研究成果。
上一篇:科学的文化魅力下一篇:亲近自然
《基于MATLAB与fuzzyTECH的模糊与神经网络设计》目录

第1章 模糊入门 1

1.1 模糊逻辑的发展 1

1.1.1 模糊逻辑的发展历程 1

1.1.2 模糊逻辑在日本的发展 2

1.1.3 模糊逻辑在欧洲的发展 2

1.1.4 模糊逻辑在美国的发展 3

1.2 模糊逻辑的不确定类型 3

1.2.1 不确定的数学原理 3

1.2.2 语言不确定性模型 3

1.3 模糊集合 4

1.3.1 由经典集合到模糊集合 4

1.3.2 模糊集合的基本概念 6

1.3.3 隶属度函数 9

1.4 模糊集合的运算 11

1.4.1 模糊集合的基本运算 11

1.4.2 模糊集合的基本运算规律 13

1.4.3 模糊集合与经典集合的联系 14

1.5 模糊关系与模糊关系的合成 16

1.5.1 模糊关系的基本概念 16

1.5.2 模糊关系的合成 18

1.5.3 模糊关系的性质 20

1.5.4 模糊变换 22

1.6 模糊逻辑及模糊推理 23

1.6.1 模糊逻辑技术 23

1.6.2 语言控制策略 25

1.6.3 模糊语言变量 25

1.6.4 模糊命题与模糊条件语句 27

1.6.5 判断与推理 28

1.6.6 模糊推理 28

1.7 模糊逻辑系统的建立 34

1.7.1 模糊化 35

1.7.2 建立if-then规则库 36

1.7.3 模糊推理 38

1.7.4 解模糊化 39

1.8 计算模糊系统 40

1.8.1 计算隶属度 41

1.8.2 隶属度函数的快速计算方法 42

1.8.3 模糊规则推理 42

1.8.4 将输出结果清晰化 43

习题 45

第2章 模糊应用——模糊控制系统设计 47

2.1 锅炉汽包水位控制系统设计 48

2.1.1 应用背景 48

2.1.2 锅炉汽包水位动态特性 48

2.1.3 模糊控制系统结构 48

2.1.4 模糊控制器的设计 49

2.1.5 模糊控制系统仿真 57

2.2 模糊PID控制直流电动机伺服系统设计 59

2.2.1 应用背景 59

2.2.2 系统控制原理 60

2.2.3 控制算法设计 62

2.2.4 系统硬件设计原理 69

2.2.5 系统软件设计原理 76

2.2.6 系统调试及结果分析 88

2.2.7 系统的其他控制算法 93

习题 106

第3章 神经网络及聚类设计 112

3.1 什么是神经网络 112

3.1.1 神经网络的发展历程 112

3.1.2 生物神经系统的结构及冲动的传递过程 114

3.1.3 人工神经网络的定义 116

3.2 人工神经网络模型 117

3.2.1 人工神经元的基本模型 117

3.2.2 人工神经网络基本构架 119

3.2.3 人工神经网络的工作过程 121

3.2.4 人工神经网络的特点 121

3.3 前馈神经网络 122

3.3.1 感知器网络 124

3.3.2 BP网络 126

3.3.3 BP网络的建立及执行 128

3.3.4 BP网络应用于模式分类 130

3.3.5 BP网络的其他学习算法的应用 136

3.4 反馈神经网络 143

3.4.1 离散Hopfield(DHNN)网络的结构 144

3.4.2 离散Hopfield网络的工作方式 144

3.4.3 Hopfield网络的稳定性和吸引子 145

3.4.4 Hopfield网络的连接权设计 146

3.4.5 Hopfield网络应用于模式分类 147

3.5 径向基函数 154

3.5.1 径向基函数的网络结构及工作方式 155

3.5.2 径向基函数网络的特点及作用 156

3.5.3 径向基函数网络参数选择 156

3.5.4 RBF网络用于模式分类 156

3.6 其他形式的神经网络 163

3.6.1 竞争型人工神经网络——自组织竞争 163

3.6.2 竞争型人工神经网络——自组织特征映射神经网络(SOM) 167

3.6.3 竞争型人工神经网络——学习向量量化神经网络(LVQ) 170

3.6.4 概率神经网络(PNN) 173

3.6.5 CPN神经网络的设计 178

习题 187

第4章 基于MATLAB的模糊神经网络的应用 188

4.1 神经网络与模糊系统的结合 188

4.1.1 模糊神经网络的特点 188

4.1.2 NeuroFuzzy与其他自适应技术的比较 189

4.2 模糊神经网络用于控制系统设计 189

4.2.1 基于模糊神经网络的控制器的结构 189

4.2.2 神经模糊控制系统的MATLAB实现 190

4.3 模糊神经网络用于模式识别系统设计 196

4.3.1 应用背景 196

4.3.2 模糊神经网络算法的原理 197

4.3.3 基于MATLAB的模糊神经网络分类器的设计与实现 200

习题 211

第5章 基于fuzzyTECH的模糊设计技术 212

5.1 fuzzyTECH界面用户化 212

5.1.1 fuzzyTECH软件界面 212

5.1.2 界面用户化设置 213

5.1.3 视图方式用户化设置 217

5.2 使用模糊设计向导设计“empty”模糊系统 219

5.3 应用fuzzyTECH配置模糊系统 223

5.3.1 模糊系统常见的结构和对象 223

5.3.2 编辑对象 224

5.3.3 定义文本对象 225

5.3.4 定义语言变量 225

5.3.5 定义隶属度函数 230

5.3.6 定义规则块 234

5.3.7 模糊规则公式 236

5.4 使用优化选项优化模糊系统 245

5.5 连接fuzzyTECH到其他应用 249

5.6 基于fuzzyTECH的起重机模糊控制系统分析 250

5.6.1 起重机模糊控制系统的用户工具 250

5.6.2 起重机的控制策略 252

5.6.3 fuzzyTECH中的起重机模糊控制系统 252

5.6.4 在fuzzyTECH中启动起重机模糊控制系统 255

5.6.5 fuzzyTECH中的响应分析 255

5.6.6 模糊控制系统中的语言变量修改 260

5.6.7 模糊逻辑规则的修改 263

5.6.8 利用交互式调试模式进行系统测试 266

5.7 fuzzyTECH的在线调试功能 268

5.7.1 蒸汽锅炉鼓轮仿真系统的操作 269

5.7.2 蒸汽锅炉鼓轮仿真系统模糊逻辑控制策略 273

5.7.3 fuzzyTECH在线开发 275

5.8 fuzzyTECH文件记录与校正控制系统 280

5.8.1 工程信息 280

5.8.2 文档生成器 280

5.8.3 修正控制系统 281

习题 283

第6章 基于fuzzyTECH的NeuroFuzzy设计技术 284

6.1 从采用数据文件产生模糊异或系统 285

6.1.1 使用模糊设计向导产生一个模糊异或系统 285

6.1.2 模糊系统的神经模糊网络训练——对异或系统进行训练 288

6.2 使用FuzzyCluster聚类 294

6.2.1 聚类概念 294

6.2.2 训练CLUSTER1.CSV文件 295

6.2.3 删除冗余数据 299

6.2.4 处理冲突数据 300

6.2.5 显示样本文件 302

6.2.6 模糊聚类 303

6.3 fuzzyTECH中NeuroFuzzy训练的计算 305

6.3.1 模糊逻辑作为神经元 305

6.3.2 模糊与神经网络的知识表达 306

6.4 fuzzyTECH中NeuroFuzzy学习模糊规则 306

6.4.1 FAM规则 306

6.4.2 训练数据 307

6.4.3 完成NeuroFuzzy网络 307

6.5 fuzzyTECH中NeuroFuzzy学习模糊化和解模糊化 308

6.5.1 隶属度函数的训练 308

6.5.2 学习方法 309

6.6 fuzzyTECH中NeuroFuzzy的数据聚类 310

6.6.1 消除数据冲突 310

6.6.2 聚类算法 310

6.6.3 一致性分析 311

习题 312

第7章 fuzzyTECH的应用 313

7.1 数据采集 313

7.1.1 系统分析 313

7.1.2 记录样本数据 315

7.2 数据聚类——K均值聚类 317

7.2.1 K均值聚类的算法 317

7.2.2 K均值聚类的MATLAB实现 318

7.2.3 待聚类样本的分类结果 322

7.2.4 结论 323

7.3 数据聚类——改进K均值聚类 325

7.3.1 K均值改进算法的思想 326

7.3.2 基于取样思想的改进K均值算法 327

7.3.3 运行结果 330

7.3.4 结论 333

7.4 数据聚类——模糊聚类 333

7.4.1 模糊聚类应用背景 333

7.4.2 基于MATLAB的GUI工具的模糊算法构建——数据模糊化 333

7.4.3 基于MATLAB的GUI工具的模糊算法构建——FIS实现 337

7.4.4 系统结果分析 340

7.5 数据聚类——模糊C均值聚类 342

7.5.1 模糊C均值聚类应用背景 342

7.5.2 模糊C均值算法 342

7.5.3 模糊C均值聚类的MATLAB实现 343

7.5.4 模糊C均值聚类结果分析 346

7.6 数据聚类——ISODATA算法概述聚类 348

7.6.1 ISODATA算法应用背景 348

7.6.2 用MATLAB实现ISODATA算法 348

7.6.3 聚类结果 353

7.6.4 ISODATA算法总结 353

7.7 系统建立 353

7.7.1 建立系统 354

7.7.2 学习前系统的规则观察及先验规则的添加 356

7.8 模糊神经网络配置及学习过程仿真 357

7.8.1 输出变量的设置 358

7.8.2 神经网络训练配置 359

7.8.3 模糊神经网络训练 360

7.8.4 系统的学习过程仿真 362

7.8.5 学习后系统的变化 363

7.8.6 系统的优化 364

7.9 系统的性能调试、仿真及代码生成 365

7.9.1 系统的性能调试 365

7.9.2 系统的仿真分析 367

7.9.3 系统的代码生成 371

7.10 系统的工作过程分析 372

7.10.1 确定系统所属语言值 372

7.10.2 确定所用的模糊规则及系统的输出 372

7.11 系统模糊神经模块的结构及算法分析 374

7.11.1 模糊模块及模糊神经网络模块 374

7.11.2 模糊神经网络模块 376

7.11.3 模糊神经算法 378

习题 380

相关图书
作者其它书籍
返回顶部