神经网络自适应控制PDF电子书下载

目录 1

第一章 自组织特征映射神经网络与控制 1

1.1 引言 1

1.2 自组织神经网络的基本原理 3

1.2.1 特征空间的划分 3

1.2.2 WTA竞争学习机制 3

1.2.3 SOFM模型及其学习算法 5

1.3 SOFM算法的稳态性质 5

1.3.1 输入空间逼近与广义Lloyd算法 5

1.3.2 学习向量量化（LVQ）［23］ 11

1.3.3 SOFM稳态性质定量描述［21］ 13

1.4 SOFM算法的规范化数学模型 20

1.4.1 改进的自组织神经元网络模型 20

1.4.2 自组织算法的ODE分析 21

1.4.3 神经元权重集惟一解的存在性［3］ 24

1.4.4 神经元权重稳态解的形式 30

1.4.5 拓扑保持自组织模型的分析 35

1.5 SOFM算法与系统辨识 36

1.5.1 自组织最小二乘辨识 36

1.5.2 算法仿真与分析 40

1.6 SOFM在机器人手眼协调控制中的应用 42

1.6.1 机器人手眼系统描述 42

1.6.2 基于自组织网络的手眼协调控制 50

1.6.3 仿真结果 56

参考文献 58

第二章 非拓扑保持自组织算法 61

2.1 神经气体模型 61

2.2 群落生长型自组织模型 62

2.3 自组织聚类实验 64

2.4 GGM模型用于混沌系统辨识 71

2.4.1 混沌系统的相空间重构 71

2.4.2 相空间划分与混沌系统辨识 72

2.4.3 仿真结果与分析 74

2.5 NO自组织神经网络原理与应用 77

2.5.1 引言 77

2.5.2 内源性NO扩散机制 79

2.5.3 规则空间NO扩散模型 82

2.5.4 NO自组织神经网络［51］ 91

2.5.5 GasNets网络模型及应用 102

参考文献 112

3.1.1 引言 118

3.1 基于高斯函数网络（GPFN）的智能控制 118

第三章 神经网络智能控制系统 118

3.1.2 GPFN网络与系统辨识 119

3.1.3 基于GPFN网络的智能PID控制器设计 125

3.1.4 仿真实验结果 131

3.1.5 小结 131

3.2 神经网络非线性智能控制系统 132

3.2.1 基于自适应神经网络的智能控制 133

3.2.2 单层自适应Adaline网络的智能控制器设计 142

3.2.3 基于多层自适应网络的非线性自校正控制 145

3.3 基于动态递归网络的非线性智能控制 150

3.3.1 改进型动态递归网络与控制算法 150

参考文献 160

4.1 模糊神经网络自组织控制 162

4.1.1 自组织模糊控制器 162

第四章 模糊神经网络与自适应控制 162

4.1.2 模糊神经网络自组织控制系统 166

4.1.3 仿真实验结果及应用分析 182

4.2 神经网络模糊逻辑推理智能控制 184

4.2.1 模糊逻辑控制 185

4.2.2 模糊高斯基函数网络推理控制 189

4.2.3 神经网络动态系统辨识 196

4.2.4 系统仿真结果与倒立摆控制 199

参考文献 203

第五章 神经网络在两足步行机器人控制中的应用 204

5.1 概述 204

5.2 两足步行机器人建模 208

5.2.1 引言 208

5.2.2 解耦模型 210

5.2.3 ZMP计算 216

5.3 两足步行机器人稳定性分析与运动控制 217

5.3.1 序言 217

5.3.2 基本概念 219

5.3.3 两足动态步行的姿态稳定性分析及姿态控制器构造 221

5.3.4 步态稳定性分析及步态控制 226

5.3.5 两足步行机器人动态步行的实时时位控制方案 237

5.4 神经网络学习步态控制器 239

5.4.1 CMAC模型及其特点 239

5.4.2 神经网络学习步态控制 242

5.4.3 计算机仿真研究与结果分析 247

5.5 利用CMAC神经网络的两足机器人稳定自适应控制［6］ 258

5.5.1 序言 258

5.5.2 CMAC神经网络与自组织学习结构 259

5.5.3 虚拟模型控制与虚拟动态空间 262

5.5.4 自适应CMAC神经网络控制 265

5.5.5 仿真分析 267

参考文献 270

第六章 增强学习与神经动态规划 271

6.1 引言 271

6.2 增强学习理论的形成和发展 274

6.2.1 增强学习的学科基础 274

6.2.2 增强学习理论的早期发展 276

6.2.3 增强学习理论的成熟 277

6.3 神经元的非联想与联想增强学习算法 278

6.3.1 神经元的非联想增强学习算法（Non-associative RL） 278

6.3.2 联想增强学习算法 284

6.4 时域差值学习理论与算法 289

6.4.1 Markov链与多步学习预测问题 291

6.4.2 时域差值TD（Temporal Difference）学习算法 296

6.5 基于动态规划的增强学习方法 301

6.5.1 MDP与动态规划 301

6.5.2 基于动态规划的增强学习方法 303

6.6 神经动态规划 312

6.6.1 基于线性值函数逼近的时域差值学习算法 312

6.6.2 基于CMAC的增强学习算法 315

6.6.3 非线性函数逼近与残差增强学习算法 318

6.6.4 基于执行器-评判器结构的神经动态规划方法 320

6.7 增强学习与神经动态规划的应用 322

6.7.1 增强学习在机器人控制中的应用 322

6.7.2 增强学习在非线性系统学习控制中的应用 334

6.7.3 增强学习在优化和调度中的应用 342

6.8 小结 344

参考文献 345