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TSP 61
5.3 离散Hopfield网络用于求解TSP 63
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NN1 153
11.3.4 机械手的逆模型NN2 154
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-FC 194
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