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