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