第1章 绪论 1
1.1 模糊神经网络 1
1.1.1 模糊神经网络的提出 1
1.1.2 模糊神经网络的发展 2
1.1.3 模糊神经网络的分类 3
1.2 动态模糊神经网络 4
1.2.1 动态模糊神经网络的提出 4
1.2.2 动态模糊神经网络的含义与特点 5
1.2.3 动态模糊神经网络的应用 5
本章参考文献 6
第2章 模糊系统与神经网络回顾 9
2.1 模糊系统 9
2.1.1 模糊集 9
2.1.2 模糊规则 9
2.1.3 模糊推理系统 11
2.1.4 模糊系统作为非线性逼近 13
2.1.5 模糊系统存在的问题 14
2.2 神经网络 15
2.2.1 神经网络的特性 15
2.2.2 神经网络的组成 15
2.2.3 神经网络的学习算法 16
2.2.4 神经网络的结构与泛化能力 17
2.2.5 神经网络激活函数的选择 19
2.2.6 径向基（RBF）神经网络 19
2.3 模糊系统与神经网络 21
2.3.1 模糊系统与神经网络的知识处理 22
2.3.2 通用逼近器 22
2.3.3 模糊系统与神经网络的功能等价 23
2.3.4 模糊系统与神经网络的结合 23
本章参考文献 24
第3章 动态模糊神经网络 27
3.1 动态模糊神经网络的结构 27
3.2 动态模糊神经网络的学习算法 28
3.2.1 规则产生准则 29
3.2.2 分级学习思想 29
3.2.3 前提参数分配 30
3.2.4 结果参数确定 30
3.2.5 修剪技术 32
3.3 对算法的进一步讨论 35
3.3.1 结构辨识 35
3.3.2 输入空间划分 36
3.4 小结 36
本章参考文献 37
第4章 动态模糊神经网络不同算法实现及比较 39
4.1 修剪技术的不同方法 39
4.1.1 奇异值分解（SVD）方法 39
4.1.2 特征值分解（ED）方法 40
4.1.3 列主元SVD-QR方法 41
4.1.4 总体最小二乘方法 43
4.1.5 不同修剪技术的比较研究 45
4.1.6 小结 48
4.2 参数调节方法及比较 48
4.2.1 扩展的卡尔曼滤波 48
4.2.2 不同参数调节方法的比较研究 49
4.2.3 小结 51
本章参考文献 53
第5章 动态模糊神经网络的一般应用 55
5.1 函数逼近 55
5.1.1 逼近问题 55
5.1.2 Hermite函数逼近 56
5.2 非线性动态系统辨识 58
5.2.1 建模问题 58
5.2.2 系统辨识 59
5.2.3 神经网络用于系统辨识 59
5.2.4 仿真 61
5.3 Mackey-Glass时间序列预测 62
5.4 人脸识别 65
5.5 讨论 65
5.5.1 学习速度、参数优化和泛化性 66
5.5.2 分级学习 67
5.5.3 高维小样本的学习问题 68
5.5.4 D-FNN与模糊规则提取 68
5.6 小结 68
本章参考文献 68
第6章 动态模糊神经网络在生物工程中的应用 70
6.1 药物注射系统的直接逆控制 70
6.1.1 问题的提出 70
6.1.2 病人的平均动脉血压对SNP注射响应的动态建模 70
6.1.3 几个约束条件 71
6.1.4 药物注射系统的直接逆控制 72
6.1.5 仿真结果 73
6.1.6 小结 84
6.2 乳腺癌的分类 85
6.2.1 引言 85
6.2.2 乳腺癌诊断中的分类技术 85
6.2.3 数据获取 86
6.2.4 特征提取 87
6.2.5 分类结果 87
6.2.6 小结 89
本章参考文献 89
第7章 增强型动态模糊神经网络用于实时自适应噪声消除 92
7.1 引言 92
7.2 自适应噪声消除 92
7.3 神经网络用于自适应噪声消除 94
7.4 ED-FNN学习算法 95
7.4.1 输入空间的划分 95
7.4.2 输出线性权值的确定 96
7.4.3 其他考虑 96
7.5 仿真研究与性能评估 97
7.5.1 第1种情况——一阶信道动态特性 98
7.5.2 第2种情况——三阶信道动态特性 103
7.6 小结 105
本章参考文献 105
第8章 广义动态模糊神经网络 106
8.1 引言 106
8.2 GD-FNN的结构 107
8.3 GD-FNN学习算法 108
8.3.1 规则产生准则 108
8.3.2 前提参数估计 109
8.3.3 输入变量和模糊规则的敏感性 111
8.3.4 高斯宽度修正 112
8.3.5 结果参数确定 113
8.4 仿真研究 114
8.5 讨论 118
8.5.1 模糊规则的ε-完备性 118
8.5.2 模糊划分、模糊规则数和隶属函数的数量 118
8.5.3 学习速度、参数优化和泛化性 119
8.5.4 对训练样本数据的要求 119
8.5.5 接收区域参数的选择和性能 119
8.5.6 椭球区域和宽度估计 120
8.5.7 D-FNN和GD-FNN方法 120
8.6 小结 121
本章参考文献 122
第9章 非线性系统的鲁棒自适应模糊神经控制 123
9.1 引言 123
9.2 Lyapunov稳定性理论 124
9.2.1 A.M.Lyapunov和稳定性定理 124
9.2.2 稳定性理论基本定义 124
9.2.3 自治系统 126
9.2.4 LaSalle不变原理 127
9.2.5 线性时不变系统 127
9.2.6 非自治系统 127
9.3 多输入多输出（MIMO）非线性动力系统 128
9.4 用GD-FNN直接建模 129
9.5 非线性系统的鲁棒自适应模糊神经控制 130
9.5.1 RAFNC的结构 130
9.5.2 RAFNC的收敛性分析 131
9.5.3 RAFNC的稳定性分析 133
9.6 仿真研究 134
9.6.1 逆单摆系统的跟踪控制 134
9.6.2 机器人操作臂的跟踪控制 136
9.7 小结 142
本章参考文献 142
第10章 动态模糊神经网络的实时应用与开发 144
10.1 引言 144
10.2 SEIKO TT-3000型机器人操作臂简介 145
10.3 动态模糊神经网络实时控制设计 146
10.3.1 动态模糊神经网络控制方案 146
10.3.2 权值训练算法 146
10.3.3 运动控制 147
10.4 仿真研究 147
10.4.1 快速原型 147
10.4.2 D-FNN控制器仿真模型 148
10.4.3 仿真结果 149
10.5 D-FNN控制器的实时实现 151
10.5.1 控制系统硬件结构 151
10.5.2 硬件条件约束 152
10.5.3 C-Mex S-函数 152
10.5.4 D-FNN软件 152
10.6 实验结果 154
10.6.1 无扰动情况下的实验结果 154
10.6.2 有扰动情况下的实验结果 157
10.6.3 加入／去除D-FNN控制器的实验结果 160
10.7 小结 162
本章参考文献 162
第11章 动态径向基神经网络应用于人脸识别 163
11.1 引言 163
11.2 径向基神经网络 165
11.3 人脸特征提取 167
11.3.1 主元分析法（PCA） 167
11.3.2 Fisher线性判别式（FLD） 167
11.4 径向基神经网络的初始化 168
11.4.1 结构确定和参数选择 168
11.4.2 高斯宽度估计 170
11.5 混合学习算法 171
11.5.1 权值调整 171
11.5.2 RBF节点参数的调整 171
11.5.3 学习步骤 172
11.6 实验结果 173
11.6.1 ORL数据库 173
11.6.2 学习前的聚类错误 173
11.6.3 学习后的分类错误 173
11.6.4 性能比较 176
11.7 讨论 177
11.7.1 人脸特征、分类器和识别性能的关系 177
11.7.2 训练样本与识别性能的关系 180
11.7.3 神经网络初始化与识别性能的关系 180
11.7.4 小样本集问题 182
11.8 小结 183
本章参考文献 183
第12章 总结与进一步研究的课题 186
12.1 总结 186
12.2 进一步研究的课题 187
附录A MATLAB程序 189
A.1 第3章程序 189
A.2 第4章程序 193
A.3 第5章程序 201
A.4 第6章程序 204
A.5 第8章程序 216