第1章 智能控制技术基础 1
1.1 智能控制的基本概念 1
1.2 智能控制系统的分类和发展 3
1.3 用于神经网络控制或辨识建模的噪声信号产生方法 4
1.4 伪随机信号产生及MATLAB仿真举例 8
1.5 语义网络知识表示法及Petri网举例 12
1.6 小结 14
习题 14
第2章 神经网络控制的基本概念 15
2.1 生物神经元模型 15
2.2 人工神经元 16
2.2.1 人工神经网络的发展 16
2.2.2 神经网络的特性 17
2.2.3 人工神经元模型 17
2.3 神经网络常用的激发函数 18
2.4 神经网络的分类 19
2.5 神经网络学习方法 21
2.6 小结 25
习题 25
第3章 前向神经网络模型及其仿真算法 26
3.1 感知器算法及其应用 26
3.1.1 感知器的概念 26
3.1.2 感知器的局限性 26
3.1.3 感知器的线性可分性 27
3.1.4 感知器分类的MATLAB仿真 29
3.2 BP神经网络及其算例 35
3.3 其它前向网络 40
3.4 神经网络模型辨识 42
3.4.1 神经网络模型辨识系统结构 42
3.4.2 神经网络模型辨识MATLAB仿真 44
3.5 神经网络自适应控制系统结构 48
3.6 神经元自适应控制系统MATLAB仿真 50
3.6.1 Kp变化时系统的阶跃响应仿真 50
3.6.2 系统的闭环零点z、极点p和增益k求取仿真 51
3.6.3 单神经网络控制系统仿真 52
3.7 小结 54
习题 54
第4章 改进的BP网络训练算法 55
4.1 BP网络分析及其改进思路 55
4.1.1 网络存在问题分析 55
4.1.2 其它网络训练技巧 56
4.2 基于降低网络灵敏度的网络改进算法 57
4.3 提高神经网络容错性的理论和方法 59
4.4 提高神经网络收敛速度的一种赋初值算法 61
4.5 复杂系统神经网络辨识MATLAB仿真举例 67
4.5.1 具有噪声二阶系统辨识的MATLAB程序剖析 67
4.5.2 多维非线性辨识与MATLAB程序剖析 70
4.6 小结 77
习题 77
第5章 小脑模型神经网络及其应用 78
5.1 CMAC网络的特点 78
5.2 改进的CMAC干式变压器卷线机跑偏信号谐波分析 80
5.2.1 CMAC网络对非线性函数学习过程 81
5.2.2 干式变压器卷线机跑偏信号谐波分析方法 82
5.2.3 跑偏信号谐波仿真与分析 83
5.3 改进的CMAC学习多维函数 90
5.4 小结 92
习题 92
第6章 遗传算法及其神经网络 93
6.1 遗传算法的概念 93
6.1.1 遗传算法的定义及特点 93
6.1.2 遗传操作 94
6.2 一种适应度函数的改进算法 98
6.2.1 适应度函数的选择与计算 98
6.2.2 一种改进的遗传神经解耦方法 100
6.2.3 遗传神经解耦仿真、实验及结论 101
6.3 遗传算法及其遗传神经网络应用仿真 102
6.3.1 遗传算法寻优MATLAB仿真 102
6.3.2 遗传神经元辨识MATLAB仿真 107
6.4 小结 109
习题 109
第7章 模糊神经网络 110
7.1 传统控制与模糊控制 110
7.2 模糊神经网络及其应用 111
7.2.1 模糊神经网络的概念 111
7.2.2 隶属函数神经网络 111
7.2.3 模糊神经网络控制模型 112
7.3 FNN对非线性多变量系统的解耦方法 115
7.3.1 FNN解耦的基本模型 115
7.3.2 FNN解耦的算法 116
7.4 FC及FNN解耦算法的MATLAB仿真 117
7.5 小结 123
习题 124
第8章 径向基函数网络 125
8.1 径向基函数网络模型 125
8.2 网络的训练与设计 128
8.2.1 聚类分析 128
8.2.2 动态聚类法 128
8.2.3 RBF网络的学习算法 130
8.3 径向基神经网络的工具箱 132
8.3.1 面向MATLAB工具箱的径向基神经元模型 132
8.3.2 面向MATLAB工具箱的径向基神经网络 133
8.3.3 径向基网络的创建与学习过程 133
8.3.4 径向基网络的应用 135
8.4 混沌时间序列建模及预测 137
8.4.1 相空间重构 138
8.4.2 非线性函数逼近方法 139
8.4.3 数值实验 139
8.5 小结 140
习题 140
第9章 反馈型神经网络 141
9.1 Hopfield神经网络 141
9.1.1 Hopfield网络的结构 141
9.1.2 Hopfield网络的稳定性 143
9.1.3 基本学习规则 146
9.1.4 Hopfield网络的联想特性 148
9.2 反馈网络与优化计算 151
9.2.1 Hopfield网络的电路模型与动态方程 152
9.2.2 Hopfield网络的能量函数与稳定性 154
9.2.3 Hopfield网络的优化计算 155
9.3 Hopfield网络的MATLAB开发 159
9.3.1 Hopfield神经网络的工具函数 159
9.3.2 基于Hopfield网络的数字识别 161
9.4 小结 163
习题 163
第10章 支持向量机 164
10.1 统计学习理论的一般概念 164
10.1.1 机器学习问题的表示 165
10.1.2 经验风险最小化 165
10.1.3 学习机的VC维与风险界 167
10.1.4 结构风险最小化 170
10.2 最优化理论基础 171
10.2.1 二次规划 171
10.2.2 拉格朗日理论 173
10.2.3 二次规划的对偶 175
10.3 支持向量机 176
10.3.1 分类超平面的几何性质 176
10.3.2 线性可分支持向量机 178
10.3.3 近似线性可分支持向量机 180
10.3.4 非线性可分支持向量机 181
10.3.5 支持向量回归机 184
10.4 支持向量机的实现 186
10.4.1 LIBSVM软件包简介 186
10.4.2 LIBSVM使用方法 186
10.4.3 SVM在MATLAB中的实现 189
10.5 SVM在故障诊断中的应用 190
10.6 小结 193
习题 193
第11章 小波神经网络及应用 194
11.1 多尺度分析 194
11.2 小波变换 195
11.3 小波包变换 202
11.4 小波分析在信号处理中的应用 204
11.4.1 信号奇异点检测仿真 204
11.4.2 信号消噪仿真 206
11.5 小波神经网络 207
11.6 小波神经网络在电缆故障识别中的应用 210
11.6.1 小波变换提取特征 210
11.6.2 小波神经网络结构设计 212
11.6.3 电缆故障识别仿真 212
11.7 小结 219
习题 220
参考文献 221