前言 1
第1章 典型前向神经网络 1
1.1 感知器网络 4
1.1.1 感知器的网络结构及其功能 5
1.1.2 感知器权值的学习规则与训练 6
1.2 自适应线性元件 11
1.2.1 自适应线性神经元模型和结构 11
1.2.2 W-H学习规则及其网络的训练 12
1.3 反向传播网络 13
1.3.1 反向传播网络模型与结构 13
1.3.2 BP算法 15
1.3.3 BP网络的设计 17
1.3.4 BP网络的限制与不足 19
第2章 网络训练优化算法 20
2.1 基于标准梯度下降的方法 21
2.1.1 附加动量法 21
2.1.2 自适应学习速率 22
2.1.3 弹性BP算法 23
2.2 基于数值优化方法的网络训练算法 23
2.2.1 拟牛顿法 24
2.2.2 共轭梯度法 25
2.2.3 Levenberg-Marquardt法 26
2.3.1 非线性函数的逼近 27
2.3 数值实例对比 27
2.3.2 逼近非线性直流电机的输入/输出特性 29
2.4 小结 31
第3章 BP网络在智能系统中的建模与控制 32
3.1 直接正向模型建立 32
3.2 逆模型建立 33
3.3 系统中的控制 35
3.3.1 监督式控制 35
3.3.2 直接逆控制 35
3.3.3 模型参考控制 36
3.3.4 内模控制 36
第4章 反馈网络 37
4.1 霍普菲尔德网络模型 38
4.2 DHNN的学习规则 38
4.2.1 海布学习规则 38
4.2.2 正交化的权值设计 40
4.3 离散型反馈网络的稳定点与稳定域 43
4.3.1 两个输入神经元的情况 45
4.3.2 网络输入神经元为三个时的情况分析 49
4.3.3 小结 51
4.4 连续型霍普菲尔德网络 51
4.4.1 对应于电子电路的网络结构 52
4.4.2 霍普菲尔德能量函数及其稳定性分析 54
4.4.3 能量函数与优化计算 57
4.5 用CHNN求解TSP问题 58
4.5.1 网络设计 59
4.5.2 对终态时系统的输出向量V的解释 61
4.5.3 用CHNN算法实现TSP的问题探讨 62
4.5.4 各参数的影响 64
4.5.5 小结 67
第5章 自组织竞争人工神经网络 68
5.1 几种联想学习规则 68
5.1.1 内星学习规则 69
5.1.2 外星学习规则 70
5.2 自组织竞争网络 71
5.2.1 网络结构 71
5.1.3 科荷伦学习规则 71
5.2.2 竞争学习规则 73
5.2.3 竞争网络的训练过程 74
5.3 科荷伦自组织映射网络 76
5.3.1 科荷伦网络的拓扑结构 77
5.3.2 网络的训练过程 78
5.3.3 科荷伦网络的应用 78
5.4 小结 79
第6章 径向基函数网络 80
6.1 径向基函数及其网络分析 80
6.2 网络的训练与设计 82
6.3 广义径向基网络 83
6.4 数字应用对比及性能分析 84
6.5 小结 85
第7章 模糊理论基础 86
7.1 引言 86
7.2 模糊集合及其隶属函数 88
7.2.1 模糊集合的定义 88
7.2.2 模糊集合的表示方法 89
7.2.3 模糊集合的并、交、补运算 90
7.2.4 模糊集合的隶属函数 90
7.3 模糊逻辑 92
7.3.1 二值逻辑、多值逻辑和模糊逻辑 92
7.3.2 模糊逻辑的基本运算 92
7.3.3 模糊关系和模糊矩阵 94
7.3.4 模糊语言及其算子 96
7.4 模糊规则与模糊推理 99
7.4.1 模糊“如果--那么”规则 99
7.4.2 模糊逻辑推理 100
第8章 模糊控制器的设计方法 110
8.1 精确与模糊控制的事例 110
8.1.1 采用精确的非模糊求解方法 110
8.1.2 模糊方法 113
8.2 模糊逻辑控制过程 114
8.3 输入变量和输出变量的确定 115
8.4 论域的确定 116
8.5 确定模糊化和解模糊化方法 117
8.5.1 模糊化方法 118
8.5.2 解模糊判决方法 120
8.6 模糊控制规则 122
8.7 模糊逻辑推理 123
8.7.1 合成模糊推理法 123
8.7.2 结论是线性函数的模糊推理方法 132
8.7.3 量化因子及比例因子的选择 133
第9章 运动控制中的摩擦力补偿及其建模技术 135
9.1 引言 135
9.2 摩擦学及实验上提出的非线性摩擦力模型 136
9.3 机械控制工程上采用的分析与补偿法 137
9.4 运动控制 139
9.5 运动控制中库仑摩擦力的结构分析 140
9.6 基于模型的摩擦力前向补偿器的设计 143
9.7 线性模型的参数辨识 144
9.7.1 基于不同原理的辨识方法 144
9.7.2 MATLAB中系统模型辨识的描述方法 147
9.7.3 库仑摩擦力参数的辨识 148
9.8 运动控制中的机电控制系统 149
9.8.1 机械系统 149
9.8.2 电子学技术 149
9.8.3 先进的计算机控制 150
9.8.4 自适应运动控制应用的例子 151
9.9.1 被控过程线性段模型的参数辨识 153
9.9 非线性直流电机仿真模型系统的建立 153
9.9.2 非线性模型的建立及仿真系统的实现 155
第10章 模糊控制系统的应用 158
10.1 速度模糊控制器的设计 158
10.2 三种控制器的设计与性能比较 163
10.2.1 控制算法的描述 163
10.2.2 结果的对比 165
10.3 变参数双模糊控制器 167
10.3.1 参数的设定 167
10.3.2 仿真实验验证 169
10.3.3 小结 171
11.1.1 BP网络的设计 172
11.1 BP网络结构、参数及训练方法的设计与选择 172
第11章 神经网络的应用 172
11.1.2 采用自适应学习速率与固定学习速率的比较 176
11.1.3 改进算法的性能比较 177
11.2 神经网络在电机非线性补偿中的设计与实现 178
11.2.1 问题的提出 178
11.2.2 伺服电机神经网络仿真器的设计 178
11.2.3 神经网络补偿器的设计 180
11.2.4 神经网络控制系统 181
11.2.5 实验测试结果 182
11.2.6 小结 183
12.2 模糊系统的关系式 184
第12章 模糊神经网络 184
12.1 引言 184
12.3 用神经网络直接实现的模糊系统 186
12.4 Sugeno模糊推理法 187
12.5 B样条模糊神经网络 188
12.5.1 B样条函数及其网络 188
12.5.2 B样条模糊神经网络控制器的设计 191
12.6 径向基函数神经网络 192
12.7 小结 195
第13章 模糊神经系统的应用 196
13.1 基于ANFIS的非线性电机系统的建模 196
13.1.1 ANFIS的结构 196
13.1.3 非线性电机系统建模 198
13.1.2 混合学习算法 198
13.1.4 基于ANFIS的建模 199
13.1.5 辨识模型的验证 200
13.1.6 小结 202
13.2 用自组织竞争网络优化模糊神经网络的结构 202
13.2.1 自组织竞争神经网络 203
13.2.2 具有最佳结构与参数的模糊神经网络控制器的设计 204
13.2.3 小结 207
第14章 遗传算法 208
14.1 遗传算法的基本特点 209
14.2 遗传算法的基本操作 210
14.3 遗传算法的设计步骤 212
14.4 遗传算法的实质 213
14.5 小结 214
第15章 遗传算法的应用 215
15.1 采用遗传算法提高神经网络模型辨识的精度 215
15.1.1 引言 215
15.1.2 改进的遗传算法 216
15.1.3 实例验证 217
15.1.4 小结 218
15.2 模糊神经网络和遗传算法相结合的控制策略 218
15.2.1 引言 218
15.2.2 优化控制系统的结构 219
15.2.3 优化仿真结果的对比和分析 222
15.2.4 小结 223
第16章 模拟退火算法及其应用 224
16.1 Metropolis准则和模拟退火算法 224
16.2 模拟退火算法的设计步骤 225
16.3 应用模拟退火算法求解TSP问题 226
16.3.1 TSP问题的求解步骤 227
16.3.2 冷却进度表的选取 228
16.3.3 求解TSP问题的程序实现 230
16.3.4 模拟退火算法的性能对比 232
16.4 模拟退火算法的改进 235
参考文献 236