第1章 绪言 1
1-1 人工神经网络的特点 1
1-2 神经网络在控制领域取得的进展 1
1-3 神经网络控制系统概述 3
1-3-1 神经网络控制系统的组成 3
1-3-2 实时控制 5
1-3-3 智能控制的分支 5
1-4 神经网络控制待解决的问题 6
1-5 关于“例”与“MATLAB程序” 6
第2章 神经网络理论基础 7
2-1 引言 7
2-2 生物神经元与人工神经元模型 9
2-2-1 生物神经元 9
2-2-2 MP模型 10
2-2-3 多种作用函数 11
2-2-4 Hebb学习规则 12
2-3 感知器 12
2-3-1 单层感知器 12
2-3-2 多层感知器 16
2-4 线性神经网络 18
2-4-1 自适应线性神经元 18
2-4-2 线性神经网络 19
2-5 多层前馈网络与BP学习算法 20
2-5-1 网络结构 20
2-5-2 BP学习算法 20
2-5-3 有关的几个问题 22
2-6 径向基函数神经网络 25
2-6-1 网络输出计算 26
2-6-2 网络的学习算法 26
2-6-3 有关的几个问题 27
2-6-4 MATLAB高斯RBF网络构建法 29
2-7 小脑模型神经网络 30
2-7-1 CMAC的结构及工作原理 30
2-7-2 CMAC的学习算法及分析 31
2-7-3 有关的几个问题 34
2-8 PID神经网络 38
2-8-1 网络结构与输出计算 38
2-8-2 学习算法 39
2-8-3 有关的两个问题 40
2-9 局部递归型神经网络 40
2-9-1 内时延反馈型网络 41
2-9-2 外时延反馈型网络 43
2-10 连续型Hopfield网络 43
2-10-1 网络的描述 43
2-10-2 网络的稳定性 44
2-10-3 学习算法 45
2-10-4 有关的几个问题 45
2-11 应用Simulink设计神经网络 46
2-12 应用GUI设计神经网络 48
2-13 小结 49
习题 49
第3章 基于神经网络的系统辨识 51
3-1 引言 51
3-2 系统辨识的基础知识 51
3-2-1 系统辨识的基本原理 51
3-2-2 误差准则 53
3-2-3 辨识精度 53
3-2-4 辨识的主要步骤 54
3-3 基于神经网络的系统辨识原理 54
3-3-1 系统模型及逆模型的辨识 55
3-3-2 动态系统辨识常用的神经网络 55
3-3-3 两种辨识结构 58
3-4 线性动态系统模型与辨识 58
3-4-1 确定性系统模型 58
3-4-2 随机系统模型 61
3-4-3 确定性系统的神经网络辨识 63
3-4-4 随机系统的神经网络辨识 66
3-4-5 基于连续Hopfield网络的线性系统辨识 68
3-5 非线性动态系统模型与辨识 72
3-5-1 非线性系统模型 72
3-5-2 神经网络系统辨识 73
3-6 线性动态系统的逆模型与辨识 77
3-6-1 线性系统的逆模型 77
3-6-2 神经网络逆模型辨识 79
3-7 非线性动态系统逆模型与辨识 82
3-7-1 非线性系统的逆与可逆性 82
3-7-2 非线性系统逆模型 83
3-7-3 神经网络逆模型辨识 84
3-8 小结 87
习题 88
第4章 神经网络控制 89
4-1 引言 89
4-2 神经网络控制的设计与实现 89
4-2-1 神经网络控制系统的离散化 89
4-2-2 神经网络控制的设计 91
4-2-3 神经网络控制的实现 92
4-3 基于连续Hopfield网络的PID控制 92
4-3-1 基于CHNN的PID控制结构 92
4-3-2 基于CHNN的PID控制器参数优化计算 93
4-3-3 PID控制算法 94
4-4 神经自校正控制 97
4-4-1 神经自校正控制结构 98
4-4-2 神经网络辨识器 99
4-5 神经PID控制 101
4-5-1 神经网络辨识器 102
4-5-2 神经PID控制器 103
4-6 神经内模控制 104
4-6-1 内模控制原理 104
4-6-2 线性内模控制设计 106
4-6-3 神经非线性内模控制 110
4-7 PID神经网络控制 112
4-7-1 PID神经网络单变量控制 112
4-7-2 PID神经网络多变量控制 113
4-8 小脑模型神经控制 118
4-8-1 CMAC直接逆运动控制 118
4-8-2 CMAC前馈控制 120
4-8-3 CMAC反馈控制 121
4-9 神经控制三例 121
4-9-1 神经控制器 121
4-9-2 非线性动态系统 122
4-9-3 神经控制三例 123
4-10 再励学习与神经控制 125
4-10-1 再励学习原理 126
4-10-2 再励学习算法 126
4-10-3 再励学习神经控制 127
4-11 小结 129
习题 129
第5章 遗传算法与神经控制 130
5-1 引言 130
5-2 基本的遗传算法 131
5-2-1 生物的遗传、进化和适应性 131
5-2-2 基本的遗传算法 131
5-2-3 遗传操作 133
5-2-4 GA的有效性 136
5-2-5 适应度及调整 137
5-2-6 有关的几个问题 139
5-3 模式定理 140
5-3-1 模式 140
5-3-2 基本算子对模式的影响 140
5-4 遗传算法的发展 142
5-4-1 交叉、变异概率的自适应调整 142
5-4-2 高级算子 142
5-4-3 并行GA 143
5-4-4 可变长个体与Messy GA 144
5-4-5 基于小生境技术的GA 145
5-4-6 混合GA 146
5-4-7 GA理论研究 146
5-5 遗传算法与函数最优化 147
5-6 遗传算法与系统辨识 150
5-7 遗传算法与PID控制 155
5-7-1 线性离散系统的PID参数整定 155
5-7-2 线性连续系统的PID参数整定 156
5-8 神经网络的遗传进化训练 159
5-9 遗传算法与神经控制 161
5-10 小结 165
习题 166
附录A 最优化算法 167
A-1 最优化问题 167
A-2 梯度下降法 169
附录B 赋范空间的逼近 170
B-1 距离空间 170
B-2 线性赋泛空间 171
B-3 Banach空间 172
B-4 最佳逼近 172
B-5 最佳逼近元的存在性和唯一性 173
B-6 最佳一致逼近 173
B-7 L2逼近 174
附录C 无监督学习的两种动态聚类算法 175
C-1 聚类分析 175
C-2 两种动态聚类法 176
C-3 几点说明 178
附录D B样条函数 179
D-1 样条函数 179
D-2 B样条函数 180
D-3 函数的插值与逼近 183
附录E Lyapunov第二方法 184
E-1 有关的定义 184
E-2 Lyapunov第二方法 185
附录F M序列及逆M序列 187
F-1 M序列 187
F-2 逆M序列 189
参考文献 191