第1章 绪言 1
1-1 人工神经网络的特点 1
1-2 神经网络控制取得的进展 2
1-3 神经网络控制待解决的问题 4
第2章 神经网络理论基础 5
2-1 引言 5
2-2 生物神经元与人工神经元模型 7
2-2-1 生物神经元 7
2-2-2 MP模型 8
2-2-3 其他形式的作用函数 10
2-2-4 Hebb学习规则 11
2-3 感知器 11
2-3-1 单层感知器 11
2-3-2 多层感知器 15
2-4 多层前馈网络与BP学习算法 18
2-4-1 网络结构 18
2-4-2 BP学习算法 18
2-4-3 有关的几个问题 21
2-5 自适应线性神经元 23
2-6-1 网络输出计算 26
2-6 径向基函数神经网络 26
2-6-2 网络的学习算法 27
2-6-3 有关的几个问题 29
2-7 小脑模型神经网络 33
2-7-1 CMAC的结构及工作原理 33
2-7-2 CMAC的学习算法及分析 35
2-7-3 有关的几个问题 39
2-8 PID神经网络 42
2-8-1 网络结构与输出计算 42
2-8-2 学习算法 44
2-9-1 网络结构 46
2-8-3 有关的两个问题 46
2-9 全递归型神经网络 46
2-9-2 BPTT算法 47
2-9-3 RTRL算法 50
2-10 局部递归型神经网络 51
2-10-1 内时延反馈型网络 51
2-10-2 外时延反馈型网络 54
2-11 连续型Hopfield网络 55
2-11-1 网络的描述 55
2-11-2 网络的稳定性 56
2-11-4 有关的几个问题 57
2-11-3 学习算法 57
2-12 小结 58
习题 59
第3章 基于神经网络的系统辨识 60
3-1 引言 60
3-2 系统辨识的基础知识 61
3-2-1 系统辨识的基本原理 61
3-2-2 误差准则 62
3-2-3 辨识精度 63
3-2-4 辨识的主要步骤 63
3-3-1 系统模型及逆模型的辨识 64
3-3 基于神经网络的系统辨识原理 64
3-3-2 动态系统辨识常用的神经网络 65
3-3-3 两种辨识结构 68
3-4 线性动态系统模型与辨识 69
3-4-1 确定性系统模型 69
3-4-2 随机系统模型 73
3-4-3 确定性系统的神经网络辨识 75
3-4-4 随机系统的神经网络辨识 78
3-5 非线性动态系统模型与辨识 83
3-5-1 非线性系统模型 83
3-5-2 神经网络系统辨识 84
3-6-1 线性系统的逆模型 98
3-6 线性动态系统的逆模型与辨识 98
3-6-2 神经网络逆模型辨识 101
3-7 非线性动态系统逆模型与辨识 103
3-7-1 非线性系统的逆与可逆性 103
3-7-2 非线性系统逆模型 105
3-7-3 神经网络逆模型辨识 107
3-8小结 113
习题 113
4-2 神经网络控制的设计与实现 115
4-2-1 神经网络控制的设计 115
第4章 神经网络控制 115
4-1 引言 115
4-2-2 神经网络控制的实现 117
4-3 神经自校正控制 119
4-3-1 神经自校正控制结构 120
4-3-2 神经网络辨识器 121
4-4 神经PID控制 124
4-4-1 神经网络辨识器 125
4-4-2 神经PID控制器 126
4-5 神经模型参考自适应控制 129
4-6 神经内模控制 132
4-6-1 内模控制原理 133
4-6-2 线性内模控制设计 135
4-6-3 神经非线性内模控制 139
4-7 PID神经网络控制 144
4-7-1 PID神经网络单变量控制 144
4-7-2 PID神经网络多变量控制 147
4-8 小脑模型神经控制 155
4-8-1 CMAC直接逆运动控制 155
4-8-2 CMAC前馈控制 158
4-8-3 CMAC反馈控制 159
4-9 再励学习与神经控制 160
4-9-1 再励学习原理 160
4-9-2 再励学习算法 161
4-9-3 再励学习神经控制 163
4-10 小结 164
习题 165
第5章 遗传算法与神经控制 166
5-1 引言 166
5-2-2 基本的遗传算法概述 167
5-2-1 生物的遗传、进化和适应性 167
5-2 基本的遗传算法 167
5-2-3 遗传操作 170
5-2-4 GA的有效性 173
5-2-5 适应度及调整 174
5-2-6 有关的几个问题 176
5-3 模式定理 178
5-3-1 模式 178
5-3-2 基本算子对模式的影响 179
5-4-2 高级算子 181
5-4-1 交叉、变异概率的自适应调整 181
5-4 遗传算法的发展 181
5-4-3 并行GA 182
5-4-4 可变长个体与MessyGA 183
5-4-5 基于小生境技术的GA 185
5-4-6 混合GA 186
5-4-7 导入年龄结构的GA 187
5-4-8 基于基因分布评价的适应度调整 187
5-4-9 GA理论研究 188
5-5 遗传算法与函数最优化 189
5-6 遗传算法与系统辨识 195
5-7 神经网络的遗传进化训练 203
5-8 遗传算法与神经控制 207
5-9 小结 212
习题 213
附录A 梯度下降法 214
A-1 迭代算法 214
A-2 步长的选择 215
A-3 一般迭代算法 215
A-4 梯度下降法的不足 216
附录B 赋范空间的逼近 217
B-1 距离空间 217
B-2 线性赋泛空间 218
B-3 Banach空间 220
B-4 最佳逼近 220
B-5 最佳逼近元的存在性和惟一性 221
B-6 最佳一致逼近 221
B-7 L2逼近 222
附录C 无监督学习的两种动态聚类算法 223
C-1 聚类分析 223
C-2 两种动态聚类法 224
C-3 几点说明 227
D-1 镜像映射法 228
附录D 镜像映射最小二乘解法 228
D-2 正交矩阵 229
D-3 镜像映射矩阵 229
D-4 矩车三角化 230
D-5 正交矩阵的求取 232
附录E B样条函数 233
E-1 样条函数 233
E-2 B样条函数 235
E-3 函数的插值与逼近 239
F-1 有关的定义 240
附录F Lyapunov第二方法 240
F-2 Lyapunov第二方法 242
附录G M序列及逆M序列 243
G-1 M序列 243
G-2 逆M序列 245
附录H Z变换 248
H-1 Z变换的定义 248
H-2 Z变换的性质 249
H-3 Z反变换 251
附录I 线性连续系统的Z传递函数 252
参考文献 255