第一章 智能控制的发展和趋向 1
1.1 智能控制的概念 2
1.2 智能控制的发展 5
1.2.1 智能控制诞生的背景 5
1.2.2 智能控制的发展过程 6
1.2.3 智能控制的基本理论 11
1.3 神经网络模糊逻辑的结合控制 15
1.3.1 模糊逻辑和神经网络结合的历史原因 15
1.3.2 模糊逻辑和神经网络结合的现实意义 18
1.3.3 模糊逻辑和神经网络结合的基本方法 19
2.1 模糊集合与隶属函数 23
2.1.1 模糊集合概念 23
第二章 模糊逻辑的数学基础 23
2.1.2 隶属性函数 24
2.1.3 模糊集合的表示方法和运算 27
2.1.4 分解定理和扩张定理 30
2.2 模糊关系与模糊矩阵 35
2.2.1 普通关系和模糊关系 35
2.2.2 模糊矩阵和合成运算 39
2.2.3 模糊变换 45
2.3 模糊逻辑与模糊推理 48
2.3.1 模糊命题 48
2.3.2 模糊逻辑 51
2.3.3 模糊推理 54
3.1 模糊逻辑控制的机理 60
第三章 模糊逻辑控制 60
3.2 模糊化方法 64
3.2.1 论域的量化 65
3.2.2 模糊划分和模糊表达 67
3.3 模糊控制规则 73
3.3.1 模糊控制规则及其格式 74
3.3.2 模糊控制规则的生成 76
3.4 反模糊化方法 79
3.4.1 最大隶属度法 79
3.4.2 中位数法 80
3.4.3 重心法 81
3.5.1 模糊控制系统的结构 82
3.5 模糊逻辑控制系统 82
3.5.2 模糊控制器和模糊算法 87
3.5.3 模糊控制系统的稳定性 95
第四章 典型神经网络模型 104
4.1 神经网络的基本机理和结构 104
4.1.1 神经元及其行为机理 105
4.1.2 神经网络结构及功能 110
4.2 反向传播BP模型 113
4.2.1 神经网络的学习机理和机构 114
4.2.2 神经网络学习的梯度算法 119
4.2.3 反向传播学习的BP算法 121
4.3.1 离散Hopfield网络 127
4.3 Hopfield模型 127
4.3.2 连续Hopfield网络 135
4.4 自适应共振理论ART模型 139
4.4.1 ART模型的结构 139
4.4.2 ART的基本工作原理 142
4.4.3 ART模型的数学描述 148
4.4.4 ART模型的学习算法 150
4.4.5 ART模型的Lippman学习算法 153
4.5 Kohonen模型 157
4.5.1 神经元的侧向交互原理 158
4.5.2 二维阵列SOM模型 159
4.5.3 SOM模型的学习算法 161
4.5.4 SOM模型学习的具体步骤 166
第五章 神经网络控制 168
5.1 神经网络控制系统的结构 168
5.1.1 监视控制系统 169
5.1.2 逆控制系统 169
5.1.3 神经适应控制系统 170
5.1.4 实用反向传播控制和适应评价控制 173
5.2 神经网络控制器与学习 175
5.2.1 对象仿真器及神经控制器 175
5.2.2 学习训练的结构 177
5.2.3 联机学习方法及算法 181
5.3.1 离散系统的神经适应控制 194
5.3 神经网络控制系统 194
5.3.2 水温神经网络控制系统 205
第六章 模糊神经网络 212
6.1 模糊神经网络概念和结构 212
6.1.1 逻辑模糊神经网络 213
6.1.2 算术模糊神经网络 218
6.1.3 混合模糊神经网络 224
6.2 遗传算法 232
6.2.1 遗传算法的基本概念 232
6.2.2 遗传算法的原理 234
6.2.3 遗传算法的应用 237
6.3.1 逻辑模糊神经网络的学习算法 239
6.3 模糊神经网络的学习 239
6.3.2 算术模糊神经网络的学习算法 242
6.3.3 模糊神经网络的遗传学习算法 252
第七章 神经模糊控制 259
7.1 神经模糊控制器 260
7.1.1 逻辑神经元组成的神经模糊控制器 260
7.1.2 神经模糊控制器的学习算法 264
7.1.3 多种神经元组成的神经模糊控制器 266
7.2 神经模糊控制系统 275
7.2.1 神经模糊控制系统结构 276
7.2.2 典型的神经模糊控制系统 280
参考文献 303