神經網絡控制

第1章 神經網絡和自動控制的基礎知識
1.1 人工神經網絡的發(fā)展史
1.1.1 20世紀40年代——神經元模型的誕生
1.1.2 20世紀50年代——從單神經元到單層網絡，形成第一次熱潮
1.1.3 20世紀60年代——學習多樣化和AN2的急劇冷落
1.1.4 20世紀70年代——在低迷中頑強地發(fā)展
1.1.5 20世紀80年代——AN2研究熱潮再度興起
1.1.6 20世紀90年代——再現(xiàn)熱潮，產生許多邊緣交叉學科
1.1.7 進入21世紀——實現(xiàn)機器智能的道路漫長而又艱難
1.2 生物神經元和人工神經元
1.2.1 生物神經元
1.2.2 人工神經元
1.3 生物神經網絡和人工神經網絡
1.3.1 生物神經網絡
1.3.2 人工神經網絡
1.4 自動控制的發(fā)展史
1.4.1 從傳統(tǒng)控制理論到智能控制
1.4.2 智能控制的產生與基本特征
1.4.3 智能控制系統(tǒng)
1.5 模糊集與模糊控制概述
1.5.1 模糊集
1.5.2 模糊隸屬函數(shù)
1.5.3 模糊控制
1.6 從生物神經控制到人工神經控制
1.6.1 生物神經控制的智能特征
1.6.2 人工神經控制的模擬范圍
1.7 小結
習題與思考題
第2章 神經計算基礎
2.1 線性空間與范數(shù)
2.1.1 矢量空間
2.1.2 范數(shù)
2.1.3 賦范線性空間
2.1.4 L1范數(shù)和L2范數(shù)
2.2 迭代算法
2.2.1 迭代算法的終止準則
2.2.2 梯度下降法
2.2.3 最優(yōu)步長選擇
2.3 逼近論
2.3.1 Banach空間和逼近的定義
2.3.2 L2逼近和最優(yōu)一致逼近
2.3.3 離散點集上的最小二乘逼近
2.4 神經網絡在線迭代學習算法
2.5 Z變換
2.5.1 Z變換的定義和求取
2.5.2 Z變換的性質
2.5.3 Z反變換
2.6 李雅普諾夫意義下的穩(wěn)定性
2.6.1 非線性時變系統(tǒng)的穩(wěn)定性問題
2.6.2 李雅普諾夫意義下的漸進穩(wěn)定
2.6.3 李雅普諾夫第二法
2.6.4 非線性系統(tǒng)的穩(wěn)定性分析
2.7 小結
習題與思考題
第3章 神經網絡模型
3.1 人工神經網絡建模
3.1.1 MP模型
3.1.2 Hebb學習法則
3.2 感知器
3.2.1 單層感知器
3.2.2 多層感知器
3.3 BP網絡與BP算法
3.3.1 BP網絡的基本結構
3.3.2 BP算法及步長調整
3.4 自適應線性神經網絡
3.5 自組織競爭型神經網絡
3.5.1 自組織競爭型神經網絡的基本結構
3.5.2 自組織競爭型神經網絡的學習算法
3.6 小腦模型神經網絡
3.6.1 CMAC的基本結構
3.6.2 CMAC的工作原理
3.6.3 CMAC的學習算法與訓練
3.7 遞歸型神經網絡
3.7.1 DTRNN的網絡結構
3.7.2 實時遞歸學習算法
3.8 霍普菲爾德（Hopfield）神經網絡
3.8.1 離散型Hopfield神經網絡
3.8.2 連續(xù)型Hopfield神經網絡
3.8.3 求解TSP問題
3.9 小結
習題與思考題
第4章 神經控制中的系統(tǒng)辨識
4.1 系統(tǒng)辨識基本原理
4.1.1 辨識系統(tǒng)的基本結構
4.1.2 辨識模型
4.1.3 辨識系統(tǒng)的輸入和輸出
4.2 系統(tǒng)辨識過程中神經網絡的作用
4.2.1 神經網絡辨識原理
4.2.2 多層前向網絡的辨識能力
4.2.3 辨識系統(tǒng)中的非線性模型
4.3 非線性動態(tài)系統(tǒng)辨識
4.3.1 非線性動態(tài)系統(tǒng)的神經網絡辨識
4.3.2 單輸入單輸出非線性動態(tài)系統(tǒng)的BP網絡辨識
4.4 多層前向網絡辨識中的快速算法
4.5 非線性模型的預報誤差神經網絡辨識
4.5.1 非動態(tài)模型建模，
4.5.2 遞推預報誤差算法
4.6 非線性系統(tǒng)逆模型的神經網絡辨識
4.6.1 系統(tǒng)分析逆過程的存在性
4.6.2 非線性系統(tǒng)的逆模型
4.6.3 基于多層感知器的逆模型辨識
4.7 線性連續(xù)動態(tài)系統(tǒng)辨識的參數(shù)估計
4.7.1 Hopfield網絡用于辨識
4.7.2 Hopfield網絡辨識原理
4.8 利用神經網絡聯(lián)想功能的辨識系統(tǒng)
4.8.1 二階系統(tǒng)的性能指標
4.8.2 系統(tǒng)辨識器基本結構
4.8.3 訓練與辨識操作
4.9 小結
習題與思考題
第5章 人工神經元控制系統(tǒng)
5.1 人工神經元的PID調節(jié)功能
5.1.1 人工神經元PID動態(tài)結構
5.1.2 人工神經元閉環(huán)系統(tǒng)動態(tài)結構
5.2 人工神經元PID調節(jié)器
5.2.1 比例調節(jié)元
5.2.2 積分調節(jié)元
5.2.3 微分調節(jié)元
5.3 人工神經元閉環(huán)調節(jié)系統(tǒng)
5.3.1 系統(tǒng)描述
5.3.2 Lyapunov穩(wěn)定性分析
5.4 人工神經元自適應控制系統(tǒng)
5.4.1 人工神經元自適應控制系統(tǒng)的基本結構
5.4.2 人工神經元自適應控制系統(tǒng)的學習算法
5.5 人工神經元控制系統(tǒng)的穩(wěn)定性
5.6 小結
習題與思考題
第6章 神經控制系統(tǒng)
6.1 神經控制系統(tǒng)概述
6.1.1 神經控制系統(tǒng)的基本結構
6.1.2 神經網絡在神經控制系統(tǒng)中的作用
6.2 神經控制器的設計方法
6.2.1 模型參考自適應方法
6.2.2 自校正方法
6.2.3 內模方法
6.2.4 常規(guī)控制方法
6.2.5 神經網絡智能方法
6.2.6 神經網絡優(yōu)化設計方法
6.3 神經辨識器的設計方法
6.4 PID神經控制系統(tǒng)
6.4.1 PID神經控制系統(tǒng)框圖
6.4.2 PID神經調節(jié)器的參數(shù)整定
6.5 模型參考自適應神經控制系統(tǒng)
6.5.1 兩種不同的自適應控制方式
6.5.2 間接設計模型參考自適應神經控制系統(tǒng)
6.5.3 直接設計模型參考自適應神經控制系統(tǒng)
6.6 預測神經控制系統(tǒng)
6.6.1 預測控制的基本特征
6.6.2 神經網絡預測算法
6.6.3 單神經元預測器
6.6.4 多層前向網絡預測器
6.6.5 輻射基函數(shù)網絡預測器
6.6.6 Hopfield網絡預測器
6.7 自校正神經控制系統(tǒng)
6.7.1 自校正神經控制系統(tǒng)的基本結構
6.7.2 神經自校正控制算法
6.7.3 神經網絡逼近
6.8 內模神經控制系統(tǒng)
6.8.1 線性內?？刂品绞?br />6.8.2 內模控制系統(tǒng)
6.8.3 內模神經控制器
6.8.4 神經網絡內部模型
6.9 小腦模型神經控制系統(tǒng)
6.9.1 CMAC控制系統(tǒng)的基本結構
6.9.2 CMAC控制器設計
6.9.3 CMAC控制系統(tǒng)實例
6.10 小結
習題與思考題
第7章 模糊神經控制系統(tǒng)
7.1 模糊控制與神經網絡的結合
7.1.1 模糊控制的時間復雜性
7.1.2 神經控制的空間復雜性
7.1.3 模糊神經系統(tǒng)的產生
7.2 模糊控制和神經網絡的異同點
7.2.1 模糊控制和神經網絡的共同點
7.2.2 模糊控制和神經網絡的不同點
7.3 模糊神經系統(tǒng)的典型結構
7.4 模糊神經系統(tǒng)的結構分類
7.4.1 松散結合
7.4.2 互補結合
7.4.3 主從結合
7.4.4 串行結合
7.4.5 網絡學習結合
7.4.6 模糊等價結合
7.5 模糊等價結合中的模糊神經控制器
7.5.1 偏差P和偏差變化率Δe的獲取
7.5.2 隸屬函數(shù)的神經網絡表達
7.6 幾種常見的模糊神經網絡
7.6.1 模糊聯(lián)想記憶網絡
7.6.2 模糊認知映射網絡
7.7 小結
習題與思考題
第8章 神經控制中的遺傳進化訓練
8.1 生物的遺傳與進化
8.1.1 生物進化論的基本觀點
8.1.2 進化計算
8.2 遺傳算法概述
8.2.1 遺傳算法中遇到的基本術語
8.2.2 遺傳算法的運算特征
8.2.3 遺傳算法中的概率計算公式
8.3 遺傳算法中的模式定理
8.3.1 模式定義和模式的階
8.3.2 模式定理（Schema）
8.4 遺傳算法中的編碼操作
8.4.1 遺傳算法設計流程
8.4.2 遺傳算法中的編碼規(guī)則
8.4.3 一維染色體的編碼方法
8.4.4 二維染色體編碼
8.5 遺傳算法中的適應度函數(shù)
8.5.1 將目標函數(shù)轉換成適應度函數(shù)
8.5.2 標定適應度函數(shù)
8.6 遺傳算法與優(yōu)化解
8.6.1 適應度函數(shù)的確定
8.6.2 線性分級策略
8.6.3 算法流程
8.7 遺傳算法與預測控制
8.8 遺傳算法與神經網絡
8.9 神經網絡的遺傳進化訓練
8.9.1 遺傳進化訓練的實現(xiàn)方法
8.9.2 BP網絡的遺傳進化訓練
8.10 小結
習題與思考題
附錄 常用神經控制術語漢英對照
參考文獻