书籍详情
神经网络控制
作者：喻宗泉，喻昑 编著
出版社：西安电子科技大学出版社
出版时间：2009-01-01
ISBN：9787560621500
定价：¥24.00
购买这本书可以去
内容简介
《普通高等学校教材：神经网络控制》介绍了：神经网络控制的基本理论与控制方法。全书共分8章，主要包括神经网络和自动控制的基础知识、神经计算基础、神经网络模型、神经控制中的系统辨识、人工神经元控制系统、神经控制系统、模糊神经控制系统和神经控制中的遗传进化训练等内容。《普通高等学校教材：神经网络控制》可作为高等工科院校工业自动化、计算机科学与技术、检测技术与仪器、电子信息、自动控制、电子信息工程等专业高年级学生、研究生教材或参考书，也可供专业技术人员、技术管理人员或科技人员参考。
作者简介
暂缺《神经网络控制》作者简介
目录
第1章 神经网络和自动控制的基础知识
1.1 人工神经网络的发展史
1.1.1 20世纪40年代——神经元模型的诞生
1.1.2 20世纪50年代——从单神经元到单层网络，形成第一次热潮
1.1.3 20世纪60年代——学习多样化和AN2的急剧冷落
1.1.4 20世纪70年代——在低迷中顽强地发展
1.1.5 20世纪80年代——AN2研究热潮再度兴起
1.1.6 20世纪90年代——再现热潮，产生许多边缘交叉学科
1.1.7 进入21世纪——实现机器智能的道路漫长而又艰难
1.2 生物神经元和人工神经元
1.2.1 生物神经元
1.2.2 人工神经元
1.3 生物神经网络和人工神经网络
1.3.1 生物神经网络
1.3.2 人工神经网络
1.4 自动控制的发展史
1.4.1 从传统控制理论到智能控制
1.4.2 智能控制的产生与基本特征
1.4.3 智能控制系统
1.5 模糊集与模糊控制概述
1.5.1 模糊集
1.5.2 模糊隶属函数
1.5.3 模糊控制
1.6 从生物神经控制到人工神经控制
1.6.1 生物神经控制的智能特征
1.6.2 人工神经控制的模拟范围
1.7 小结
习题与思考题
第2章 神经计算基础
2.1 线性空间与范数
2.1.1 矢量空间
2.1.2 范数
2.1.3 赋范线性空间
2.1.4 L1范数和L2范数
2.2 迭代算法
2.2.1 迭代算法的终止准则
2.2.2 梯度下降法
2.2.3 最优步长选择
2.3 逼近论
2.3.1 Banach空间和逼近的定义
2.3.2 L2逼近和最优一致逼近
2.3.3 离散点集上的最小二乘逼近
2.4 神经网络在线迭代学习算法
2.5 Z变换
2.5.1 Z变换的定义和求取
2.5.2 Z变换的性质
2.5.3 Z反变换
2.6 李雅普诺夫意义下的稳定性
2.6.1 非线性时变系统的稳定性问题
2.6.2 李雅普诺夫意义下的渐进稳定
2.6.3 李雅普诺夫第二法
2.6.4 非线性系统的稳定性分析
2.7 小结
习题与思考题
第3章 神经网络模型
3.1 人工神经网络建模
3.1.1 MP模型
3.1.2 Hebb学习法则
3.2 感知器
3.2.1 单层感知器
3.2.2 多层感知器
3.3 BP网络与BP算法
3.3.1 BP网络的基本结构
3.3.2 BP算法及步长调整
3.4 自适应线性神经网络
3.5 自组织竞争型神经网络
3.5.1 自组织竞争型神经网络的基本结构
3.5.2 自组织竞争型神经网络的学习算法
3.6 小脑模型神经网络
3.6.1 CMAC的基本结构
3.6.2 CMAC的工作原理
3.6.3 CMAC的学习算法与训练
3.7 递归型神经网络
3.7.1 DTRNN的网络结构
3.7.2 实时递归学习算法
3.8 霍普菲尔德（Hopfield）神经网络
3.8.1 离散型Hopfield神经网络
3.8.2 连续型Hopfield神经网络
3.8.3 求解TSP问题
3.9 小结
习题与思考题
第4章 神经控制中的系统辨识
4.1 系统辨识基本原理
4.1.1 辨识系统的基本结构
4.1.2 辨识模型
4.1.3 辨识系统的输入和输出
4.2 系统辨识过程中神经网络的作用
4.2.1 神经网络辨识原理
4.2.2 多层前向网络的辨识能力
4.2.3 辨识系统中的非线性模型
4.3 非线性动态系统辨识
4.3.1 非线性动态系统的神经网络辨识
4.3.2 单输入单输出非线性动态系统的BP网络辨识
4.4 多层前向网络辨识中的快速算法
4.5 非线性模型的预报误差神经网络辨识
4.5.1 非动态模型建模，
4.5.2 递推预报误差算法
4.6 非线性系统逆模型的神经网络辨识
4.6.1 系统分析逆过程的存在性
4.6.2 非线性系统的逆模型
4.6.3 基于多层感知器的逆模型辨识
4.7 线性连续动态系统辨识的参数估计
4.7.1 Hopfield网络用于辨识
4.7.2 Hopfield网络辨识原理
4.8 利用神经网络联想功能的辨识系统
4.8.1 二阶系统的性能指标
4.8.2 系统辨识器基本结构
4.8.3 训练与辨识操作
4.9 小结
习题与思考题
第5章 人工神经元控制系统
5.1 人工神经元的PID调节功能
5.1.1 人工神经元PID动态结构
5.1.2 人工神经元闭环系统动态结构
5.2 人工神经元PID调节器
5.2.1 比例调节元
5.2.2 积分调节元
5.2.3 微分调节元
5.3 人工神经元闭环调节系统
5.3.1 系统描述
5.3.2 Lyapunov稳定性分析
5.4 人工神经元自适应控制系统
5.4.1 人工神经元自适应控制系统的基本结构
5.4.2 人工神经元自适应控制系统的学习算法
5.5 人工神经元控制系统的稳定性
5.6 小结
习题与思考题
第6章 神经控制系统
6.1 神经控制系统概述
6.1.1 神经控制系统的基本结构
6.1.2 神经网络在神经控制系统中的作用
6.2 神经控制器的设计方法
6.2.1 模型参考自适应方法
6.2.2 自校正方法
6.2.3 内模方法
6.2.4 常规控制方法
6.2.5 神经网络智能方法
6.2.6 神经网络优化设计方法
6.3 神经辨识器的设计方法
6.4 PID神经控制系统
6.4.1 PID神经控制系统框图
6.4.2 PID神经调节器的参数整定
6.5 模型参考自适应神经控制系统
6.5.1 两种不同的自适应控制方式
6.5.2 间接设计模型参考自适应神经控制系统
6.5.3 直接设计模型参考自适应神经控制系统
6.6 预测神经控制系统
6.6.1 预测控制的基本特征
6.6.2 神经网络预测算法
6.6.3 单神经元预测器
6.6.4 多层前向网络预测器
6.6.5 辐射基函数网络预测器
6.6.6 Hopfield网络预测器
6.7 自校正神经控制系统
6.7.1 自校正神经控制系统的基本结构
6.7.2 神经自校正控制算法
6.7.3 神经网络逼近
6.8 内模神经控制系统
6.8.1 线性内模控制方式
6.8.2 内模控制系统
6.8.3 内模神经控制器
6.8.4 神经网络内部模型
6.9 小脑模型神经控制系统
6.9.1 CMAC控制系统的基本结构
6.9.2 CMAC控制器设计
6.9.3 CMAC控制系统实例
6.10 小结
习题与思考题
第7章 模糊神经控制系统
7.1 模糊控制与神经网络的结合
7.1.1 模糊控制的时间复杂性
7.1.2 神经控制的空间复杂性
7.1.3 模糊神经系统的产生
7.2 模糊控制和神经网络的异同点
7.2.1 模糊控制和神经网络的共同点
7.2.2 模糊控制和神经网络的不同点
7.3 模糊神经系统的典型结构
7.4 模糊神经系统的结构分类
7.4.1 松散结合
7.4.2 互补结合
7.4.3 主从结合
7.4.4 串行结合
7.4.5 网络学习结合
7.4.6 模糊等价结合
7.5 模糊等价结合中的模糊神经控制器
7.5.1 偏差P和偏差变化率Δe的获取
7.5.2 隶属函数的神经网络表达
7.6 几种常见的模糊神经网络
7.6.1 模糊联想记忆网络
7.6.2 模糊认知映射网络
7.7 小结
习题与思考题
第8章 神经控制中的遗传进化训练
8.1 生物的遗传与进化
8.1.1 生物进化论的基本观点
8.1.2 进化计算
8.2 遗传算法概述
8.2.1 遗传算法中遇到的基本术语
8.2.2 遗传算法的运算特征
8.2.3 遗传算法中的概率计算公式
8.3 遗传算法中的模式定理
8.3.1 模式定义和模式的阶
8.3.2 模式定理（Schema）
8.4 遗传算法中的编码操作
8.4.1 遗传算法设计流程
8.4.2 遗传算法中的编码规则
8.4.3 一维染色体的编码方法
8.4.4 二维染色体编码
8.5 遗传算法中的适应度函数
8.5.1 将目标函数转换成适应度函数
8.5.2 标定适应度函数
8.6 遗传算法与优化解
8.6.1 适应度函数的确定
8.6.2 线性分级策略
8.6.3 算法流程
8.7 遗传算法与预测控制
8.8 遗传算法与神经网络
8.9 神经网络的遗传进化训练
8.9.1 遗传进化训练的实现方法
8.9.2 BP网络的遗传进化训练
8.10 小结
习题与思考题
附录 常用神经控制术语汉英对照
参考文献
1.1 人工神经网络的发展史
1.1.1 20世纪40年代——神经元模型的诞生
1.1.2 20世纪50年代——从单神经元到单层网络，形成第一次热潮
1.1.3 20世纪60年代——学习多样化和AN2的急剧冷落
1.1.4 20世纪70年代——在低迷中顽强地发展
1.1.5 20世纪80年代——AN2研究热潮再度兴起
1.1.6 20世纪90年代——再现热潮，产生许多边缘交叉学科
1.1.7 进入21世纪——实现机器智能的道路漫长而又艰难
1.2 生物神经元和人工神经元
1.2.1 生物神经元
1.2.2 人工神经元
1.3 生物神经网络和人工神经网络
1.3.1 生物神经网络
1.3.2 人工神经网络
1.4 自动控制的发展史
1.4.1 从传统控制理论到智能控制
1.4.2 智能控制的产生与基本特征
1.4.3 智能控制系统
1.5 模糊集与模糊控制概述
1.5.1 模糊集
1.5.2 模糊隶属函数
1.5.3 模糊控制
1.6 从生物神经控制到人工神经控制
1.6.1 生物神经控制的智能特征
1.6.2 人工神经控制的模拟范围
1.7 小结
习题与思考题
第2章 神经计算基础
2.1 线性空间与范数
2.1.1 矢量空间
2.1.2 范数
2.1.3 赋范线性空间
2.1.4 L1范数和L2范数
2.2 迭代算法
2.2.1 迭代算法的终止准则
2.2.2 梯度下降法
2.2.3 最优步长选择
2.3 逼近论
2.3.1 Banach空间和逼近的定义
2.3.2 L2逼近和最优一致逼近
2.3.3 离散点集上的最小二乘逼近
2.4 神经网络在线迭代学习算法
2.5 Z变换
2.5.1 Z变换的定义和求取
2.5.2 Z变换的性质
2.5.3 Z反变换
2.6 李雅普诺夫意义下的稳定性
2.6.1 非线性时变系统的稳定性问题
2.6.2 李雅普诺夫意义下的渐进稳定
2.6.3 李雅普诺夫第二法
2.6.4 非线性系统的稳定性分析
2.7 小结
习题与思考题
第3章 神经网络模型
3.1 人工神经网络建模
3.1.1 MP模型
3.1.2 Hebb学习法则
3.2 感知器
3.2.1 单层感知器
3.2.2 多层感知器
3.3 BP网络与BP算法
3.3.1 BP网络的基本结构
3.3.2 BP算法及步长调整
3.4 自适应线性神经网络
3.5 自组织竞争型神经网络
3.5.1 自组织竞争型神经网络的基本结构
3.5.2 自组织竞争型神经网络的学习算法
3.6 小脑模型神经网络
3.6.1 CMAC的基本结构
3.6.2 CMAC的工作原理
3.6.3 CMAC的学习算法与训练
3.7 递归型神经网络
3.7.1 DTRNN的网络结构
3.7.2 实时递归学习算法
3.8 霍普菲尔德（Hopfield）神经网络
3.8.1 离散型Hopfield神经网络
3.8.2 连续型Hopfield神经网络
3.8.3 求解TSP问题
3.9 小结
习题与思考题
第4章 神经控制中的系统辨识
4.1 系统辨识基本原理
4.1.1 辨识系统的基本结构
4.1.2 辨识模型
4.1.3 辨识系统的输入和输出
4.2 系统辨识过程中神经网络的作用
4.2.1 神经网络辨识原理
4.2.2 多层前向网络的辨识能力
4.2.3 辨识系统中的非线性模型
4.3 非线性动态系统辨识
4.3.1 非线性动态系统的神经网络辨识
4.3.2 单输入单输出非线性动态系统的BP网络辨识
4.4 多层前向网络辨识中的快速算法
4.5 非线性模型的预报误差神经网络辨识
4.5.1 非动态模型建模，
4.5.2 递推预报误差算法
4.6 非线性系统逆模型的神经网络辨识
4.6.1 系统分析逆过程的存在性
4.6.2 非线性系统的逆模型
4.6.3 基于多层感知器的逆模型辨识
4.7 线性连续动态系统辨识的参数估计
4.7.1 Hopfield网络用于辨识
4.7.2 Hopfield网络辨识原理
4.8 利用神经网络联想功能的辨识系统
4.8.1 二阶系统的性能指标
4.8.2 系统辨识器基本结构
4.8.3 训练与辨识操作
4.9 小结
习题与思考题
第5章 人工神经元控制系统
5.1 人工神经元的PID调节功能
5.1.1 人工神经元PID动态结构
5.1.2 人工神经元闭环系统动态结构
5.2 人工神经元PID调节器
5.2.1 比例调节元
5.2.2 积分调节元
5.2.3 微分调节元
5.3 人工神经元闭环调节系统
5.3.1 系统描述
5.3.2 Lyapunov稳定性分析
5.4 人工神经元自适应控制系统
5.4.1 人工神经元自适应控制系统的基本结构
5.4.2 人工神经元自适应控制系统的学习算法
5.5 人工神经元控制系统的稳定性
5.6 小结
习题与思考题
第6章 神经控制系统
6.1 神经控制系统概述
6.1.1 神经控制系统的基本结构
6.1.2 神经网络在神经控制系统中的作用
6.2 神经控制器的设计方法
6.2.1 模型参考自适应方法
6.2.2 自校正方法
6.2.3 内模方法
6.2.4 常规控制方法
6.2.5 神经网络智能方法
6.2.6 神经网络优化设计方法
6.3 神经辨识器的设计方法
6.4 PID神经控制系统
6.4.1 PID神经控制系统框图
6.4.2 PID神经调节器的参数整定
6.5 模型参考自适应神经控制系统
6.5.1 两种不同的自适应控制方式
6.5.2 间接设计模型参考自适应神经控制系统
6.5.3 直接设计模型参考自适应神经控制系统
6.6 预测神经控制系统
6.6.1 预测控制的基本特征
6.6.2 神经网络预测算法
6.6.3 单神经元预测器
6.6.4 多层前向网络预测器
6.6.5 辐射基函数网络预测器
6.6.6 Hopfield网络预测器
6.7 自校正神经控制系统
6.7.1 自校正神经控制系统的基本结构
6.7.2 神经自校正控制算法
6.7.3 神经网络逼近
6.8 内模神经控制系统
6.8.1 线性内模控制方式
6.8.2 内模控制系统
6.8.3 内模神经控制器
6.8.4 神经网络内部模型
6.9 小脑模型神经控制系统
6.9.1 CMAC控制系统的基本结构
6.9.2 CMAC控制器设计
6.9.3 CMAC控制系统实例
6.10 小结
习题与思考题
第7章 模糊神经控制系统
7.1 模糊控制与神经网络的结合
7.1.1 模糊控制的时间复杂性
7.1.2 神经控制的空间复杂性
7.1.3 模糊神经系统的产生
7.2 模糊控制和神经网络的异同点
7.2.1 模糊控制和神经网络的共同点
7.2.2 模糊控制和神经网络的不同点
7.3 模糊神经系统的典型结构
7.4 模糊神经系统的结构分类
7.4.1 松散结合
7.4.2 互补结合
7.4.3 主从结合
7.4.4 串行结合
7.4.5 网络学习结合
7.4.6 模糊等价结合
7.5 模糊等价结合中的模糊神经控制器
7.5.1 偏差P和偏差变化率Δe的获取
7.5.2 隶属函数的神经网络表达
7.6 几种常见的模糊神经网络
7.6.1 模糊联想记忆网络
7.6.2 模糊认知映射网络
7.7 小结
习题与思考题
第8章 神经控制中的遗传进化训练
8.1 生物的遗传与进化
8.1.1 生物进化论的基本观点
8.1.2 进化计算
8.2 遗传算法概述
8.2.1 遗传算法中遇到的基本术语
8.2.2 遗传算法的运算特征
8.2.3 遗传算法中的概率计算公式
8.3 遗传算法中的模式定理
8.3.1 模式定义和模式的阶
8.3.2 模式定理（Schema）
8.4 遗传算法中的编码操作
8.4.1 遗传算法设计流程
8.4.2 遗传算法中的编码规则
8.4.3 一维染色体的编码方法
8.4.4 二维染色体编码
8.5 遗传算法中的适应度函数
8.5.1 将目标函数转换成适应度函数
8.5.2 标定适应度函数
8.6 遗传算法与优化解
8.6.1 适应度函数的确定
8.6.2 线性分级策略
8.6.3 算法流程
8.7 遗传算法与预测控制
8.8 遗传算法与神经网络
8.9 神经网络的遗传进化训练
8.9.1 遗传进化训练的实现方法
8.9.2 BP网络的遗传进化训练
8.10 小结
习题与思考题
附录 常用神经控制术语汉英对照
参考文献
猜您喜欢
