《動態模糊神經網路——設計與套用》作者：伍世虔、徐軍，2008年1月由清華大學出版社出版。本書系統地介紹了動態模糊神經網路理論，目的是要解決使用者在缺乏模糊理論、神經網路以及套用對象的全面知識的情況下，如何快速、自動地構造一個有效的模糊神經網路的問題。因此，本書在提出參數學習的同時，特彆強調模糊神經網路結構的確定。本書內容豐富而詳實，書末還附有MATLAB程式,可作為人工智慧、軟計算、數據挖掘、信息處理、數據分析、自動控制及模式識別等領域技術人員的參考書，也可作為相關專業的研究生教材。
基本介紹
- 中文名：動態模糊神經網路——設計與套用
- 作者：：伍世虔;徐軍
- 價格：：￥29.00
- 語種：：漢語
- ISBN：：9787302156819
- 出版社：：清華大學出版社
- 頁數：：224
- 開本：：16開
- 出版時間：：2008年1月
- 裝幀：：平裝
圖書信息,內容簡介,目錄,
圖書信息
《動態模糊神經網路——設計與套用》【名稱】動態模糊神經網路——設計與套用
【定價】￥29.00
【作 者】伍世虔;徐軍
【出 版 社】清華大學出版社
【書 號】 9787302156819
【出版日期】2008 年1月
【開 本】 16開
【頁 碼】 224
【版 次】1-1
【所屬分類】 計算機 > 人工智慧 > 神經計算
【定價】￥29.00
【作 者】伍世虔;徐軍
【出 版 社】清華大學出版社
【書 號】 9787302156819
【出版日期】2008 年1月
【開 本】 16開
【頁 碼】 224
【版 次】1-1
【所屬分類】 計算機 > 人工智慧 > 神經計算
內容簡介
本書系統地介紹了動態模糊神經網路理論，目的是要解決使用者在缺乏模糊理論、神經網路以及套用對象的全面知識的情況下，如何快速、自動地構造一個有效的模糊神經網路的問題。因此，本書在提出參數學習的同時，特彆強調模糊神經網路結構的確定。
本書針對不同套用對象（系統辨識、預測、實時控制、模式識別等），提出了多個學習算法，這些算法以提高學習速度和增強泛化能力為中心，融合了線上學習、分級學習、動態自組織結構、修剪技術等一系列設計思想，從而使得這些算法既可用於離線訓練，也可用於實時學習和控制。
本書內容豐富而詳實，書末還附有MATLAB程式,可作為人工智慧、軟計算、數據挖掘、信息處理、數據分析、自動控制及模式識別等領域技術人員的參考書，也可作為相關專業的研究生教材。
本書針對不同套用對象（系統辨識、預測、實時控制、模式識別等），提出了多個學習算法，這些算法以提高學習速度和增強泛化能力為中心，融合了線上學習、分級學習、動態自組織結構、修剪技術等一系列設計思想，從而使得這些算法既可用於離線訓練，也可用於實時學習和控制。
本書內容豐富而詳實，書末還附有MATLAB程式,可作為人工智慧、軟計算、數據挖掘、信息處理、數據分析、自動控制及模式識別等領域技術人員的參考書，也可作為相關專業的研究生教材。
目錄
緒論1
1.1 模糊神經網路1
1.1.1 模糊神經網路的提出1
1.1.2 模糊神經網路的發展2
1.1.3 模糊神經網路的分類3
1.2 動態模糊神經網路4
1.2.1 動態模糊神經網路的提出4
1.2.2 動態模糊神經網路的含義與特點5
1.2.3 動態模糊神經網路的套用5
本章參考文獻6
1.1 模糊神經網路1
1.1.1 模糊神經網路的提出1
1.1.2 模糊神經網路的發展2
1.1.3 模糊神經網路的分類3
1.2 動態模糊神經網路4
1.2.1 動態模糊神經網路的提出4
1.2.2 動態模糊神經網路的含義與特點5
1.2.3 動態模糊神經網路的套用5
本章參考文獻6
第2章 模糊系統與神經網路回顧9
2.1 模糊系統9
2.1.1 模糊集9
2.1.2 模糊規則9
2.1.3 模糊推理系統11
2.1.4 模糊系統作為非線性逼近13
2.1.5 模糊系統存在的問題14
2.2 神經網路15
2.2.1 神經網路的特性15
2.2.2 神經網路的組成15
2.2.3 神經網路的學習算法16
2.2.4 神經網路的結構與泛化能力17
2.2.5 神經網路激活函式的選擇19
2.2.6 徑向基（RBF）神經網路19
2.3 模糊系統與神經網路21
2.3.1 模糊系統與神經網路的知識處理22
2.3.2 通用逼近器22
2.3.3 模糊系統與神經網路的功能等價23
2.3.4 模糊系統與神經網路的結合23
本章參考文獻24
2.1 模糊系統9
2.1.1 模糊集9
2.1.2 模糊規則9
2.1.3 模糊推理系統11
2.1.4 模糊系統作為非線性逼近13
2.1.5 模糊系統存在的問題14
2.2 神經網路15
2.2.1 神經網路的特性15
2.2.2 神經網路的組成15
2.2.3 神經網路的學習算法16
2.2.4 神經網路的結構與泛化能力17
2.2.5 神經網路激活函式的選擇19
2.2.6 徑向基（RBF）神經網路19
2.3 模糊系統與神經網路21
2.3.1 模糊系統與神經網路的知識處理22
2.3.2 通用逼近器22
2.3.3 模糊系統與神經網路的功能等價23
2.3.4 模糊系統與神經網路的結合23
本章參考文獻24
第3章 動態模糊神經網路27
3.1 動態模糊神經網路的結構27
3.2 動態模糊神經網路的學習算法28
3.2.1 規則產生準則29
3.2.2 分級學習思想29
3.2.3 前提參數分配30
3.2.4 結果參數確定30
3.2.5 修剪技術32
3.3 對算法的進一步討論35
3.3.1 結構辨識35
3.3.2 輸入空間劃分36
3.4 小結36
本章參考文獻37
3.1 動態模糊神經網路的結構27
3.2 動態模糊神經網路的學習算法28
3.2.1 規則產生準則29
3.2.2 分級學習思想29
3.2.3 前提參數分配30
3.2.4 結果參數確定30
3.2.5 修剪技術32
3.3 對算法的進一步討論35
3.3.1 結構辨識35
3.3.2 輸入空間劃分36
3.4 小結36
本章參考文獻37
第4章 動態模糊神經網路不同算法實現及比較39
4.1 修剪技術的不同方法39
4.1.1 奇異值分解(SVD)方法39
4.1.2 特徵值分解(ED)方法40
4.1.3 列主元SVD-QR方法41
4.1.4 總體最小二乘方法43
4.1.5 不同修剪技術的比較研究45
4.1.6 小結48
4.2 參數調節方法及比較48
4.2.1 擴展的卡爾曼濾波48
4.2.2 不同參數調節方法的比較研究49
4.2.3 小結51
本章參考文獻53
4.1 修剪技術的不同方法39
4.1.1 奇異值分解(SVD)方法39
4.1.2 特徵值分解(ED)方法40
4.1.3 列主元SVD-QR方法41
4.1.4 總體最小二乘方法43
4.1.5 不同修剪技術的比較研究45
4.1.6 小結48
4.2 參數調節方法及比較48
4.2.1 擴展的卡爾曼濾波48
4.2.2 不同參數調節方法的比較研究49
4.2.3 小結51
本章參考文獻53
第5章 動態模糊神經網路的一般套用55
5.1 函式逼近55
5.1.1 逼近問題55
5.1.2 Hermite函式逼近56
5.2 非線性動態系統辨識58
5.2.1 建模問題58
5.2.2 系統辨識59
5.2.3 神經網路用於系統辨識59
5.2.4 仿真61
5.3 Mackey-Glass時間序列預測62
5.4 人臉識別65
5.5 討論65
5.5.1 學習速度、參數最佳化和泛化性66
5.5.2 分級學習67
5.5.3 高維小樣本的學習問題68
5.5.4 D-FNN與模糊規則提取68
5.6 小結68
本章參考文獻68
5.1 函式逼近55
5.1.1 逼近問題55
5.1.2 Hermite函式逼近56
5.2 非線性動態系統辨識58
5.2.1 建模問題58
5.2.2 系統辨識59
5.2.3 神經網路用於系統辨識59
5.2.4 仿真61
5.3 Mackey-Glass時間序列預測62
5.4 人臉識別65
5.5 討論65
5.5.1 學習速度、參數最佳化和泛化性66
5.5.2 分級學習67
5.5.3 高維小樣本的學習問題68
5.5.4 D-FNN與模糊規則提取68
5.6 小結68
本章參考文獻68
第6章 動態模糊神經網路在生物工程中的套用70
6.1 藥物注射系統的直接逆控制70
6.1.1 問題的提出70
6.1.2 病人的平均動脈血壓對SNP注射回響的動態建模70
6.1.3 幾個約束條件71
6.1.4 藥物注射系統的直接逆控制72
6.1.5 仿真結果73
6.1.6 小結84
6.2 乳腺癌的分類85
6.2.1 引言85
6.2.2 乳腺癌診斷中的分類技術85
6.2.3 數據獲取86
6.2.4 特徵提取87
6.2.5 分類結果87
6.2.6 小結89
本章參考文獻89
6.1 藥物注射系統的直接逆控制70
6.1.1 問題的提出70
6.1.2 病人的平均動脈血壓對SNP注射回響的動態建模70
6.1.3 幾個約束條件71
6.1.4 藥物注射系統的直接逆控制72
6.1.5 仿真結果73
6.1.6 小結84
6.2 乳腺癌的分類85
6.2.1 引言85
6.2.2 乳腺癌診斷中的分類技術85
6.2.3 數據獲取86
6.2.4 特徵提取87
6.2.5 分類結果87
6.2.6 小結89
本章參考文獻89
第7章 增強型動態模糊神經網路用於實時自適應噪聲消除92
7.1 引言92
7.2 自適應噪聲消除92
7.3 神經網路用於自適應噪聲消除94
7.4 ED-FNN學習算法95
7.4.1 輸入空間的劃分95
7.4.2 輸出線性權值的確定96
7.4.3 其他考慮96
7.5 仿真研究與性能評估97
7.5.1 第1種情況--一階信道動態特性98
7.5.2 第2種情況--三階信道動態特性103
7.6 小結105
本章參考文獻105
7.1 引言92
7.2 自適應噪聲消除92
7.3 神經網路用於自適應噪聲消除94
7.4 ED-FNN學習算法95
7.4.1 輸入空間的劃分95
7.4.2 輸出線性權值的確定96
7.4.3 其他考慮96
7.5 仿真研究與性能評估97
7.5.1 第1種情況--一階信道動態特性98
7.5.2 第2種情況--三階信道動態特性103
7.6 小結105
本章參考文獻105
第8章 廣義動態模糊神經網路106
8.1 引言106
8.2 GD-FNN的結構107
8.3 GD-FNN學習算法108
8.3.1 規則產生準則108
8.3.2 前提參數估計109
8.3.3 輸入變數和模糊規則的敏感性111
8.3.4 高斯寬度修正112
8.3.5 結果參數確定113
8.4 仿真研究114
8.5 討論118
8.5.1 模糊規則的ε-完備性118
8.5.2 模糊劃分、模糊規則數和隸屬函式的數量118
8.5.3 學習速度、參數最佳化和泛化性119
8.5.4 對訓練樣本數據的要求119
8.5.5 接收區域參數的選擇和性能119
8.5.6 橢球區域和寬度估計120
8.5.7 D-FNN和GD-FNN方法120
8.6 小結121
本章參考文獻122
8.1 引言106
8.2 GD-FNN的結構107
8.3 GD-FNN學習算法108
8.3.1 規則產生準則108
8.3.2 前提參數估計109
8.3.3 輸入變數和模糊規則的敏感性111
8.3.4 高斯寬度修正112
8.3.5 結果參數確定113
8.4 仿真研究114
8.5 討論118
8.5.1 模糊規則的ε-完備性118
8.5.2 模糊劃分、模糊規則數和隸屬函式的數量118
8.5.3 學習速度、參數最佳化和泛化性119
8.5.4 對訓練樣本數據的要求119
8.5.5 接收區域參數的選擇和性能119
8.5.6 橢球區域和寬度估計120
8.5.7 D-FNN和GD-FNN方法120
8.6 小結121
本章參考文獻122
第9章 非線性系統的魯棒自適應模糊神經控制123
9.1 引言123
9.2 Lyapunov穩定性理論124
9.2.1 A.M.Lyapunov和穩定性定理124
9.2.2 穩定性理論基本定義124
9.2.3 自治系統126
9.2.4 LaSalle不變原理127
9.2.5 線性時不變系統127
9.2.6 非自治系統127
9.3 多輸入多輸出(MIMO)非線性動力系統128
9.4 用GD-FNN直接建模129
9.5 非線性系統的魯棒自適應模糊神經控制130
9.5.1 RAFNC的結構130
9.5.2 RAFNC的收斂性分析131
9.5.3 RAFNC的穩定性分析133
9.6 仿真研究134
9.6.1 逆單擺系統的跟蹤控制134
9.6.2 機器人操作臂的跟蹤控制136
9.7 小結142
本章參考文獻142
9.1 引言123
9.2 Lyapunov穩定性理論124
9.2.1 A.M.Lyapunov和穩定性定理124
9.2.2 穩定性理論基本定義124
9.2.3 自治系統126
9.2.4 LaSalle不變原理127
9.2.5 線性時不變系統127
9.2.6 非自治系統127
9.3 多輸入多輸出(MIMO)非線性動力系統128
9.4 用GD-FNN直接建模129
9.5 非線性系統的魯棒自適應模糊神經控制130
9.5.1 RAFNC的結構130
9.5.2 RAFNC的收斂性分析131
9.5.3 RAFNC的穩定性分析133
9.6 仿真研究134
9.6.1 逆單擺系統的跟蹤控制134
9.6.2 機器人操作臂的跟蹤控制136
9.7 小結142
本章參考文獻142
第10章 動態模糊神經網路的實時套用與開發144
10.1 引言144
10.2 SEIKO TT-3000型機器人操作臂簡介145
10.3 動態模糊神經網路實時控制設計146
10.3.1 動態模糊神經網路控制方案146
10.3.2 權值訓練算法146
10.3.3 運動控制147
10.4 仿真研究147
10.4.1 快速原型147
10.4.2 D-FNN控制器仿真模型148
10.4.3 仿真結果149
10.5 D-FNN控制器的實時實現151
10.5.1 控制系統硬體結構151
10.5.2 硬體條件約束152
10.5.3 C-Mex S-函式152
10.5.4 D-FNN軟體152
10.6 實驗結果154
10.6.1 無擾動情況下的實驗結果154
10.6.2 有擾動情況下的實驗結果157
10.6.3 加入/去除D-FNN控制器的實驗結果160
10.7 小結162
本章參考文獻162
10.1 引言144
10.2 SEIKO TT-3000型機器人操作臂簡介145
10.3 動態模糊神經網路實時控制設計146
10.3.1 動態模糊神經網路控制方案146
10.3.2 權值訓練算法146
10.3.3 運動控制147
10.4 仿真研究147
10.4.1 快速原型147
10.4.2 D-FNN控制器仿真模型148
10.4.3 仿真結果149
10.5 D-FNN控制器的實時實現151
10.5.1 控制系統硬體結構151
10.5.2 硬體條件約束152
10.5.3 C-Mex S-函式152
10.5.4 D-FNN軟體152
10.6 實驗結果154
10.6.1 無擾動情況下的實驗結果154
10.6.2 有擾動情況下的實驗結果157
10.6.3 加入/去除D-FNN控制器的實驗結果160
10.7 小結162
本章參考文獻162
第11章 動態徑向基神經網路套用於人臉識別163
11.1 引言163
11.2 徑向基神經網路165
11.3 人臉特徵提取167
11.3.1 主元分析法(PCA)167
11.3.2 Fisher線性判別式(FLD)167
11.4 徑向基神經網路的初始化168
11.4.1 結構確定和參數選擇168
11.4.2 高斯寬度估計170
11.5 混合學習算法171
11.5.1 權值調整171
11.5.2 RBF節點參數的調整171
11.5.3 學習步驟172
11.6 實驗結果173
11.6.1 ORL資料庫173
11.6.2 學習前的聚類錯誤173
11.6.3 學習後的分類錯誤173
11.6.4 性能比較176
11.7 討論177
11.7.1 人臉特徵、分類器和識別性能的關係177
11.7.2 訓練樣本與識別性能的關係180
11.7.3 神經網路初始化與識別性能的關係180
11.7.4 小樣本集問題182
11.8 小結183
本章參考文獻183
11.1 引言163
11.2 徑向基神經網路165
11.3 人臉特徵提取167
11.3.1 主元分析法(PCA)167
11.3.2 Fisher線性判別式(FLD)167
11.4 徑向基神經網路的初始化168
11.4.1 結構確定和參數選擇168
11.4.2 高斯寬度估計170
11.5 混合學習算法171
11.5.1 權值調整171
11.5.2 RBF節點參數的調整171
11.5.3 學習步驟172
11.6 實驗結果173
11.6.1 ORL資料庫173
11.6.2 學習前的聚類錯誤173
11.6.3 學習後的分類錯誤173
11.6.4 性能比較176
11.7 討論177
11.7.1 人臉特徵、分類器和識別性能的關係177
11.7.2 訓練樣本與識別性能的關係180
11.7.3 神經網路初始化與識別性能的關係180
11.7.4 小樣本集問題182
11.8 小結183
本章參考文獻183
第12章 總結與進一步研究的課題186
12.1 總結186
12.2 進一步研究的課題187
12.1 總結186
12.2 進一步研究的課題187
附錄A MATLAB程式189
A.1 第3章程式189
A.2 第4章程式193
A.3 第5章程式201
A.4 第6章程式204
A.5 第8章程式216
A.1 第3章程式189
A.2 第4章程式193
A.3 第5章程式201
A.4 第6章程式204
A.5 第8章程式216
