《神經網路控制與MATLAB仿真》共分為9章。第1章敘述了神經網路和神經網路控制的基礎知識；第2章至第6章分別研究了單神經元網路、BP神經網路、RBF神經網路、CMAC神經網路、遞歸神經網路和它們在控制中的套用；第7章研究了神經網路的系統辨識，特別分析了對非線性系統的辨識問題，並給出相應的仿真實例；第8章研究了神經網路控制系統；第9章研究了模糊神經控制系統。由張澤旭編著的《神經網路控制與MATLAB仿真》的所有範例採用MATLAB語言開發，讀者可參考書中開放的原始碼，對相關的內容進行對照驗證，以獲得更深入的理解。《神經網路控制與MATLAB仿真》可作為人工智慧及智慧型控制、計算機科學與技術、自動化、飛行器設計、電子工程等專業的研究生和高年級本科生的教材和教學參考書，也可作為上述領域的科學工作者和工程技術人員從事人工神經網路及套用的參考用書。
基本介紹
- 書名：神經網路控制與MATLAB仿真
- ISBN：7560331513, 9787560331515
- 頁數：259頁
- 出版社：哈爾濱工業大學出版社
- 出版時間：第1版 (2011年7月1日)
- 裝幀：16
目錄
第1章 神經網路及神經網路控制基礎
1.1 什麼是神經網路
1.1.1 生物神經元
1.1.2 人工神經元模型
1.1.3 神經網路的結構
1.1.4 神經網路的學習
1.1.5 神經網路的發展歷程
1.2 什麼是神經網路控制
1.2.1 傳統控制理論的局限性
1.2.2 智慧型控制的基本特徵
1.2.3 神經網路控制系統的特點
1.2.4 神經網路控制系統的基本原理
1.3 神經網路在神經控制系統中的作用
1.4 注釋與討論
第2章 單神經元網路及其PID控制
2.1 感知器
2.1.1 感知器模型
2.1.2 感知器訓練算法
2.1.3 感知器收斂定理
2.1.4 XOR問題與多層感知器
2.2 自適應線性神經網路
2.2.1 自適應線性神經網路的結構
2.2.2 自適應線性神經網路的學習算法
2.3 無約束最最佳化技術
2.3.1 梯度下降法
2.3.2 Newton法
2.3.3 Gauss-Newton法
2.4 基於單神經元網路的PID控制
2.4.lPID控制原理
2.4.2 數字PID控制
2.4.3 單神經元自適應PID控制
2.5 注釋與討論
第3章 BP神經網路及其控制套用
3.1 反向傳播學習算法
3.1.1 BP神經網路的結構
3.1.2 反向傳播算法
3.1.3 BP神經網路的學習步驟
3.2 關於BP神經網路的幾點考慮
3.2.1 網路的訓練方式
3.2.2 反向傳播學習的停止準則
3.2.3 BP神經網路中的激活函式
3.2.4 學習率的考慮
3.2.5 BP學習算法的改進
3.3 BP神經網路在PID控制中的套用
3.3.1 基於BP神經網路的PID控制器結構
3.3.2 在控制器中BP神經網路的學習
3.3.3 仿真實驗與分析
3.4 注釋與討論
第4章 基於徑向基函式網路的系統辨識
4.1 徑向基函式網路
4.1.1 徑向基函式網路的結構
4.1.2 徑向基函式網路的學習算法
4.1.3 徑向基函式網路的模式可分性
4.1.4 徑向基函式網路對XOR問題的解決
4.1.5 與RBF網路有關的若干問題
4.2 徑向基函式網路的數學基礎
4.2.1 內插值問題
4.2.2 正則化網路
4.3 基於RBF網路的系統辨識
4.3.1 被控對象Jacobian信息辨識算法
4.3.2 仿真程式及分析
4.4 注釋與討論
第5章 CMAC網路及其控制實現
5.1 CMAC網路
5.1.1 CMAC網路的結構
5.1.2 CMAC網路的工作原理
5.1.3 CMAC網路的學習算法
5.2 基於CMAC網路的PID控制算法
5.2.1 控制算法原理
5.2.2 仿真程式及分析
5.3 CMAC網路在機器人手臂控制中的套用
5.4 注釋與討論
第6章 遞歸神經網路及其控制系統
6.1 神經動力學基礎
6.1.1 動力學系統
6.1.2 狀態(相)空間
6.1.3 穩定性的相關定義
6.1.4 Lyapunov穩定性定理
6.2 Hopfield神經網路
6.2.1 離散Hopfield神經網路
6.2.3 基於離散Hopfield神經網路的聯想記憶
6.2.3 連續Hopfield神經網路
6.2.4 基於連續Hopfield網路的TSP求解
6.3 基於Hopfield網路的PID模型參考自適應控制
6.3.1 神經直接模型參考自適應控制系統
6.3.2 基於Hopfield網路的控制器最佳化
6.3.3 仿真程式與分析
6.4 遞歸神經網路
6.4.1 遞歸神經網路的體系結構
6.4.2 遞歸神經網路的學習算法
6.5 基於遞歸神經網路辨識的PID控制系統
6.5.1 基於Elman神經網路的系統辨識
6.5.2 基於Elman神經網路辨識的PID控制系統
6.5.3 仿真程式及分析
6.6 注釋與討論
第7章 基於神經網路的系統辨識
7.1 系統辨識基礎
7.1.1 什麼是系統辨識
7.1.2 系統辨識的基本方法
7.1.3 系統辨識的誤差準則
7.1.4 系統辨識的輸入信號
7.2 基於神經網路的系統辨識原理
7.2.1 基於神經網路的辨識結構
7.2.2 動態系統辨識中常用的神經網路
7.3 線性動態系統的神經網路辨識
7.3.1 離散時間系統模型
7.3.2 線性動態系統的神經網路辨識
7.3.3 線性動態系統的逆模型辨識
7.4 非線性動態系統神經網路的辨識
7.4.1 非線性動態系統模型
7.4.2 非線性動態系統辨識
7.4.3 仿真程式與分析
7.5 注釋與討論
第8章 神經網路控制系統
8.1 神經自校正控制系統
8.1.1 伴隨型系統的神經NARMA-L2辨識
8.1.2 基於NARMA-L2辨識器的自校正控制
8.1.3 仿真實例分析
8.2 神經模型預測控制系統
8.2.1 神經模型預測控制的工作過程
8.2.2 單步預測模型的單神經元PI控制器
8.2.3 仿真實例分析
8.3 神經模型參考自適應控制系統
8.3.1 神經模型參考自適應控制結構
8.3.2 實例分析——機械臂控制系統
8.4 神經PID多變數控制系統
8.4.1 神經PID多變數控制原理
8.4.2 單神經元PID多變數控制
8.4.3 仿真程式及分析
8.5 注釋與討論
第9章 模糊神經控制系統
9.1 模糊集理論基礎
9.1.1 模糊集定義
9.1.2 模糊集的模運算
9.1.3 分解定理、表現定理與擴張原理
9.1.4 模糊數與擴張運算
9.1.5 模糊關係與模糊關係的複合
9.1.6 模糊語言變數、模糊規則與模糊邏輯推理
9.2 模糊邏輯控制系統
9.2.1 模糊控制的基本原理
9.2.2 模糊控制系統的設計
9.3 模糊神經網路控制
9.3.1 模糊神經元
9.3.2 模糊神經網路的結構
9.3.3 BP模糊神經網路
9.3.4 基於模糊神經網路整定的PID控制
9.4 注釋與討論
參考文獻
