神經網路自適應控制

神經網路自適應控制

《神經網路自適應控制》是國防科技大學出版社出版的圖書,作者是胡德文。本書主要講解基於人工神經網路的自適應控制原理、算法等知識。

基本介紹

  • 書名:神經網路自適應控制
  • 作者:胡德文[等]著
  • ISBN:7-81099-205-8
  • 類別:學術著作叢書
  • 頁數:355頁
  • 定價:29
  • 出版社:國防科技大學出版社
  • 出版時間:2006-01-01
  • 裝幀:精裝
  • 開本:21.1 x 14.7 x 1.8 cm
圖書信息,摘要信息,圖書目錄,

圖書信息

題 名: 神經網路自適應控制
題名拼音: shen jing wang luo zi shi ying kong zhi
I S B N: 7-81099-205-8
責 任 者: 胡德文[等]著
出 版 社: 國防科技大學出版社
出版地點: 長沙
出版時間: 2006
載體形態: 355頁
從 編 項: 學術著作叢書
主 題 詞: 人工神經
中圖分類號: TP183

摘要信息

本書介紹了著者在神經網路領域近年來的一些研究工作積累,包括理論研究以及在機器人眼手/手眼協調、步行機器人控制和移動機器人路徑規劃和工業過程控制等方面的套用。

圖書目錄

第一章 自組織特徵映射神經網路與控制
1.1 引言
1.2 自組織神經網路的基本原理
1.2.1 特徵空間的劃分
1.2.2 WTA競爭學習機制
1.2.3 SOFM模型及其學習算法
1.3 SOFM算法的穩態性質
1.3.1 輸入空間逼近與廣義Lloyd算法
1.3.2 學習向量量化(LVQ)
1.3.3 SOFM穩態性質定量描述
1.4 SOFM算法的規範化數學模型
1.4.1 改進的自組織神經元網路模型
1.4.2 自組織算法的ODE分析
1.4.3 神經元權重集惟一解的存在性
1.4.4 神經元權重穩態解的形式
1.4.5 拓撲保持自組織模型的分析
1.5 SOFM算法與系統辨識
1.5.1 自組織最小二乘辨識
1.5.2 算法仿真與分析
1.6 SOFM在機器人手眼協調控制中的套用
1.6.1 機器人手眼系統描述
1.6.2 基於自組織網路的手眼協調控制
1.6.3 仿真結果
參考文獻
第二章 非拓撲保持自組織算法
2.1 神經氣體模型
2.2 群落生長型自組織模型
2.3 自組織聚類實驗
2.4 GGM模型用於混沌系統辨識
2.4.1 混沌系統的相空間重構
2.4.2 相空間劃分與混沌系統辨識
2.4.3 仿真結果與分析
2.5 NO自組織神經網路原理與套用
2.5.1 引言
2.5.2 內源性NO擴散機制
2.5.3 規則空間NO擴散模型
2.5.4 NO自組織神經網路
2.5.5 GasNets網路模型及套用
參考文獻
第三章 神經網路智慧型控制系統
3.1 基於高斯函式網路(GPFN)的智慧型控制
3.1.1 引言
3.1.2 GPFN網路與系統辨識
3.1.3 基於GPFN網路的智慧型PID控制器設計
3.1.4 仿真實驗結果
3.1.5 小結
3.2 神經網路非線性智慧型控制系統
3.2.1 基於自適應神經網路的智慧型控制
3.2.2 單層自適應Adaline網路的智慧型控制器設計
3.2.3 基於多層自適應網路的非線性自校正控制
3.3 基於動態遞歸網路的非線性智慧型控制
3.3.1 改進型動態遞歸網路與控制算法
參考文獻
第四章 模糊神經網路與自適應控制
4.1 模糊神經網路自組織控制
4.1.1 自組織模糊控制器
4.1.2 模糊神經網路自組織控制系統
4.1.3 仿真實驗結果及套用分析
4.2 神經網路模糊邏輯推理智慧型控制
4.2.1 模糊邏輯控制
4.2.2 模糊高斯基函式網路推理控制
4.2.3 神經網路動態系統辨識
4.2.4 系統仿真結果與倒立擺控制
參考文獻
第五章 神經網路在兩足步行機器人控制中的套用
5.1 概述
5.2 兩足步行機器人建模
5.2.1 引言
5.2.2 解耦模型
5.2.3 ZMP計算
5.3 兩足步行機器人穩定性分析與運動控制
5.3.1 序言
5.3.2 基本概念
5.3.3 兩足動態步行的姿態穩定性分析及姿態控制器構造
5.3.4 步態穩定性分析及步態控制
5.3.5 兩足步行機器人動態步行的實時時位控制方案
5.4 神經網路學習步態控制器
5.4.1 CMAC模型及其特點
5.4.2 神經網路學習步態控制
5.4.3 計算機仿真研究與結果分析
5.5 利用CMAC神經網路的兩足機器人穩定自適應控制<&apos;[6]>
5.5.1 序言
5.5.2 CMAC神經網路與自組織學習結構
5.5.3 虛擬模型控制與虛擬動態空間
5.5.4 自適應CMAC神經網路控制
5.5.5 仿真分析
參考文獻
第六章 增強學習與神經動態規劃
6.1 引言
6.2 增強學習理論的形成和發展
6.2.1 增強學習的學科基礎
6.2.2 增強學習理論的早期發展
6.2.3 增強學習理論的成熟
6.3 神經元的非聯想與聯想增強學習算法
6.3.1 神經元的非聯想增強學習算法(Non-associative RL)
6.3.2 聯想增強學習算法
6.4 時域差值學習理論與算法
6.4.1 Markov鏈與多步學習預測問題
6.4.2 時域差值TD(Temporal Difference)學習算法
6.5 基於動態規劃的增強學習方法
6.5.1 MDP與動態規劃
6.5.2 基於動態規劃的增強學習方法
6.6 神經動態規劃
6.6.1 基於線性值函式逼近的時域差值學習算法
6.6.2 基於CMAC的增強學習算法
6.6.3 非線性函式逼近與殘差增強學習算法
6.6.4 基於執行器-評判器結構的神經動態規劃方法
6.7 增強學習與神經動態規劃的套用
6.7.1 增強學習在機器人控制中的套用
6.7.2 增強學習在非線性系統學習控制中的套用
6.7.3 增強學習在最佳化和調度中的套用
6.8 小結
參考文獻

相關詞條

熱門詞條

聯絡我們