神經網絡與MATLALB仿真（簡體書）

本書共分為9章。第1章敘述了神經網絡和神經網絡控制的基礎知識；
第2章至第6章分別研究了
單神經元網絡、BP神經網絡、RBF神經網絡、CMAC神經網絡、遞歸神經網絡
和它們在控制中的應用；第7
章研究了神經網絡的系統辨識，特別分析了對非線性系統的辨識問題，并
給出相應的仿真實例；第8章
研究了神經網絡控制系統；第9章研究了模糊神經控制系統。
由張澤旭編著的《神經網絡控制與MATLAB仿真》的所有范例采用
MATLAB語言開發，讀者可參考書中開放的源代碼，對相關的內容進行對照
驗
證，以獲得更深入的理解。
《神經網絡控制與MATLAB仿真》可作為人工智能及智能控制、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
經網絡及應用的參考用書。

近年來作者一直從事神經網絡控制的教學和研究工作，為了促進神經控制和智能控制的進步，使廣大研究生或工程技術人員更快地了解、掌握和應用這一領域的相關方法，學會用MATLAB語言進行神經網絡控制的設計與實現編寫了本書，由張澤旭編著的《神經網絡控制與MATLAB仿真》以拋磚引玉，供廣大讀者學習參考。

第1章 神經網絡及神經網絡控制基礎
1.1 什么是神經網絡
1.1.1 生物神經元
1.1.2 人工神經元模型
1.1.3 神經網絡的結構
1.1.4 神經網絡的學習
1.1.5 神經網絡的發展歷程
1.2 什么是神經網絡控制
1.2.1 傳統控制理論的局限性
1.2.2 智能控制的基本特征
1.2.3 神經網絡控制系統的特點
1.2.4 神經網絡控制系統的基本原理
1.3 神經網絡在神經控制系統中的作用
1.4 注釋與討論
第2章 單神經元網絡及其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 自適應線性神經網絡
2.2.1 自適應線性神經網絡的結構
2.2.2 自適應線性神經網絡的學習算法
2.3 無約束最優化技術
2.3.1 梯度下降法
2.3.2 Newton法
2.3.3 Gauss-Newton法
2.4 基于單神經元網絡的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神經網絡及其控制應用
3.1 反向傳播學習算法
3.1.1 BP神經網絡的結構
3.1.2 反向傳播算法
3.1.3 BP神經網絡的學習步驟
3.2 關于BP神經網絡的幾點考慮
3.2.1 網絡的訓練方式
3.2.2 反向傳播學習的停止準則
3.2.3 BP神經網絡中的激活函數
3.2.4 學習率的考慮
3.2.5 BP學習算法的改進
3.3 BP神經網絡在PID控制中的應用
3.3.1 基于BP神經網絡的PID控制器結構
3.3.2 在控制器中BP神經網絡的學習
3.3.3 仿真實驗與分析
3.4 注釋與討論
第4章 基于徑向基函數網絡的系統辨識
4.1 徑向基函數網絡
4.1.1 徑向基函數網絡的結構
4.1.2 徑向基函數網絡的學習算法
4.1.3 徑向基函數網絡的模式可分性
4.1.4 徑向基函數網絡對XOR問題的解決
4.1.5 與RBF網絡有關的若干問題
4.2 徑向基函數網絡的數學基礎
4.2.1 內插值問題
4.2.2 正則化網絡
4.3 基于RBF網絡的系統辨識
4.3.1 被控對象Jacobian信息辨識算法
4.3.2 仿真程序及分析
4.4 注釋與討論
第5章 CMAC網絡及其控制實現
5.1 CMAC網絡
5.1.1 CMAC網絡的結構
5.1.2 CMAC網絡的工作原理
5.1.3 CMAC網絡的學習算法
5.2 基于CMAC網絡的PID控制算法
5.2.1 控制算法原理
5.2.2 仿真程序及分析
5.3 CMAC網絡在機器人手臂控制中的應用
5.4 注釋與討論
第6章 遞歸神經網絡及其控制系統
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神經網絡
6.2.1 離散Hopfield神經網絡
6.2.3 基于離散Hopfield神經網絡的聯想記憶
6.2.3 連續Hopfield神經網絡
6.2.4 基于連續Hopfield網絡的TSP求解
6.3 基于Hopfield網絡的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 基于Hopfield網絡的控制器優化
6.3.3 仿真程序與分析
6.4 遞歸神經網絡
6.4.1 遞歸神經網絡的體系結構
6.4.2 遞歸神經網絡的學習算法
6.5 基于遞歸神經網絡辨識的PID控制系統
6.5.1 基于Elman神經網絡的系統辨識
6.5.2 基于Elman神經網絡辨識的PID控制系統
6.5.3 仿真程序及分析
6.6 注釋與討論
第7章 基于神經網絡的系統辨識
7.1 系統辨識基礎
7.1.1 什么是系統辨識
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 基于神經網絡的系統辨識原理
7.2.1 基于神經網絡的辨識結構
7.2.2 動態系統辨識中常用的神經網絡
7.3 線性動態系統的神經網絡辨識
7.3.1 離散時間系統模型
7.3.2 線性動態系統的神經網絡辨識
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絡的辨識
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 仿真程序與分析
7.5 注釋與討論
第8章 神經網絡控制系統
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 基于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多變量控制系統
8.4.1 神經PID多變量控制原理
8.4.2 單神經元PID多變量控制
8.4.3 仿真程序及分析
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 模糊關系與模糊關系的復合
9.1.6 模糊語言變量、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 模糊神經網絡控制
9.3.1 模糊神經元
9.3.2 模糊神經網絡的結構
9.3.3 BP模糊神經網絡
9.3.4 基于模糊神經網絡整定的PID控制
9.4 注釋與討論
參考文獻