神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制

第一章 自組織特征映射神經(jīng)網(wǎng)絡(luò)與控制
1.1 引言
1.2 自組織神經(jīng)網(wǎng)絡(luò)的基本原理
1.2.1 特征空間的劃分
1.2.2 WTA競爭學(xué)習(xí)機制
1.2.3 SOFM模型及其學(xué)習(xí)算法
1.3 SOFM算法的穩(wěn)態(tài)性質(zhì)
1.3.1 輸入空間逼近與廣義uoyd算法
1.3.2 學(xué)習(xí)向量量化(LVQ)
1.3.3 SOFM穩(wěn)態(tài)性質(zhì)定量描述
1.4 SOFM算法的規(guī)范化數(shù)學(xué)模型
1.4.1 改進的自組織神經(jīng)元網(wǎng)絡(luò)模型
1.4.2 自組織算法的ODE分析
1.4.3 神經(jīng)元權(quán)重集惟一解的存在性
1.4.4 神經(jīng)元權(quán)重穩(wěn)態(tài)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(tǒng)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(xié)調(diào)控制中的應(yīng)用
1.6.1 機器人手眼系統(tǒng)描述
1.6.2 基于自組織網(wǎng)絡(luò)的手眼協(xié)調(diào)控制
1.6.3 仿真結(jié)果
參考文獻
第二章 非拓撲保持自組織算法
2.1 神經(jīng)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模型用于混沌系統(tǒng)辨識
2.4.1 混沌系統(tǒng)的相空間重構(gòu)
2.4.2 相空間劃分與混沌系統(tǒng)辨識
2.4.3 仿真結(jié)果與分析
2.5 N0自組織神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用
2.5.1 引言
2.5.2 內(nèi)源性NO擴散機制
2.5.3 規(guī)則空間NO擴散模型
2.5.4 NO自組織神經(jīng)網(wǎng)絡(luò)
2.5.5 GmNets網(wǎng)絡(luò)模型及應(yīng)用
參考文獻
第三章 神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)
3.1 基于高斯函數(shù)網(wǎng)絡(luò)(GPFN)的智能控制
3.1.1 引言
3.1.2 GPFN網(wǎng)絡(luò)與系統(tǒng)辨識
3.1.3 基于GPFN網(wǎng)絡(luò)的智能PID控制器設(shè)計
3.1.4 仿真實驗結(jié)果
3.1.5 小結(jié)
3.2 神經(jīng)網(wǎng)絡(luò)非線性智能控制系統(tǒng)
3.2.1 基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的智能控制
3.2.2 單層自適應(yīng)Adaline網(wǎng)絡(luò)的智能控制器設(shè)計
3.2.3 基于多層自適應(yīng)網(wǎng)絡(luò)的非線性自校正控制
3.3 基于動態(tài)遞歸網(wǎng)絡(luò)的非線性智能控制
3.3.1改 進型動態(tài)遞歸網(wǎng)絡(luò)與控制算法
參考文獻
第四章 模糊神經(jīng)網(wǎng)絡(luò)與自適應(yīng)控制
4.1 模糊神經(jīng)網(wǎng)絡(luò)自組織控制
4.1.1 自組織模糊控制器
4.1.2 模糊神經(jīng)網(wǎng)絡(luò)自組織控制系統(tǒng)
4.1.3 仿真實驗結(jié)果及應(yīng)用分析
4.2 神經(jīng)網(wǎng)絡(luò)模糊邏輯推理智能控制
4.2.1 模糊邏輯控制
4.2.2 模糊高斯基函數(shù)網(wǎng)絡(luò)推理控制
4.2.3 神經(jīng)網(wǎng)絡(luò)動態(tài)系統(tǒng)辨識
4.2.4 系統(tǒng)仿真結(jié)果與倒立擺控制
參考文獻
第五章 神經(jīng)網(wǎng)絡(luò)在兩足步行機器人控制中的應(yīng)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 ZlVIP計算
5.3 兩足步行機器人穩(wěn)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(tài)步行的姿態(tài)穩(wěn)定性分析及姿態(tài)控制器構(gòu)造
5.3.4 步態(tài)穩(wěn)定性分析及步態(tài)控制
5.3.5 兩足步行機器人動態(tài)步行的實時時位控制方案
5.4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)步態(tài)控制器
5.4.1 CMAC模型及其特點
5.4.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)步態(tài)控制
5.4.3 計算機仿真研究與結(jié)果分析
5.5 利用CMAC神經(jīng)網(wǎng)絡(luò)的兩足機器人穩(wěn)定自適應(yīng)控制
5.5.1 序言
5.5.2 CMAC神經(jīng)網(wǎng)絡(luò)與自組織學(xué)習(xí)結(jié)構(gòu)
5.5.3 虛擬模型控制與虛擬動態(tài)空間
5.5.4 自適應(yīng)CMAC神經(jīng)網(wǎng)絡(luò)控制
5.5.5 仿真分析
參考文獻
第六章 增強學(xué)習(xí)與神經(jīng)動態(tài)規(guī)劃
6.1 引言
6.2 增強學(xué)習(xí)理論的形成和發(fā)展
6.2.1 增強學(xué)習(xí)的學(xué)科基礎(chǔ)
6.2.2 增強學(xué)習(xí)理論的早期發(fā)展
6.2.3 增強學(xué)習(xí)理論的成熟
6.3 神經(jīng)元的非聯(lián)想與聯(lián)想增強學(xué)習(xí)算法
6.3.1 神經(jīng)元的非聯(lián)想增強學(xué)習(xí)算法(Non-associative RL)
6.3.2 聯(lián)想增強學(xué)習(xí)算法
6.4 時域差值學(xué)習(xí)理論與算法
6.4.1 Markov鏈與多步學(xué)習(xí)預(yù)測問題
6.4.2 時域差值TD(Temporal Difference)學(xué)習(xí)算法
6.5 基于動態(tài)規(guī)劃的增強學(xué)習(xí)方法
6.5.1 MDP與動態(tài)規(guī)劃
6.5.2 基于動態(tài)規(guī)劃的增強學(xué)習(xí)方法
6.6 神經(jīng)動態(tài)規(guī)劃
6.6.1 基于線性值函數(shù)逼近的時域差值學(xué)習(xí)算法
6.6.2 基于CMAC的增強學(xué)習(xí)算法
6.6.3 非線性函數(shù)逼近與殘差增強學(xué)習(xí)算法
6.6.4 基于執(zhí)行器一評判器結(jié)構(gòu)的神經(jīng)動態(tài)規(guī)劃方法
6.7 增強學(xué)習(xí)與神經(jīng)動態(tài)規(guī)劃的應(yīng)用
6.7.1 增強學(xué)習(xí)在機器人控制中的應(yīng)用
6.7.2 增強學(xué)習(xí)在非線性系統(tǒng)學(xué)習(xí)控制中的應(yīng)用
6.7.3 增強學(xué)習(xí)在優(yōu)化和調(diào)度中的應(yīng)用
6.8 小結(jié)
參考文獻