神經(jīng)網(wǎng)絡

前言
第1章 智能控制技術基礎
　1.1 智能控制的基本概念
　1.2 智能控制系統(tǒng)的分類和發(fā)展
　1.3 用于神經(jīng)網(wǎng)絡控制或辨識建模的噪聲信號產(chǎn)生方法
　1.4 偽隨機信號產(chǎn)生及MATLAB仿真舉例
　1.5 語義網(wǎng)絡知識表示法及Petri網(wǎng)舉例
　1.6 小結(jié)
　習題
第2章 神經(jīng)網(wǎng)絡控制的基本概念
　2.1 生物神經(jīng)元模型
　2.2 人工神經(jīng)元
　　2.2.1 人工神經(jīng)網(wǎng)絡的發(fā)展
　　2.2.2 神經(jīng)網(wǎng)絡的特性
　　2.2.3 人工神經(jīng)元模型
　2.3 神經(jīng)網(wǎng)絡常用的激發(fā)函數(shù)
　2.4 神經(jīng)網(wǎng)絡的分類
　2.5 神經(jīng)網(wǎng)絡學習方法
　2.6 小結(jié)
　習題
第3章 前向神經(jīng)網(wǎng)絡模型及其仿真算法
　3.1 感知器算法及其應用
　　3.1.1 感知器的概念
　　3.1.2 感知器的局限性
　　3.1.3 感知器的線性可分性
　　3.1.4 感知器分類的MATLAB仿真
　3.2 BP神經(jīng)網(wǎng)絡及其算例
　3.3 其它前向網(wǎng)絡
　3.4 神經(jīng)網(wǎng)絡模型辨識
　　3.4.1 神經(jīng)網(wǎng)絡模型辨識系統(tǒng)結(jié)構(gòu)
　　3.4.2 神經(jīng)網(wǎng)絡模型辨識MATLAB仿真
　3.5 神經(jīng)網(wǎng)絡自適應控制系統(tǒng)結(jié)構(gòu)
　3.6 神經(jīng)元自適應控制系統(tǒng)MATLAB仿真
　　3.6.1 Kp變化時系統(tǒng)的階躍響應仿真
　　3.6.2 系統(tǒng)的閉環(huán)零點z、極點p和增益k求取仿真
　　3.6.3 單神經(jīng)網(wǎng)絡控制系統(tǒng)仿真
　3.7 小結(jié)
　習題
第4章 改進的BP網(wǎng)絡訓練算法
　4.1 BP網(wǎng)絡分析及其改進思路
　　4.1.1 網(wǎng)絡存在問題分析
　　4.1.2 其它網(wǎng)絡訓練技巧
　4.2 基于降低網(wǎng)絡靈敏度的網(wǎng)絡改進算法
　4.3 提高神經(jīng)網(wǎng)絡容錯性的理論和方法
　4.4 提高神經(jīng)網(wǎng)絡收斂速度的一種賦初值算法
　4.5 復雜系統(tǒng)神經(jīng)網(wǎng)絡辨識MATLAB仿真舉例
　　4.5.1 具有噪聲二階系統(tǒng)辨識的MATLAB程序剖析
　　4.5.2 多維非線性辨識與MATLAB程序剖析
　4.6 小結(jié)
　習題
第5章 小腦模型神經(jīng)網(wǎng)絡及其應用
　5.1 CMAC網(wǎng)絡的特點
　5.2 改進的CMAC干式變壓器卷線機跑偏信號諧波分析
　　5.2.1 CMAC網(wǎng)絡對非線性函數(shù)學習過程
　　5.2.2 干式變壓器卷線機跑偏信號諧波分析方法
　　5.2.3 跑偏信號諧波仿真與分析
　5.3 改進的CMAC學習多維函數(shù)
　5.4 小結(jié)
　習題
第6章 遺傳算法及其神經(jīng)網(wǎng)絡
　6.1 遺傳算法的概念
　　6.1.1 遺傳算法的定義及特點
　　6.1.2 遺傳操作
　6.2 一種適應度函數(shù)的改進算法
　　6.2.1 適應度函數(shù)的選擇與計算
　　6.2.2 一種改進的遺傳神經(jīng)解耦方法
　　6.2.3 遺傳神經(jīng)解耦仿真、實驗及結(jié)論
　6.3 遺傳算法及其遺傳神經(jīng)網(wǎng)絡應用仿真
　　6.3.1 遺傳算法尋優(yōu)MATLAB仿真
　　6.3.2 遺傳神經(jīng)元辨識MATLAB仿真
　6.4 小結(jié)
　習題
第7章 模糊神經(jīng)網(wǎng)絡
　7.1 傳統(tǒng)控制與模糊控制
　7.2 模糊神經(jīng)網(wǎng)絡及其應用
　　7.2.1 模糊神經(jīng)網(wǎng)絡的概念
　　7.2.2 隸屬函數(shù)神經(jīng)網(wǎng)絡
　　7.2.3 模糊神經(jīng)網(wǎng)絡控制模型
　7.3 FNN對非線性多變量系統(tǒng)的解耦方法
　　7.3.1 FNN解耦的基本模型
　　7.3.2 FNN解耦的算法
　7.4 FC及FNN解耦算法的MATLAB仿真
　7.5 小結(jié)
　習題
第8章 徑向基函數(shù)網(wǎng)絡
　8.1 徑向基函數(shù)網(wǎng)絡模型
　8.2 網(wǎng)絡的訓練與設計
　　8.2.1 聚類分析
　　8.2.2 動態(tài)聚類法
　　8.2.3 RBF網(wǎng)絡的學習算法
　8.3 徑向基神經(jīng)網(wǎng)絡的工具箱
　　8.3.1 面向MATLAB工具箱的徑向基神經(jīng)元模型
　　8.3.2 面向MATLAB工具箱的徑向基神經(jīng)網(wǎng)絡
　　8.3.3 徑向基網(wǎng)絡的創(chuàng)建與學習過程
　　8.3.4 徑向基網(wǎng)絡的應用
　8.4 混沌時間序列建模及預測
　　8.4.1 相空間重構(gòu)
　　8.4.2 非線性函數(shù)逼近方法
　　8.4.3 數(shù)值實驗
　8.5 小結(jié)
　習題
第9章 反饋型神經(jīng)網(wǎng)絡
　9.1 Hopfield神經(jīng)網(wǎng)絡
　　9.1.1 Hopfield網(wǎng)絡的結(jié)構(gòu)
　　9.1.2 Hopfield網(wǎng)絡的穩(wěn)定性
　　9.1.3 基本學習規(guī)則
　　9.1.4 Hopfield網(wǎng)絡的聯(lián)想特性
　9.2 反饋網(wǎng)絡與優(yōu)化計算
　　9.2.1 Hopfield網(wǎng)絡的電路模型與動態(tài)方程
　　9.2.2 Hopfield網(wǎng)絡的能量函數(shù)與穩(wěn)定性
　　9.2.3 Hopfield網(wǎng)絡的優(yōu)化計算
　9.3 Hopfield網(wǎng)絡的MATLAB開發(fā)
　　9.3.1 Hopfield神經(jīng)網(wǎng)絡的工具函數(shù)
　　9.3.2 基于Hopfield網(wǎng)絡的數(shù)字識別
　9.4 小結(jié)
　習題
第10章 支持向量機
　10.1 統(tǒng)計學習理論的一般概念
　　10.1.1 機器學習問題的表示
　　10.1.2 經(jīng)驗風險最小化
　　10.1.3 學習機的VC維與風險界
　　10.1.4 結(jié)構(gòu)風險最小化
　10.2 最優(yōu)化理論基礎
　　10.2.1 二次規(guī)劃
　　10.2.2 拉格朗日理論
　　10.2.3 二次規(guī)劃的對偶
　10.3 支持向量機
　　10.3.1 分類超平面的幾何性質(zhì)
　　10.3.2 線性可分支持向量機
　　10.3.3 近似線性可分支持向量機
　　10.3.4 非線性可分支持向量機
　　10.3.5 支持向量回歸機
　10.4 支持向量機的實現(xiàn)
　　10.4.1 LIBSVM軟件包簡介
　　10.4.2 LIBSVM使用方法
　　10.4.3 SVM在MATLAB中的實現(xiàn)
　10.5 SVM在故障診斷中的應用
　10.6 小結(jié)
　習題
第11章 小波神經(jīng)網(wǎng)絡及應用
　11.1 多尺度分析
　11.2 小波變換
　11.3 小波包變換
　11.4 小波分析在信號處理中的應用
　　11.4.1 信號奇異點檢測仿真
　　11.4.2 信號消噪仿真
　11.5 小波神經(jīng)網(wǎng)絡
　11.6 小波神經(jīng)網(wǎng)絡在電纜故障識別中的應用
　　11.6.1 小波變換提取特征
　　11.6.2 小波神經(jīng)網(wǎng)絡結(jié)構(gòu)設計
　　11.6.3 電纜故障識別仿真
　11.7 小結(jié)
　習題
參考文獻