智能控制系統(tǒng)及其應用

總序
前言

第1章 概述
1.1 自動控制系統(tǒng)及其理論的發(fā)展歷程
1.2 智能控制系統(tǒng)及其理論
1.2.1 智能控制理論
1.2.2 智能控制系統(tǒng)的基本功能特點
1.2.3 智能控制技術(shù)的應用
1.3 智能控制與傳統(tǒng)控制的比較分析
1.3.1 傳統(tǒng)控制的特點與不足
1.3.2 智能控制與傳統(tǒng)控制的關(guān)系
1.4 智能優(yōu)化算法
1.5 本書內(nèi)容

第2章 前向神經(jīng)網(wǎng)絡(luò)
2.1 感知器網(wǎng)絡(luò)
2.1.1 感知器的網(wǎng)絡(luò)結(jié)構(gòu)及其功能
2.1.2 感知器權(quán)值的學習規(guī)則與訓練
2.2 自適應線性元件
2.2.1 自適應線性神經(jīng)元模型和結(jié)構(gòu)
2.2.2 W-H學習規(guī)則及其網(wǎng)絡(luò)的訓練
2.3 反向傳播網(wǎng)絡(luò)
2.3.1 反向傳播法網(wǎng)絡(luò)模型與結(jié)構(gòu)
2.3.2 BP算法
2.3.3 BP網(wǎng)絡(luò)的設(shè)計
2.3.4 BP網(wǎng)絡(luò)的限制與不足
2.4 徑向基函數(shù)網(wǎng)絡(luò)
2.4.1 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)
2.4.2 網(wǎng)絡(luò)訓練與設(shè)計
2.4.3 廣義徑向基函數(shù)網(wǎng)絡(luò)

第3章 網(wǎng)絡(luò)訓練優(yōu)化算法及其性能對比
3.1 基于標準梯度下降的方法
3.1.1 附加動量法
3.1.2 自適應學習速率
3.1.3 彈性BP算法
3.2 基于數(shù)值優(yōu)化方法的網(wǎng)絡(luò)訓練算法
3.2.1 擬牛頓法
3.2.2 共軛梯度法
3.2.3 Levenberg-Marquardt法
3.3 前向網(wǎng)絡(luò)的數(shù)值性能對比
3.3.1 非線性函數(shù)的逼近
3.3.2 逼近非線性直流電機的輸入／輸出特性

第4章 遞歸神經(jīng)網(wǎng)絡(luò)
4.1 各種遞歸神經(jīng)網(wǎng)絡(luò)
4.1.1 全局反饋型遞歸神經(jīng)網(wǎng)絡(luò)
4.1.2 前向遞歸神經(jīng)網(wǎng)絡(luò)
4.1.3 混合型網(wǎng)絡(luò)
4.1.4 小結(jié)
4.2 全局反饋遞歸網(wǎng)絡(luò)
4.2.1 海布學習規(guī)則
4.2.2 正交化的權(quán)值設(shè)計
4.2.3 離散型反饋網(wǎng)絡(luò)的穩(wěn)定點與穩(wěn)定域
4.3 連續(xù)型霍普菲爾德網(wǎng)絡(luò)
4.3.1 對應于電子電路的網(wǎng)絡(luò)結(jié)構(gòu)
4.3.2 霍普菲爾德能量函數(shù)及其穩(wěn)定性分析
4.3.3 能量函數(shù)與優(yōu)化計算
4.4 自組織競爭網(wǎng)絡(luò)
4.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
4.4.2 競爭學習規(guī)則
4.4.3 競爭網(wǎng)絡(luò)的訓練過程
4.5 科荷倫自組織映射網(wǎng)絡(luò)
4.5.1 科荷倫網(wǎng)絡(luò)拓撲結(jié)構(gòu)
4.5.2 網(wǎng)絡(luò)的訓練過程
4.5.3 科荷倫網(wǎng)絡(luò)的應用

第5章 神經(jīng)網(wǎng)絡(luò)在智能控制系統(tǒng)中的應用
5.1 直接正向模型建立
5.2 逆模型建立
5.3 系統(tǒng)中的控制
5.3.1 監(jiān)督式控制
5.3.2 直接逆控制
……

第6章 模糊理論基礎(chǔ)
第7章 模糊控制器的設(shè)計方法 
第8章 模糊控制系統(tǒng)的應用
第9章 模糊神經(jīng)網(wǎng)絡(luò)
第10章 模糊神經(jīng)系統(tǒng)的應用
第11章 進化算法
第12章 進化算法的應用
第13章 智能優(yōu)化算法及其應用