神經(jīng)網(wǎng)絡(luò)控制

前言

今天，“中國神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)”已發(fā)展成為一年一度的重要學(xué)術(shù)會(huì)議，受到越來越多的我國一級(jí)學(xué)會(huì)及不同領(lǐng)域?qū)＜业年P(guān)注。神經(jīng)網(wǎng)絡(luò)是當(dāng)代信息科技的熱點(diǎn)，在自身不斷發(fā)展時(shí)，受到如此眾多學(xué)科的青睞，不是一件偶然的事。神經(jīng)網(wǎng)絡(luò)與不同學(xué)科結(jié)合形成交叉，是歷史發(fā)展的必然。神經(jīng)控制就是人工神經(jīng)網(wǎng)絡(luò)與自動(dòng)控制交叉的產(chǎn)物，是20世紀(jì)80年代興起的自控領(lǐng)域前沿學(xué)科。而模糊神經(jīng)控制則是神經(jīng)網(wǎng)絡(luò)、自動(dòng)控制、模糊集理論三者的結(jié)合。神經(jīng)控制有機(jī)地融合了生物神經(jīng)網(wǎng)絡(luò)的研究方法（分析法、重構(gòu)法、計(jì)算機(jī)理論法）、人工神經(jīng)網(wǎng)絡(luò)的研究方法（以滿意為輸出準(zhǔn)則，以學(xué)習(xí)與訓(xùn)練連接權(quán)值為主要內(nèi)容）、現(xiàn)代控制理論的基本任務(wù)（最優(yōu)控制、最優(yōu)估計(jì)、隨機(jī)最優(yōu)控制、動(dòng)態(tài)系統(tǒng)辨識(shí)、適應(yīng)控制）、模糊控制（模糊化及模糊推理）和生物進(jìn)化計(jì)算（遺傳算法）等相關(guān)內(nèi)容。神經(jīng)控制運(yùn)用智能控制的研究方法，為求解復(fù)雜、非線性、時(shí)變、部分未知系統(tǒng)的控制及其穩(wěn)定性分析提供了一個(gè)全新的手段。在神經(jīng)控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)用作控制器、辨識(shí)器。本書圍繞神經(jīng)網(wǎng)絡(luò)的運(yùn)用展開論述，共分8章。為了便于組織教學(xué)與自學(xué)，本書在章節(jié)上合理編排，各章節(jié)層次清晰，既有利于教學(xué)，又便于自學(xué)，習(xí)題與思考題有利于及時(shí)鞏固所學(xué)內(nèi)容。

內(nèi)容概要

　　《普通高等學(xué)校教材：神經(jīng)網(wǎng)絡(luò)控制》介紹了：神經(jīng)網(wǎng)絡(luò)控制的基本理論與控制方法。全書共分8章，主要包括神經(jīng)網(wǎng)絡(luò)和自動(dòng)控制的基礎(chǔ)知識(shí)、神經(jīng)計(jì)算基礎(chǔ)、神經(jīng)網(wǎng)絡(luò)模型、神經(jīng)控制中的系統(tǒng)辨識(shí)、人工神經(jīng)元控制系統(tǒng)、神經(jīng)控制系統(tǒng)、模糊神經(jīng)控制系統(tǒng)和神經(jīng)控制中的遺傳進(jìn)化訓(xùn)練等內(nèi)容?！　　镀胀ǜ叩葘W(xué)校教材：神經(jīng)網(wǎng)絡(luò)控制》可作為高等工科院校工業(yè)自動(dòng)化、計(jì)算機(jī)科學(xué)與技術(shù)、檢測(cè)技術(shù)與儀器、電子信息、自動(dòng)控制、電子信息工程等專業(yè)高年級(jí)學(xué)生、研究生教材或參考書，也可供專業(yè)技術(shù)人員、技術(shù)管理人員或科技人員參考。

書籍目錄

第1章 神經(jīng)網(wǎng)絡(luò)和自動(dòng)控制的基礎(chǔ)知識(shí)1.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史1.1.1 20世紀(jì)40年代——神經(jīng)元模型的誕生1.1.2 20世紀(jì)50年代——從單神經(jīng)元到單層網(wǎng)絡(luò)，形成第一次熱潮1.1.3 20世紀(jì)60年代——學(xué)習(xí)多樣化和AN2的急劇冷落1.1.4 20世紀(jì)70年代——在低迷中頑強(qiáng)地發(fā)展1.1.5 20世紀(jì)80年代——AN2研究熱潮再度興起1.1.6 20世紀(jì)90年代——再現(xiàn)熱潮，產(chǎn)生許多邊緣交叉學(xué)科1.1.7 進(jìn)入21世紀(jì)——實(shí)現(xiàn)機(jī)器智能的道路漫長(zhǎng)而又艱難1.2 生物神經(jīng)元和人工神經(jīng)元1.2.1 生物神經(jīng)元1.2.2 人工神經(jīng)元1.3 生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)1.3.1 生物神經(jīng)網(wǎng)絡(luò)1.3.2 人工神經(jīng)網(wǎng)絡(luò)1.4 自動(dòng)控制的發(fā)展史1.4.1 從傳統(tǒng)控制理論到智能控制1.4.2 智能控制的產(chǎn)生與基本特征1.4.3 智能控制系統(tǒng)1.5 模糊集與模糊控制概述1.5.1 模糊集1.5.2 模糊隸屬函數(shù)1.5.3 模糊控制1.6 從生物神經(jīng)控制到人工神經(jīng)控制1.6.1 生物神經(jīng)控制的智能特征1.6.2 人工神經(jīng)控制的模擬范圍1.7 小結(jié)習(xí)題與思考題第2章 神經(jīng)計(jì)算基礎(chǔ)2.1 線性空間與范數(shù)2.1.1 矢量空間2.1.2 范數(shù)2.1.3 賦范線性空間2.1.4 L1范數(shù)和L2范數(shù)2.2 迭代算法2.2.1 迭代算法的終止準(zhǔn)則2.2.2 梯度下降法2.2.3 最優(yōu)步長(zhǎng)選擇2.3 逼近論2.3.1 Banach空間和逼近的定義2.3.2 L2逼近和最優(yōu)一致逼近2.3.3 離散點(diǎn)集上的最小二乘逼近2.4 神經(jīng)網(wǎng)絡(luò)在線迭代學(xué)習(xí)算法2.5 Z變換2.5.1 Z變換的定義和求取2.5.2 Z變換的性質(zhì)2.5.3 Z反變換2.6 李雅普諾夫意義下的穩(wěn)定性2.6.1 非線性時(shí)變系統(tǒng)的穩(wěn)定性問題2.6.2 李雅普諾夫意義下的漸進(jìn)穩(wěn)定2.6.3 李雅普諾夫第二法2.6.4 非線性系統(tǒng)的穩(wěn)定性分析2.7 小結(jié)習(xí)題與思考題第3章 神經(jīng)網(wǎng)絡(luò)模型3.1 人工神經(jīng)網(wǎng)絡(luò)建模3.1.1 MP模型3.1.2 Hebb學(xué)習(xí)法則3.2 感知器3.2.1 單層感知器3.2.2 多層感知器3.3 BP網(wǎng)絡(luò)與BP算法3.3.1 BP網(wǎng)絡(luò)的基本結(jié)構(gòu)3.3.2 BP算法及步長(zhǎng)調(diào)整3.4 自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)3.5 自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)3.5.1 自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)3.5.2 自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法3.6 小腦模型神經(jīng)網(wǎng)絡(luò)3.6.1 CMAC的基本結(jié)構(gòu)3.6.2 CMAC的工作原理3.6.3 CMAC的學(xué)習(xí)算法與訓(xùn)練3.7 遞歸型神經(jīng)網(wǎng)絡(luò)3.7.1 DTRNN的網(wǎng)絡(luò)結(jié)構(gòu)3.7.2 實(shí)時(shí)遞歸學(xué)習(xí)算法3.8 霍普菲爾德（Hopfield）神經(jīng)網(wǎng)絡(luò)3.8.1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)3.8.2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)3.8.3 求解TSP問題3.9 小結(jié)習(xí)題與思考題第4章 神經(jīng)控制中的系統(tǒng)辨識(shí)4.1 系統(tǒng)辨識(shí)基本原理4.1.1 辨識(shí)系統(tǒng)的基本結(jié)構(gòu)4.1.2 辨識(shí)模型4.1.3 辨識(shí)系統(tǒng)的輸入和輸出4.2 系統(tǒng)辨識(shí)過程中神經(jīng)網(wǎng)絡(luò)的作用4.2.1 神經(jīng)網(wǎng)絡(luò)辨識(shí)原理4.2.2 多層前向網(wǎng)絡(luò)的辨識(shí)能力4.2.3 辨識(shí)系統(tǒng)中的非線性模型4.3 非線性動(dòng)態(tài)系統(tǒng)辨識(shí)4.3.1 非線性動(dòng)態(tài)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)辨識(shí)4.3.2 單輸入單輸出非線性動(dòng)態(tài)系統(tǒng)的BP網(wǎng)絡(luò)辨識(shí)4.4 多層前向網(wǎng)絡(luò)辨識(shí)中的快速算法4.5 非線性模型的預(yù)報(bào)誤差神經(jīng)網(wǎng)絡(luò)辨識(shí)4.5.1 非動(dòng)態(tài)模型建模，4.5.2 遞推預(yù)報(bào)誤差算法4.6 非線性系統(tǒng)逆模型的神經(jīng)網(wǎng)絡(luò)辨識(shí)4.6.1 系統(tǒng)分析逆過程的存在性4.6.2 非線性系統(tǒng)的逆模型4.6.3 基于多層感知器的逆模型辨識(shí)4.7 線性連續(xù)動(dòng)態(tài)系統(tǒng)辨識(shí)的參數(shù)估計(jì)4.7.1 Hopfield網(wǎng)絡(luò)用于辨識(shí)4.7.2 Hopfield網(wǎng)絡(luò)辨識(shí)原理4.8 利用神經(jīng)網(wǎng)絡(luò)聯(lián)想功能的辨識(shí)系統(tǒng)4.8.1 二階系統(tǒng)的性能指標(biāo)4.8.2 系統(tǒng)辨識(shí)器基本結(jié)構(gòu)4.8.3 訓(xùn)練與辨識(shí)操作4.9 小結(jié)習(xí)題與思考題第5章 人工神經(jīng)元控制系統(tǒng)5.1 人工神經(jīng)元的PID調(diào)節(jié)功能5.1.1 人工神經(jīng)元PID動(dòng)態(tài)結(jié)構(gòu)5.1.2 人工神經(jīng)元閉環(huán)系統(tǒng)動(dòng)態(tài)結(jié)構(gòu)5.2 人工神經(jīng)元PID調(diào)節(jié)器5.2.1 比例調(diào)節(jié)元5.2.2 積分調(diào)節(jié)元5.2.3 微分調(diào)節(jié)元5.3 人工神經(jīng)元閉環(huán)調(diào)節(jié)系統(tǒng)5.3.1 系統(tǒng)描述5.3.2 Lyapunov穩(wěn)定性分析5.4 人工神經(jīng)元自適應(yīng)控制系統(tǒng)5.4.1 人工神經(jīng)元自適應(yīng)控制系統(tǒng)的基本結(jié)構(gòu)5.4.2 人工神經(jīng)元自適應(yīng)控制系統(tǒng)的學(xué)習(xí)算法5.5 人工神經(jīng)元控制系統(tǒng)的穩(wěn)定性5.6 小結(jié)習(xí)題與思考題第6章 神經(jīng)控制系統(tǒng)6.1 神經(jīng)控制系統(tǒng)概述6.1.1 神經(jīng)控制系統(tǒng)的基本結(jié)構(gòu)6.1.2 神經(jīng)網(wǎng)絡(luò)在神經(jīng)控制系統(tǒng)中的作用6.2 神經(jīng)控制器的設(shè)計(jì)方法6.2.1 模型參考自適應(yīng)方法6.2.2 自校正方法6.2.3 內(nèi)模方法6.2.4 常規(guī)控制方法6.2.5 神經(jīng)網(wǎng)絡(luò)智能方法6.2.6 神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)方法6.3 神經(jīng)辨識(shí)器的設(shè)計(jì)方法6.4 PID神經(jīng)控制系統(tǒng)6.4.1 PID神經(jīng)控制系統(tǒng)框圖6.4.2 PID神經(jīng)調(diào)節(jié)器的參數(shù)整定6.5 模型參考自適應(yīng)神經(jīng)控制系統(tǒng)6.5.1 兩種不同的自適應(yīng)控制方式6.5.2 間接設(shè)計(jì)模型參考自適應(yīng)神經(jīng)控制系統(tǒng)6.5.3 直接設(shè)計(jì)模型參考自適應(yīng)神經(jīng)控制系統(tǒng)6.6 預(yù)測(cè)神經(jīng)控制系統(tǒng)6.6.1 預(yù)測(cè)控制的基本特征6.6.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法6.6.3 單神經(jīng)元預(yù)測(cè)器6.6.4 多層前向網(wǎng)絡(luò)預(yù)測(cè)器6.6.5 輻射基函數(shù)網(wǎng)絡(luò)預(yù)測(cè)器6.6.6 Hopfield網(wǎng)絡(luò)預(yù)測(cè)器6.7 自校正神經(jīng)控制系統(tǒng)6.7.1 自校正神經(jīng)控制系統(tǒng)的基本結(jié)構(gòu)6.7.2 神經(jīng)自校正控制算法6.7.3 神經(jīng)網(wǎng)絡(luò)逼近6.8 內(nèi)模神經(jīng)控制系統(tǒng)6.8.1 線性內(nèi)?？刂品绞?.8.2 內(nèi)?？刂葡到y(tǒng)6.8.3 內(nèi)模神經(jīng)控制器6.8.4 神經(jīng)網(wǎng)絡(luò)內(nèi)部模型6.9 小腦模型神經(jīng)控制系統(tǒng)6.9.1 CMAC控制系統(tǒng)的基本結(jié)構(gòu)6.9.2 CMAC控制器設(shè)計(jì)6.9.3 CMAC控制系統(tǒng)實(shí)例6.10 小結(jié)習(xí)題與思考題第7章 模糊神經(jīng)控制系統(tǒng)7.1 模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合7.1.1 模糊控制的時(shí)間復(fù)雜性7.1.2 神經(jīng)控制的空間復(fù)雜性7.1.3 模糊神經(jīng)系統(tǒng)的產(chǎn)生7.2 模糊控制和神經(jīng)網(wǎng)絡(luò)的異同點(diǎn)7.2.1 模糊控制和神經(jīng)網(wǎng)絡(luò)的共同點(diǎn)7.2.2 模糊控制和神經(jīng)網(wǎng)絡(luò)的不同點(diǎn)7.3 模糊神經(jīng)系統(tǒng)的典型結(jié)構(gòu)7.4 模糊神經(jīng)系統(tǒng)的結(jié)構(gòu)分類7.4.1 松散結(jié)合7.4.2 互補(bǔ)結(jié)合7.4.3 主從結(jié)合7.4.4 串行結(jié)合7.4.5 網(wǎng)絡(luò)學(xué)習(xí)結(jié)合7.4.6 模糊等價(jià)結(jié)合7.5 模糊等價(jià)結(jié)合中的模糊神經(jīng)控制器7.5.1 偏差P和偏差變化率Δe的獲取7.5.2 隸屬函數(shù)的神經(jīng)網(wǎng)絡(luò)表達(dá)7.6 幾種常見的模糊神經(jīng)網(wǎng)絡(luò)7.6.1 模糊聯(lián)想記憶網(wǎng)絡(luò)7.6.2 模糊認(rèn)知映射網(wǎng)絡(luò)7.7 小結(jié)習(xí)題與思考題第8章 神經(jīng)控制中的遺傳進(jìn)化訓(xùn)練8.1 生物的遺傳與進(jìn)化8.1.1 生物進(jìn)化論的基本觀點(diǎn)8.1.2 進(jìn)化計(jì)算8.2 遺傳算法概述8.2.1 遺傳算法中遇到的基本術(shù)語8.2.2 遺傳算法的運(yùn)算特征8.2.3 遺傳算法中的概率計(jì)算公式8.3 遺傳算法中的模式定理8.3.1 模式定義和模式的階8.3.2 模式定理（Schema）8.4 遺傳算法中的編碼操作8.4.1 遺傳算法設(shè)計(jì)流程8.4.2 遺傳算法中的編碼規(guī)則8.4.3 一維染色體的編碼方法8.4.4 二維染色體編碼8.5 遺傳算法中的適應(yīng)度函數(shù)8.5.1 將目標(biāo)函數(shù)轉(zhuǎn)換成適應(yīng)度函數(shù)8.5.2 標(biāo)定適應(yīng)度函數(shù)8.6 遺傳算法與優(yōu)化解8.6.1 適應(yīng)度函數(shù)的確定8.6.2 線性分級(jí)策略8.6.3 算法流程8.7 遺傳算法與預(yù)測(cè)控制8.8 遺傳算法與神經(jīng)網(wǎng)絡(luò)8.9 神經(jīng)網(wǎng)絡(luò)的遺傳進(jìn)化訓(xùn)練8.9.1 遺傳進(jìn)化訓(xùn)練的實(shí)現(xiàn)方法8.9.2 BP網(wǎng)絡(luò)的遺傳進(jìn)化訓(xùn)練8.10 小結(jié)習(xí)題與思考題附錄 常用神經(jīng)控制術(shù)語漢英對(duì)照參考文獻(xiàn)

章節(jié)摘錄

插圖：神經(jīng)計(jì)算機(jī)正處于方案探討階段，用硬件實(shí)現(xiàn)困難重重。究其原因，是難以達(dá)到單元電路間的高度互連。事實(shí)上，有無必要實(shí)現(xiàn)巨量神經(jīng)元及其彼此之間的高度互連，眼下還沒有定論?，F(xiàn)實(shí)情況是：神經(jīng)網(wǎng)絡(luò)在現(xiàn)階段的成就距人們所希望的神經(jīng)計(jì)算功能還有遙遠(yuǎn)的路程。有人估計(jì)神經(jīng)計(jì)算實(shí)用化要在2030年以后。如把整個(gè)實(shí)用化階段定為100，則目前研究開發(fā)的進(jìn)程僅為5。按照專家們的觀點(diǎn)，智能控制階段還會(huì)長(zhǎng)期靠一條腿蹦來跳去，這條道路是漫長(zhǎng)而又艱難的，模糊控制方式還會(huì)長(zhǎng)期挑大梁。神經(jīng)計(jì)算實(shí)用之日，方是智能控制成功之時(shí)。5）實(shí)踐特征智能控制階段的第五個(gè)基本特征是“實(shí)踐”特征。智能控制階段內(nèi)可能只有階段，而沒有智能控制理論，因?yàn)檫@一階段是各智能學(xué)科及交叉在自控領(lǐng)域內(nèi)的應(yīng)用。當(dāng)我們把這些應(yīng)用集中在一起的時(shí)候，必然會(huì)從各智能學(xué)科的內(nèi)容中分離出我們所需要的部分。例如模糊控制，必定會(huì)從完整的模糊集理論中舍棄模糊指標(biāo)、模糊綜合評(píng)判、模糊算子的公理結(jié)構(gòu)、模糊聚類分析、集值統(tǒng)計(jì)和程度分析、模糊規(guī)劃和概率、模糊約束等等。又如在敘述神經(jīng)控制時(shí)，神經(jīng)網(wǎng)絡(luò)本身就被一些學(xué)者稱之為“只有方法，沒有理論”。而匯編各智能學(xué)科的應(yīng)用不可貿(mào)然被稱為智能控制理論。這個(gè)階段內(nèi)很可能會(huì)產(chǎn)生智能控制理論，從而使自控理論名正言順地成為兩段理論的總和。各智能學(xué)科的交叉必然產(chǎn)生新的內(nèi)涵，決不是兩個(gè)不同學(xué)科理論的簡(jiǎn)單疊加。以最近若干年內(nèi)才形成的模糊神經(jīng)控制方法為例，模糊集理論是人們描述沒有明確界限和模糊外延現(xiàn)象的一種數(shù)學(xué)工具，人工神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)網(wǎng)絡(luò)的仿生模型，人們要把兩個(gè)物理本質(zhì)不同的東西碰撞在一起，結(jié)合成一體，必須首先弄清楚新東西的物理本質(zhì)是什么，必須首先實(shí)現(xiàn)模糊工具模型化、網(wǎng)絡(luò)模型工具化。在兩化進(jìn)程中完全有可能形成具有智能控制特色的理論。眼下人們至少已經(jīng)認(rèn)識(shí)到交叉形成的模糊神經(jīng)系統(tǒng)在分類、原理、結(jié)構(gòu)、知識(shí)表達(dá)、信息存儲(chǔ)、學(xué)習(xí)算法等諸方面既有別于模糊控制，也不同于神經(jīng)網(wǎng)絡(luò)。6）研究對(duì)象特征智能控制階段的第六個(gè)基本特征是研究對(duì)象為控制器。而傳統(tǒng)控制理論的研究對(duì)象是被控對(duì)象。它們的基本系統(tǒng)形式都是閉環(huán)負(fù)反饋形式。智能控制作為一個(gè)新的學(xué)科分支被社會(huì)公認(rèn)，標(biāo)志是PRI、IEEE1985年8月在美國紐約召開的智能控制專題會(huì)。從1987年開始，每年都舉行一次國際研討會(huì)。事實(shí)上，把自控理論的高級(jí)階段命名為智能控制階段，不叫別的什么階段或理論，只是一些學(xué)者的觀點(diǎn)，目前尚無別的什么名稱。將來是否會(huì)繼續(xù)叫下去，或者使用別的什么名稱，眼下還不能斷定。

編輯推薦

《神經(jīng)網(wǎng)絡(luò)控制》由西安電子科技大學(xué)出版社出版。

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    神經(jīng)網(wǎng)絡(luò)控制 PDF格式下載

---