神經網絡控制

前言

今天，“中國神經網絡學術大會”已發(fā)展成為一年一度的重要學術會議，受到越來越多的我國一級學會及不同領域專家的關注。神經網絡是當代信息科技的熱點，在自身不斷發(fā)展時，受到如此眾多學科的青睞，不是一件偶然的事。神經網絡與不同學科結合形成交叉，是歷史發(fā)展的必然。神經控制就是人工神經網絡與自動控制交叉的產物，是20世紀80年代興起的自控領域前沿學科。而模糊神經控制則是神經網絡、自動控制、模糊集理論三者的結合。神經控制有機地融合了生物神經網絡的研究方法（分析法、重構法、計算機理論法）、人工神經網絡的研究方法（以滿意為輸出準則，以學習與訓練連接權值為主要內容）、現(xiàn)代控制理論的基本任務（最優(yōu)控制、最優(yōu)估計、隨機最優(yōu)控制、動態(tài)系統(tǒng)辨識、適應控制）、模糊控制（模糊化及模糊推理）和生物進化計算（遺傳算法）等相關內容。神經控制運用智能控制的研究方法，為求解復雜、非線性、時變、部分未知系統(tǒng)的控制及其穩(wěn)定性分析提供了一個全新的手段。在神經控制系統(tǒng)中，神經網絡用作控制器、辨識器。本書圍繞神經網絡的運用展開論述，共分8章。為了便于組織教學與自學，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，又便于自學，習題與思考題有利于及時鞏固所學內容。

內容概要

　　《普通高等學校教材：神經網絡控制》介紹了：神經網絡控制的基本理論與控制方法。全書共分8章，主要包括神經網絡和自動控制的基礎知識、神經計算基礎、神經網絡模型、神經控制中的系統(tǒng)辨識、人工神經元控制系統(tǒng)、神經控制系統(tǒng)、模糊神經控制系統(tǒng)和神經控制中的遺傳進化訓練等內容?！　　镀胀ǜ叩葘W校教材：神經網絡控制》可作為高等工科院校工業(yè)自動化、計算機科學與技術、檢測技術與儀器、電子信息、自動控制、電子信息工程等專業(yè)高年級學生、研究生教材或參考書，也可供專業(yè)技術人員、技術管理人員或科技人員參考。

書籍目錄

第1章 神經網絡和自動控制的基礎知識1.1 人工神經網絡的發(fā)展史1.1.1 20世紀40年代——神經元模型的誕生1.1.2 20世紀50年代——從單神經元到單層網絡，形成第一次熱潮1.1.3 20世紀60年代——學習多樣化和AN2的急劇冷落1.1.4 20世紀70年代——在低迷中頑強地發(fā)展1.1.5 20世紀80年代——AN2研究熱潮再度興起1.1.6 20世紀90年代——再現(xiàn)熱潮，產生許多邊緣交叉學科1.1.7 進入21世紀——實現(xiàn)機器智能的道路漫長而又艱難1.2 生物神經元和人工神經元1.2.1 生物神經元1.2.2 人工神經元1.3 生物神經網絡和人工神經網絡1.3.1 生物神經網絡1.3.2 人工神經網絡1.4 自動控制的發(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 從生物神經控制到人工神經控制1.6.1 生物神經控制的智能特征1.6.2 人工神經控制的模擬范圍1.7 小結習題與思考題第2章 神經計算基礎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 迭代算法的終止準則2.2.2 梯度下降法2.2.3 最優(yōu)步長選擇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 離散點集上的最小二乘逼近2.4 神經網絡在線迭代學習算法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 小結習題與思考題第3章 神經網絡模型3.1 人工神經網絡建模3.1.1 MP模型3.1.2 Hebb學習法則3.2 感知器3.2.1 單層感知器3.2.2 多層感知器3.3 BP網絡與BP算法3.3.1 BP網絡的基本結構3.3.2 BP算法及步長調整3.4 自適應線性神經網絡3.5 自組織競爭型神經網絡3.5.1 自組織競爭型神經網絡的基本結構3.5.2 自組織競爭型神經網絡的學習算法3.6 小腦模型神經網絡3.6.1 CMAC的基本結構3.6.2 CMAC的工作原理3.6.3 CMAC的學習算法與訓練3.7 遞歸型神經網絡3.7.1 DTRNN的網絡結構3.7.2 實時遞歸學習算法3.8 霍普菲爾德（Hopfield）神經網絡3.8.1 離散型Hopfield神經網絡3.8.2 連續(xù)型Hopfield神經網絡3.8.3 求解TSP問題3.9 小結習題與思考題第4章 神經控制中的系統(tǒng)辨識4.1 系統(tǒng)辨識基本原理4.1.1 辨識系統(tǒng)的基本結構4.1.2 辨識模型4.1.3 辨識系統(tǒng)的輸入和輸出4.2 系統(tǒng)辨識過程中神經網絡的作用4.2.1 神經網絡辨識原理4.2.2 多層前向網絡的辨識能力4.2.3 辨識系統(tǒng)中的非線性模型4.3 非線性動態(tài)系統(tǒng)辨識4.3.1 非線性動態(tài)系統(tǒng)的神經網絡辨識4.3.2 單輸入單輸出非線性動態(tài)系統(tǒng)的BP網絡辨識4.4 多層前向網絡辨識中的快速算法4.5 非線性模型的預報誤差神經網絡辨識4.5.1 非動態(tài)模型建模，4.5.2 遞推預報誤差算法4.6 非線性系統(tǒng)逆模型的神經網絡辨識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4.7 線性連續(xù)動態(tài)系統(tǒng)辨識的參數(shù)估計4.7.1 Hopfield網絡用于辨識4.7.2 Hopfield網絡辨識原理4.8 利用神經網絡聯(lián)想功能的辨識系統(tǒng)4.8.1 二階系統(tǒng)的性能指標4.8.2 系統(tǒng)辨識器基本結構4.8.3 訓練與辨識操作4.9 小結習題與思考題第5章 人工神經元控制系統(tǒng)5.1 人工神經元的PID調節(jié)功能5.1.1 人工神經元PID動態(tài)結構5.1.2 人工神經元閉環(huán)系統(tǒng)動態(tài)結構5.2 人工神經元PID調節(jié)器5.2.1 比例調節(jié)元5.2.2 積分調節(jié)元5.2.3 微分調節(jié)元5.3 人工神經元閉環(huán)調節(jié)系統(tǒng)5.3.1 系統(tǒng)描述5.3.2 Lyapunov穩(wěn)定性分析5.4 人工神經元自適應控制系統(tǒng)5.4.1 人工神經元自適應控制系統(tǒng)的基本結構5.4.2 人工神經元自適應控制系統(tǒng)的學習算法5.5 人工神經元控制系統(tǒng)的穩(wěn)定性5.6 小結習題與思考題第6章 神經控制系統(tǒng)6.1 神經控制系統(tǒng)概述6.1.1 神經控制系統(tǒng)的基本結構6.1.2 神經網絡在神經控制系統(tǒng)中的作用6.2 神經控制器的設計方法6.2.1 模型參考自適應方法6.2.2 自校正方法6.2.3 內模方法6.2.4 常規(guī)控制方法6.2.5 神經網絡智能方法6.2.6 神經網絡優(yōu)化設計方法6.3 神經辨識器的設計方法6.4 PID神經控制系統(tǒng)6.4.1 PID神經控制系統(tǒng)框圖6.4.2 PID神經調節(jié)器的參數(shù)整定6.5 模型參考自適應神經控制系統(tǒng)6.5.1 兩種不同的自適應控制方式6.5.2 間接設計模型參考自適應神經控制系統(tǒng)6.5.3 直接設計模型參考自適應神經控制系統(tǒng)6.6 預測神經控制系統(tǒng)6.6.1 預測控制的基本特征6.6.2 神經網絡預測算法6.6.3 單神經元預測器6.6.4 多層前向網絡預測器6.6.5 輻射基函數(shù)網絡預測器6.6.6 Hopfield網絡預測器6.7 自校正神經控制系統(tǒng)6.7.1 自校正神經控制系統(tǒng)的基本結構6.7.2 神經自校正控制算法6.7.3 神經網絡逼近6.8 內模神經控制系統(tǒng)6.8.1 線性內?？刂品绞?.8.2 內?？刂葡到y(tǒng)6.8.3 內模神經控制器6.8.4 神經網絡內部模型6.9 小腦模型神經控制系統(tǒng)6.9.1 CMAC控制系統(tǒng)的基本結構6.9.2 CMAC控制器設計6.9.3 CMAC控制系統(tǒng)實例6.10 小結習題與思考題第7章 模糊神經控制系統(tǒng)7.1 模糊控制與神經網絡的結合7.1.1 模糊控制的時間復雜性7.1.2 神經控制的空間復雜性7.1.3 模糊神經系統(tǒng)的產生7.2 模糊控制和神經網絡的異同點7.2.1 模糊控制和神經網絡的共同點7.2.2 模糊控制和神經網絡的不同點7.3 模糊神經系統(tǒng)的典型結構7.4 模糊神經系統(tǒng)的結構分類7.4.1 松散結合7.4.2 互補結合7.4.3 主從結合7.4.4 串行結合7.4.5 網絡學習結合7.4.6 模糊等價結合7.5 模糊等價結合中的模糊神經控制器7.5.1 偏差P和偏差變化率Δe的獲取7.5.2 隸屬函數(shù)的神經網絡表達7.6 幾種常見的模糊神經網絡7.6.1 模糊聯(lián)想記憶網絡7.6.2 模糊認知映射網絡7.7 小結習題與思考題第8章 神經控制中的遺傳進化訓練8.1 生物的遺傳與進化8.1.1 生物進化論的基本觀點8.1.2 進化計算8.2 遺傳算法概述8.2.1 遺傳算法中遇到的基本術語8.2.2 遺傳算法的運算特征8.2.3 遺傳算法中的概率計算公式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 遺傳算法設計流程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 遺傳算法中的適應度函數(shù)8.5.1 將目標函數(shù)轉換成適應度函數(shù)8.5.2 標定適應度函數(shù)8.6 遺傳算法與優(yōu)化解8.6.1 適應度函數(shù)的確定8.6.2 線性分級策略8.6.3 算法流程8.7 遺傳算法與預測控制8.8 遺傳算法與神經網絡8.9 神經網絡的遺傳進化訓練8.9.1 遺傳進化訓練的實現(xiàn)方法8.9.2 BP網絡的遺傳進化訓練8.10 小結習題與思考題附錄 常用神經控制術語漢英對照參考文獻

章節(jié)摘錄

插圖：神經計算機正處于方案探討階段，用硬件實現(xiàn)困難重重。究其原因，是難以達到單元電路間的高度互連。事實上，有無必要實現(xiàn)巨量神經元及其彼此之間的高度互連，眼下還沒有定論?，F(xiàn)實情況是：神經網絡在現(xiàn)階段的成就距人們所希望的神經計算功能還有遙遠的路程。有人估計神經計算實用化要在2030年以后。如把整個實用化階段定為100，則目前研究開發(fā)的進程僅為5。按照專家們的觀點，智能控制階段還會長期靠一條腿蹦來跳去，這條道路是漫長而又艱難的，模糊控制方式還會長期挑大梁。神經計算實用之日，方是智能控制成功之時。5）實踐特征智能控制階段的第五個基本特征是“實踐”特征。智能控制階段內可能只有階段，而沒有智能控制理論，因為這一階段是各智能學科及交叉在自控領域內的應用。當我們把這些應用集中在一起的時候，必然會從各智能學科的內容中分離出我們所需要的部分。例如模糊控制，必定會從完整的模糊集理論中舍棄模糊指標、模糊綜合評判、模糊算子的公理結構、模糊聚類分析、集值統(tǒng)計和程度分析、模糊規(guī)劃和概率、模糊約束等等。又如在敘述神經控制時，神經網絡本身就被一些學者稱之為“只有方法，沒有理論”。而匯編各智能學科的應用不可貿然被稱為智能控制理論。這個階段內很可能會產生智能控制理論，從而使自控理論名正言順地成為兩段理論的總和。各智能學科的交叉必然產生新的內涵，決不是兩個不同學科理論的簡單疊加。以最近若干年內才形成的模糊神經控制方法為例，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)學工具，人工神經網絡是模仿生物神經網絡的仿生模型，人們要把兩個物理本質不同的東西碰撞在一起，結合成一體，必須首先弄清楚新東西的物理本質是什么，必須首先實現(xiàn)模糊工具模型化、網絡模型工具化。在兩化進程中完全有可能形成具有智能控制特色的理論。眼下人們至少已經認識到交叉形成的模糊神經系統(tǒng)在分類、原理、結構、知識表達、信息存儲、學習算法等諸方面既有別于模糊控制，也不同于神經網絡。6）研究對象特征智能控制階段的第六個基本特征是研究對象為控制器。而傳統(tǒng)控制理論的研究對象是被控對象。它們的基本系統(tǒng)形式都是閉環(huán)負反饋形式。智能控制作為一個新的學科分支被社會公認，標志是PRI、IEEE1985年8月在美國紐約召開的智能控制專題會。從1987年開始，每年都舉行一次國際研討會。事實上，把自控理論的高級階段命名為智能控制階段，不叫別的什么階段或理論，只是一些學者的觀點，目前尚無別的什么名稱。將來是否會繼續(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

《神經網絡控制》由西安電子科技大學出版社出版。

圖書封面

評論、評分、閱讀與下載

---

    神經網絡控制 PDF格式下載

---