神經(jīng)元網(wǎng)絡(luò)控制

     目 錄
   《電氣自動化新技術(shù)叢書》序言
   前言
   第1章 概論
    1.1生物神經(jīng)元及生物神經(jīng)網(wǎng)絡(luò)
    1.1.1生物神經(jīng)元
    1.1.2人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)
    1.1.3人腦神經(jīng)網(wǎng)絡(luò)信息處理的特點(diǎn)
    1.2生物神經(jīng)網(wǎng)絡(luò)的模型化——人工神經(jīng)網(wǎng)絡(luò)
    1.2.1人工神經(jīng)元模型
    1.2.2人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成
    1.2.3人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
    1.2.4人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)的比較
    1.3人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與現(xiàn)狀
    1.4人工神經(jīng)網(wǎng)絡(luò)與自動控制
   第2章 常用神經(jīng)網(wǎng)絡(luò)原理及學(xué)習(xí)算法
    2.1神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
    2.1.1學(xué)習(xí)方法的類型
    2.1.2無監(jiān)督Hebb學(xué)習(xí)
    2.2多層前向神經(jīng)網(wǎng)絡(luò)（1）
    2.2.1多層前向神經(jīng)網(wǎng)絡(luò)的基本學(xué)習(xí)算法
    2.2.2多層前向神經(jīng)網(wǎng)絡(luò)的誤差反向傳播（EBP）算法
    2.2.3EBP算法學(xué)習(xí)速率的調(diào)整
    2.2.4多層前向神經(jīng)網(wǎng)絡(luò)的二階學(xué)習(xí)算法
    2.3多層前向神經(jīng)網(wǎng)絡(luò)（2）
    2.3.1綜合目標(biāo)函數(shù)
    2.3.2多層前向神經(jīng)網(wǎng)絡(luò)基于綜合目標(biāo)函數(shù)的誤差反向
    傳播（GEBP）學(xué)習(xí)算法
    2.3.3基于綜合目標(biāo)函數(shù)的二階學(xué)習(xí)算法
    2.3.4多層前向神經(jīng)網(wǎng)絡(luò)基于綜合目標(biāo)函數(shù)的二階學(xué)習(xí)算法
    2.4徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
    2.4.1插值問題
    2.4.2正規(guī)化問題
    2.4.3正規(guī)化問題的逼近解及GRBF網(wǎng)絡(luò)
    2.4.4RBF網(wǎng)絡(luò)的學(xué)習(xí)方法
    2.4.5計(jì)算舉例——異或（XOR）問題
    2.5Hopfie1d神經(jīng)網(wǎng)絡(luò)
    2.5.1離散型Hopfield神經(jīng)網(wǎng)絡(luò)
    2.5.2連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)
    2.5.3Hopfield網(wǎng)絡(luò)在組合優(yōu)化中的應(yīng)用
    2.6隨機(jī)神經(jīng)網(wǎng)絡(luò)
    2.6.1SA算法
    2.6.2Boltzmann機(jī)模型及其工作規(guī)則
    2.6.3Boltzmann機(jī)的學(xué)習(xí)規(guī)則
    2.7自組織競爭型神經(jīng)網(wǎng)絡(luò)
    2.7.1基本競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則
    2.7.2抑制競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則
    2.7.3自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)
    2.8自組織特征映射神經(jīng)網(wǎng)絡(luò)
    2.8.1SOFM網(wǎng)絡(luò)模型結(jié)構(gòu)及學(xué)習(xí)工作規(guī)則
    2.8.2SOFM算法的性質(zhì)
    2.9對向傳播神經(jīng)網(wǎng)絡(luò)
    2.9.1CP網(wǎng)絡(luò)的結(jié)構(gòu)及學(xué)習(xí)工作規(guī)則
    2.9.2CP網(wǎng)絡(luò)的改進(jìn)
    參考文獻(xiàn)
   第3章 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識
    3.1引言
    3.1.1系統(tǒng)辨識的定義
    3.1.2系統(tǒng)辨識的常用方法
    3.2多層前向網(wǎng)絡(luò)的逼近能力
    3.3神經(jīng)網(wǎng)絡(luò)用于系統(tǒng)辨識的一般結(jié)構(gòu)
    3.3.1多層前向網(wǎng)絡(luò)的一般結(jié)構(gòu)
    3.3.2多層動態(tài)前向網(wǎng)絡(luò)的學(xué)習(xí)算法
    3.3.3對象的非線性模型
    3.4用神經(jīng)網(wǎng)絡(luò)組成的動態(tài)系統(tǒng)表示非線性系統(tǒng)的可能性
    3.5基于BP網(wǎng)絡(luò)的系統(tǒng)辨識
    3.5.1BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)及辨識算法
    3.5.2辨識算法的收斂性
    3.5.3應(yīng)用實(shí)例
    3.5.4基于RLS（遞推最小二乘）訓(xùn)練算法的多層
    前向網(wǎng)絡(luò)辨識
    3.6采用預(yù)報(bào)誤差（RPE）法的神經(jīng)網(wǎng)絡(luò)辨識
    3.6.1神經(jīng)網(wǎng)絡(luò)建模的結(jié)構(gòu)
    3.6.2神經(jīng)網(wǎng)絡(luò)的RPE算法
    3.6.3應(yīng)用實(shí)例
    3.7基于神經(jīng)網(wǎng)絡(luò)的逆模型辨識
    3.7.1非線性系統(tǒng)的可逆性
    3.7.2逆系統(tǒng)建模方法
    3.7.3開關(guān)作用函數(shù)的多層感知器網(wǎng)絡(luò)在逆模型
    辨識中的應(yīng)用
    3.8基于Hopfield網(wǎng)絡(luò)的辨識
    3.8.1Hopfield網(wǎng)絡(luò)模型
    3.8.2辨識算法
    3.8.3應(yīng)用實(shí)例
    3.9ART－2網(wǎng)絡(luò)在控制系統(tǒng)特征參數(shù)辨識中的應(yīng)用
    3.10小結(jié)
    參考文獻(xiàn)
   第4章 神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)
    4.1引言
    4.2神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)控制器（SNC）
    4.2.1神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)控制器工作原理
    4.2.2應(yīng)用實(shí)例
    4.3神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制（NNMRAC）
    4.3.1神經(jīng)網(wǎng)絡(luò)MRAC的一般結(jié)構(gòu)
    4.3.2間接神經(jīng)網(wǎng)絡(luò)MRAC
    4.3.3直接神經(jīng)網(wǎng)絡(luò)MRAC
    4.4神經(jīng)網(wǎng)絡(luò)自校正控制
    4.4.1線性化反饋控制
    4.4.2使用神經(jīng)網(wǎng)絡(luò)時(shí)的自校正控制
    4.4.3仿真實(shí)例
    4.4.4基于Adaline網(wǎng)的自適應(yīng)控制
    4.5神經(jīng)前向網(wǎng)絡(luò)直接自適應(yīng)控制
    4.5.1多層前向網(wǎng)絡(luò)的直接自適應(yīng)控制
    4.5.2自動調(diào)整S型函數(shù)形狀的直接自適應(yīng)控制
    4.5.3神經(jīng)網(wǎng)絡(luò)控制與常規(guī)自適應(yīng)控制的比較
    4.6基于單個(gè)神經(jīng)元的自適應(yīng)控制
    4.6.1自適應(yīng)神經(jīng)元及其學(xué)習(xí)策略
    4.6.2控制器設(shè)計(jì)
    4.6.3學(xué)習(xí)算法的改進(jìn)
    4.6.4神經(jīng)元控制系統(tǒng)的閉環(huán)穩(wěn)定性
    4.6.5應(yīng)用實(shí)例
    4.6.6多變量系統(tǒng)的神經(jīng)元控制
    4.7神經(jīng)網(wǎng)絡(luò)PID控制
    4.7.1基于多層前向網(wǎng)的PID控制
    4.7.2基于單個(gè)神經(jīng)元的直接PID控制
    4.7.3基于多層網(wǎng)的近似PID控制
    4.8神經(jīng)網(wǎng)絡(luò)預(yù)測控制
    4.8.1神經(jīng)網(wǎng)絡(luò)預(yù)測控制的一般結(jié)構(gòu)
    4.8.2神經(jīng)網(wǎng)絡(luò)預(yù)測器的幾種方案
    4.8.3Hopfield網(wǎng)絡(luò)在預(yù)測控制中的應(yīng)用
    4.9神經(jīng)網(wǎng)絡(luò)模糊控制
    4.9.1模糊控制的基本思想及控制系統(tǒng)的組成
    4.9.2神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)
    4.9.3基于神經(jīng)網(wǎng)絡(luò)的模糊控制
    4.9.4倒立擺的神經(jīng)網(wǎng)絡(luò)模糊控制
    4.10基于回歸神經(jīng)網(wǎng)絡(luò)的控制
    4.10.1對角回歸神經(jīng)網(wǎng)絡(luò)
    4.10.2基于對角回歸神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)
    4.10.3仿真結(jié)果
    4.11小結(jié)
    參考文獻(xiàn)
   第5章 神經(jīng)網(wǎng)絡(luò)在故障診斷及容錯(cuò)控制中的應(yīng)用
    5.1引言
    5.2控制系統(tǒng)故障診斷的常用方法
    5.2.1殘差產(chǎn)生方法——檢測觀測器法
    5.2.2殘差產(chǎn)生方法——廣義一致矢量法
    5.2.3殘差產(chǎn)生方法——基于參數(shù)估計(jì)的方法
    5.2.4決策方法
    5.3控制系統(tǒng)容錯(cuò)控制器的設(shè)計(jì)方法
    5.3.1控制器重構(gòu)設(shè)計(jì)
    5.3.2同時(shí)鎮(zhèn)定的控制器設(shè)計(jì)
    5.3.3完整性控制器設(shè)計(jì)
    5.4基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的故障診斷
    5.4.1雙向聯(lián)想記憶網(wǎng)及故障診斷
    5.4.2遞歸聯(lián)想記憶網(wǎng)及故障診斷
    5.5基于BP網(wǎng)絡(luò)的故障診斷
    5.5.1BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)及學(xué)習(xí)模式的選擇
    5.5.2某化工過程的BP網(wǎng)絡(luò)的故障診斷
    5.6基于Hopfield網(wǎng)絡(luò)和ART－1網(wǎng)絡(luò)的故障診斷
    5.6.1故障檢測與隔離（FDI）算法流程
    5.6.2基于Hopfield網(wǎng)絡(luò)的參數(shù)估計(jì)
    5.6.3過渡區(qū)識別器的設(shè)計(jì)
    5.6.4基于ART－1網(wǎng)絡(luò)的故障分類
    5.6.5位置控制系統(tǒng)的故障檢測與隔離
    5.7基于自適應(yīng)神經(jīng)元的故障診斷與容錯(cuò)控制
    5.7.1基于自適應(yīng)神經(jīng)元的故障診斷
    5.7.2容錯(cuò)控制器設(shè)計(jì)
    5.8基于神經(jīng)網(wǎng)絡(luò)的診斷與控制的一體化方法
    5.8.1四參數(shù)控制器
    5.8.2執(zhí)行器故障診斷
    5.8.3傳感器故障診斷
    5.9基于神經(jīng)網(wǎng)絡(luò)的容錯(cuò)解耦控制
    5.9.1基于神經(jīng)網(wǎng)絡(luò)的解耦控制方案
    5.9.2基于神經(jīng)網(wǎng)絡(luò)的容錯(cuò)控制策略
    5.10小結(jié)
   參考文獻(xiàn)