神經計算原理及其應用技術

前言
第1章  緒論
  1.1  研究背景及意義
  1.2  神經網絡的發(fā)展歷史
    1.2.1  早期階段
    1.2.2  低潮階段
    1.2.3  黃金時期
  1.3  神經網絡研究內容
    1.3.1  神經網絡理論研究
    1.3.2  神經網絡實現技術研究
    1.3.3  神經網絡應用研究
  1.4  神經網絡研究歷史及意義
  1.5  神經網絡的應用前景
    1.5.1  模式識別
    1.5.2  最優(yōu)化問題計算
    1.5.3  自動控制
    1.5.4  信號處理
    L 5.5  圖像處理
    1.5.6  人工智能
  1.6  神經網絡基本概念
    1.6.1  人工神經元模型
    1.6.2  神經元常用的基函數與激勵函數類型
    1.6.3  神經元學習算法
    1.6.4  典型的神經網絡結構
    1.6.5  基本BP算法的局限性
  1.7  主要研究成果
第2章  基于神經網絡優(yōu)化算法的線性系統(tǒng)求解研究
  2.1  問題背景：電阻網絡
  2.2  基于梯度下降法的神經網絡算法的線性方程組求解
    2.2.1  神經網絡模型
    2.2.2  神經網絡算法
    2.2.3  神經網絡算法收斂性研究
    2.2.4  局部極小討論
    2.2.5  神經網絡算法步驟
    2.2.6  應用實例
  2.3  神經網絡優(yōu)化計算方法
    2.3.1  遞推最小二乘法（RLS）
    2.3.2  共軛梯度法
    2.3.3  數值分析實例
  2.4  小結
第3章  解非線性系統(tǒng)的神經網絡算法研究
  3.1  問題背景——人口增長問題
    3.1.1  代數方程
    3.1.2  超越方程
    3.1.3  單根
    3.1.4  重根
  3.2  二分法
    3.2.1  二分法基本思想
    3.2.2  二分法算法的源程序（bisection.m）
    3.2.3  總結
    3.2.4  仿真實例
  3.3  迭代法
    3.3.1  迭代法的基本思路
    3.3.2  線性迭代函數的啟示
    3.3.3  壓縮映像原理
    3.3.4  定點迭代法源程序（fixedp.m）
    3.3.5  仿真實例
    3.3.6  迭代過程的收斂速度
  3.4  迭代過程的加速收斂方法
    3.4.1  迭代公式的加工
    3.4.2  仿真實例
    3.4.3  埃特金算法
    3.4.4  埃特金加速算法的源程序（aitke n.m）
  3.5  牛頓迭代法
    3.5.1  牛頓迭代公式的導出
    3.5.2  牛頓法的收斂性
    3.5.3  牛頓迭代法源程序（newtoniter.m）
    3.5.4  仿真實例
    3.5.5  牛頓下山法
  3.6  弦截法
    3.6.1  用差商替代導數
    3.6.2  弦截法的收斂性
    3.6.3  仿真實例
  3.7  解非線性方程的神經網絡算法
    3.7.1  解非線性方程的神經網絡模型
    3.7.2  解非線性方程的神經網絡算法
    3.7.3  神經網絡算法收斂性分析
    3.7.4  神經網絡算法步驟
    3.7.5  仿真實例
    3.7.6  小結
  3.8  解非線性方程的其他算法
  3.9  解非線性方程組的神經網絡算法
    3.9.1  解非線性方程組的神經網絡模型
    3.9.2  解非線性方程組的神經網絡算法
    3.9.3  神經網絡算法收斂性分析
    3.9.4  神經網絡算法步驟
    3.9.5  解非線性方程組的數值試驗
  3.10  解非線性方程或代數方程重根的方法
    3.10.1  算法描述
    3.10.2  數值實例
第4章  基于神經網絡算法的數值積分方法
  4.1  問題背景：PID調節(jié)器
  4.2  余弦基函數神經網絡模型描述
    4.2.1  余弦基函數神經網絡模型
    4.2.2  神經網絡算法收斂性分析
    4.2.3  基于神經網絡權值的數值積分方法
    4.2.4  神經網絡算法訓練步驟
    4.2.5  數值積分實例
    4.2.6  小結
  4.3  基于向量空間的神經網絡模型描述
    4.3.1  基于向量空間的神經網絡模型
    4.3.2  基于向量空間的神經網絡訓練步驟
    4.3.3  神經計算與優(yōu)化
    4.3.4  數值積分實例
    4.3.5  小結
  4.4  基于傅里葉基函數的神經網絡模型描述
    4.4.1  基于傅里葉基函數的神經網絡模型
    4.4.2  神經網絡訓練步驟
    4.4.3  基于神經網絡權值向量的數值積分方法
    4.4.4  數值積分算例
    4.4.5  小結
  4.5  基于遞推最小二乘法的神經網絡方法
    4.5.1  神經網絡模型描述
    4.5.2  算法步驟
    4.5.3  數值實例
第5章  微分方程初值問題的神經網絡算法
  5.1  神經網絡算法描述
    5.1.1  神經網絡模型
    5.1.2  神經網絡算法
    5.1.3  神經網絡算法步驟
    5.1.4  算例
  5.2  小結
第6章  FIR線性相位數字濾波器優(yōu)化設計
  6.1  FIR線性相位濾波器的幅頻特性
  6.2  神經網絡算法描述
    6.2.1  神經網絡算法模型
    6.2.2  神經網絡算法
    6.2.3  神經網絡收斂性分析
    6.2.4  神經網絡訓練步驟
    6.2.5  優(yōu)化設計實例
  6.3  基于遞推最小二乘法（RLS）的FIR濾波器優(yōu)化設計方法
    6.3.1  神經網絡算法描述
    6.3.2  神經網絡算法步驟
    6.3.3  優(yōu)化設計實例
  6.4  基于共軛梯度法的FIR數字濾波器優(yōu)化設計
    6.4.1  共軛梯度法描述
    6.4.2  基于共軛梯度法的FIR濾波器優(yōu)化設計
    6.4.3  算法步驟
    6.4.4  優(yōu)化設計實例
第7章  基于神經網絡算法的頻譜分析方法
  7.1  國內外頻譜分析方法
    7.1.1  離散頻譜校正方法
    7.1.2  細化選帶頻譜分析方法
    7.1.3  包絡分析方法（解調分析方法）
    7.1.4  高階譜分析方法
    7.1.5  非平穩(wěn)振動信號的頻譜分析方法
    7.1.6  國內外其他頻譜分析方法
  7.2  頻譜分析的神經網絡模型
    7.2.1  周期信號的連續(xù)時間傅里葉級數
    7.2.2  基于傅里葉基函數的神經網絡模型
    7.2.3  神經網絡算法收斂性分析
    7.2.4  神經網絡訓練步驟
    7.2.5  信號的頻譜特性分析
    7.2.6  頻譜分析實例
  7.3  基于RLS的神經網絡頻譜分析方法
    7.3.1  神經網絡算法改進
    7.3.2  神經網絡算法步驟
    7.3.3  信號頻譜分析實例
  7.4  基于共軛梯度算法的神經網絡頻譜分析方法
    7.4.1  基于共軛梯度法的神經網絡訓練方法
    7.4.2  算法步驟
    7.4.3  頻譜分析實例
第8章  神經網絡算法在傳感器中的應用研究
  8.1  傳感器溫度特性曲線的傅里葉基神經網絡擬合方法
    8.1.1  周期信號的傅里葉級數
    8.1.2  神經網絡模型算法
    8.1.3  傳感器特性曲線擬合實例
  8.2  傳感器溫度特性曲線的多項式基神經網絡擬合方法
    8.2.1  多項式基函數神經網絡模型
    8.2.2  神經網絡算法步驟
    8.2.3  仿真實例
  8.3  多項式基神經網絡擬合曲線的共軛梯度方法
    8.3.1  共軛梯度算法
    8.3.2  算法步驟
    8.3.3  仿真實例
  8.4  基于正交基神經網絡算法的傳感器誤差補償方法
    8.4.1  正交基神經網絡模型
    8.4.2  基于梯度下降法的神經網絡算法
    8.4.3  神經網絡算法收斂性分析
    8.4.4  磁傳感器誤差補償實例
    8.4.5  基于RLS算法的磁傳感器誤差補償方法
  8.5  基于正交基神經網絡算法的多傳感器數據融合方法
    8.5.1  多傳感器信息融合模型
    8.5.2  神經網絡算法描述
    8.5.3  仿真實例
  8.6  熱敏電阻溫度傳感器非線性補償原理
    8.6.1  熱敏電阻溫度傳感器
    8.6.2  非線性補償原理
    8.6.3  收斂性分析
    8.6.4  仿真實例
第9章  神經網絡算法在PID控制器中的應用研究
  9.1  PID控制器的參數在線整定原理
    9.1.1  經典PID控制器
    9.1.2  基于神經計算的PID參數實時在線整定原理
  9.2  基于神經計算的PID控制器學習算法
    9.2.1  神經網絡PlD結構
    9.2.2  神經網絡算法
    9.2.3  神經網絡算法收斂性研究
    9.2.4  神經網絡算法步驟
    9.2.5  仿真實例
    9.2.6  小結
  9.3  基于神經計算的增量式PID控制器學習算法
    9.3.1  增量式數字控制律
    9.3.2  增量式PID參數在線實時整定原理
    9.3.3  基于神經元的智能PID控制器學習算法
    9.3.4  收斂性分析
    9.3.5  算法步驟
    9.3.6  仿真實例
  9.4  基于神經網絡算法的非線性PID控制器
    9.4.1  非線性PID控制策略研究現狀
    9.4.2  非線性PID控制器模型
    9.4.3  動態(tài)非線性PID神經網絡控制器模型算法
    9.4.4  算法步驟
    9.4.5  仿真實例
參考文獻