神經(jīng)—模糊和軟計算

第1章  神經(jīng)-模糊和軟計算簡介
  1.1  引言
  1.2  軟計算組成與傳統(tǒng)人工智能
  1.2.1  從傳統(tǒng)人工智能到計算智能
  1.2.2  神經(jīng)元網(wǎng)絡
  1.2.3  模糊集合理論
  1.2.4  進化計算
  1.3  神經(jīng)—模糊和軟計算的特性
  參考文獻
  第一部分  模糊集合論
第2章  模糊集合
  2.1  引言
  2.2  基本定義和術(shù)語
  2.3  集合論運算
  2.4  隸屬函數(shù)的形式與參數(shù)化
  2.4.1  一維隸屬函數(shù)
  2.4.2  二維隸屬函數(shù)
  2.4.3  參數(shù)化MF的導數(shù)
  2.5  關于模糊并、交、和補
  2.5.1  模糊補
  2.5.2  模糊交和并
  2.5.3  參數(shù)化T范式和T協(xié)范式
  2.6  小結(jié)
  練習
  參考文獻
第3章  模糊規(guī)則與模糊推理
  3.1  引言
  3.2  擴展原理和模糊關系
  3.2.1  擴展原理
  3.2.2  模糊關系
  3.3  模糊iLthen規(guī)則
  3.3.1  語言變量
  3.3.2  模糊if-then規(guī)則
  3.4  模糊推理
  3.4.1  推理復合規(guī)則
  3.4.2  模糊推理
  3.5  小結(jié)
  練習
  參考文獻
第4章  模糊推理系統(tǒng)
  4.1  引言
  4.2  Mamdani模糊模型
  4.2.1  其它變形
  4.3  Sugeno模糊模型
  4.4  Tsutamoto模糊模型
  4.5  其它考慮
  4.5.1  輸入空間劃分
  4.5.2  模糊建模
  4.6  小結(jié)
  練習
  參考文獻
  第二部分  回歸和優(yōu)化
第5章  系統(tǒng)辨識最小二乘法
  5.1  系統(tǒng)辨識：引言
  5.2  矩陣運算和微積分基礎
  5.3  最小二乘估計器
  5.4  LSE的幾何解釋
  5.5  遞歸最小二乘估計器
  5.6  時變系統(tǒng)的遞歸LSE
  5.7  統(tǒng)計性質(zhì)與最大似然估計器
  5.8  非線性模型的LSE
  5.9  小結(jié)
  練習
  參考文獻
第6章  基于導數(shù)的優(yōu)化
  6.1  引言
  6.2  下降法
  6.2.1  基于梯度的方法
  6.3  最陡下降法
  6.4  牛頓法
  6.4.1  經(jīng)典牛頓法
  6.4.2  修正牛頓法
  6.4.3  擬牛頓法
  6.5  步長確定
  6.5.1  初始定界
  6.5.2  直線搜索
  6.5.3  終止規(guī)則
  6.6  共軛梯度法
  6.6.1  共軛方向
  6.6.2  從正交到共軛
  6.6.3  共軛梯度算法
  6.7  二次情況分析
  6.7.1  具有直線最小化的下降法
  6.7.2  非直線最小化的最陡下降法
  6.8  非線性最小二乘問題
  6.8.1  高斯—牛頓法
  6.8.2  Levenberg-Marquardt概念
  6.9  引人隨機機制
  6.10  小結(jié)
  練習
  參考文獻
第7章  非導數(shù)優(yōu)化
  7.1  引言
  7.2  遺傳算法
  7.3  模擬退火
  7.4  隨機搜索
  7.5  下山單純形搜索
  7.6  小結(jié)
  練習
  參考文獻
  第三部分  神經(jīng)元網(wǎng)絡
第8章  自適應網(wǎng)絡
  8.1  引言
  8.2  結(jié)構(gòu)
  8.3  前向網(wǎng)絡的反傳
  8.4  回歸網(wǎng)絡的擴充反傳
  8.4.1  同步運行網(wǎng)絡：BPTT和RTRL
  8.4.2  連續(xù)運行網(wǎng)絡：Mason增益公式
  8.5  混合學習規(guī)則：最陡下降和LSE的結(jié)合
  8.5.1  離線學習(批量學習)
  8.5.2  在線學習(按模式學習)
  8.5.3  最陡下降和LSE結(jié)合的不同方式
  8.6  小結(jié)
  練習
  參考文獻
第9章  有監(jiān)督學習神經(jīng)元網(wǎng)絡
  9.1  引言
  9.2  感知器
  9.2.1  結(jié)構(gòu)與學習規(guī)則
  9.2.2  異或問題
  9.3  自適應線性元件
  9.4  反傳多層感知器
  9.4.1  反傳學習規(guī)則
  9.4.2  加速MLP訓練的方法
  9.4.3  MLP的逼近能力
  9.5  徑向基函數(shù)網(wǎng)絡
  9.5.1  結(jié)構(gòu)與學習方法
  9.5.2  功能等效于FIS
  9.5.3  插值和近似RBFN
  9.5.4  舉例
  9.6  模塊網(wǎng)絡
  9.7  小結(jié)
  練習
  參考文獻
第10章  增強學習
  10.1  引言
  10.2  失敗是成功的可靠之路
  10.2.1  幸運旅行.
  10.2.2  信用分配問題
  10.2.3  評價函數(shù)
  10.3  時間差分學習
  10.3.1TD公式
  10.3.2  期望的幸運旅行
  10.3.3  預測累積結(jié)果
  10.4  動態(tài)規(guī)劃藝術(shù)
  10.4.1  經(jīng)典動態(tài)規(guī)劃公式
  10.4.2  增量動態(tài)規(guī)劃
  10.5  自適應啟發(fā)式評判
  10.5.1  類神經(jīng)元評判
  10.5.2  自適應神經(jīng)元評判算法
  10.5.3  探索與動作選擇
  10.6  Q-學習
  10.6.1  基本概念
  10.6.2  實現(xiàn)
  10，7  費用路徑問題
  10.7.1  TD方法的期望費用路徑問題
  10.7.2  在確定性最小費用路徑中尋找最優(yōu)路徑
  10.7.3  泛化狀態(tài)表示
  10.8  客觀世界建模
  10.8.1  無模型和基于模型的學習
  10.8.2  遠端教師
  10.8.3  學習速度
  10.9  其它網(wǎng)絡結(jié)構(gòu)
  10.9.1  分而治之方法論
  10.9.2  回歸網(wǎng)絡
  10.10  進化計算的增強學習
  10.10.1  桶隊列
  10.10.2  遺傳增強器
  10.10.3  免疫建模
  10.11  小結(jié)
  練習
  參考文獻
第11章  無監(jiān)督學習和其它神經(jīng)元網(wǎng)絡
  11.1  引言
  11.2  競爭學習網(wǎng)絡
  11.3  Kohonen自組織學習-
  11.4  學習向量量化
  11.5  Heb學習
  11.6  主元網(wǎng)絡
  11.6.1  主元分析
  11.6.2  Qa修正Heb規(guī)則
  11.7 Hopfield網(wǎng)絡
  11.7.1  內(nèi)容編址實質(zhì)
  11.7.2  二進制Hopfield網(wǎng)絡
  ¨.7.3  連續(xù)Hopfield網(wǎng)絡
  11.7.4旅行商問題
  11.7.5 Boltzmann機
  11.8  小結(jié)
  練習
  參考文獻
  第四部分  神經(jīng)—模糊建模
第12章  ANFIS：自適應神經(jīng).模糊推理系統(tǒng)
  12.1  引言
  12.2  ANFIS結(jié)構(gòu)
  12.3  混合學習算法
  12.4  ANFIS和RBFN互利的學習方法
  12.5  通用逼近器ANFIS
  12.6  仿真例子
  12.6.1  實際考慮
  12.6.2  例1：  兩輸人sinc函數(shù)建模
  12.6.3  例2：  三輸入非線性函數(shù)建模
  12.6.4  例3：  控制系統(tǒng)在線辨識
  12.6.5  例4：  混沌時間序列預測
  12.7  擴展和進一步研究課題
  練習
  參考文獻
第13章  協(xié)動作神經(jīng).模糊建模：面向一般的ANFIS
  13.1  引言
  13.2  框架
  13.2.1  關于多輸A.／輸出系統(tǒng)
  13.2.2  結(jié)構(gòu)比較
  13.3  自適應網(wǎng)絡的神經(jīng)函數(shù)
  13.3.1  模糊隸屬函數(shù)與接受區(qū)單元
  13.3.2  非線性規(guī)則
  13.3.3  改進的Sigmoid型函數(shù)和截斷濾波函數(shù)
  13.4  神經(jīng)—模糊譜
  13，5  自適應學習性能分析
  13.5.1  單基于最陡下降法的收斂性
  13.5.2  可解釋性譜
  13.5.3  前提的演變(隸屬函數(shù))
  13.5.4  結(jié)論的演變(規(guī)則)
  13.5.5  劃分的演變
  13.6  小結(jié)
  練習
  參考文獻
  第五部分  高級神經(jīng)—模糊建模
第14章  分類和遞歸樹
  14.1  引言
  14.2  決策樹
  14.3  用于樹歸納的CART算法
  14.3.1  樹增長
  14.3.2  樹修剪
  14.4  用CART作ANFIS結(jié)構(gòu)辨識
  14.5  小結(jié)
  練習
  參考文獻
第15章  數(shù)據(jù)聚類算法
  15.1  引言
  15.2  K均值聚類
  15.3  模糊C均值聚類
  15.4  山峰聚類法
  15.5  減法聚類法
  15.6  小結(jié)
  練習
  參考文獻
第16章  規(guī)則庫結(jié)構(gòu)辨識
  16.1  引言
  16.2  輸入選擇
  16.3  輸入空間劃分
  16.4  規(guī)則庫組織
  16.5  基于焦點集的規(guī)則組合
  16.6  小結(jié)
  練習
  參考文獻
  第六部分  神經(jīng)—模糊控制
第17章  神經(jīng)-模糊控制1
  17.1  引言
  17.2  反饋控制系統(tǒng)和神經(jīng)—模糊控制：綜述
  17.2.1  反饋控制系統(tǒng)
  17.2.2  神經(jīng)—模糊控制
  17.3  專家控制：模仿專家
  17.4  逆向?qū)W習
  17.4.1  基本原理
  17.4.2  實例研究
  17.5  專門化學習
  17.6  經(jīng)時間反傳和實時回歸學習
  17.6.1  基本原理
  17.6.2  實例研究：倒立擺系統(tǒng)
  17.7  小結(jié)
  練習
  參考文獻
第18章  神經(jīng)-模糊控制Ⅱ
  18.1  引言
  18.2  增強學習控制
  18.2.1  控制環(huán)境
  18.2.2  神經(jīng)—模糊增強控制器
  18.3  非梯度優(yōu)化
  18.3.1  GA：編碼和基因算子
  18.3.2  GA：建立目標函數(shù)
  18.4  增益調(diào)度
  18.4.1  基礎
  18.4.2  實例研究
  18.5  反饋線性化和滑?？刂?br />  18.6  小結(jié)
  練習一
  參考文獻
  第七部分  高級應用
第19章  ANFIS應用
  19.1  引言
  19.2  印刷符號識別
  19.3  逆動力學問題
  19.4  汽車MPG預測
  19.5  非線性系統(tǒng)辨識
  19.6  信道均衡
  19.7  自適應噪聲消除
  參考文獻
第20章  模糊.濾波神經(jīng)網(wǎng)絡
  20.1  引言
  20.2  模糊—濾波神經(jīng)網(wǎng)絡
  20.3  應用1：等離子頻譜分析
  20.3.1  多層感知器法
  20.3.2  模糊-濾波神經(jīng)網(wǎng)絡方法
  20.4  應用2：手寫體數(shù)字的識別
  20.4.1  一維模糊濾波器
  20.4.2  二維模糊濾波器
  20.5  基于基因算法的模糊濾波器
  20.5.1  —般模型
  20.5.2  變形與討論
  20.6  小結(jié)
  參考文獻
第21章  模糊集合和基因算法在博弈中的應用
  21.1  引言
  21.2  基因算法變形
  21.3  基因算法在博弈中的使用
  21.4  基本模型的仿真結(jié)果
  21.5  模糊特征的使用
  21.6  多倍體基因算法在博弈中的使用
  21.7  小結(jié)
  參考文獻
第22章  顏色配方預測的軟計算
  22.1  引言
  22.2  顏色配方預測
  22.3  單個MLP方法
  22.4  顏色配方預測的CANFIS建模
  22.4.1  模糊劃分
  22.4.2  CANFIS結(jié)構(gòu)
  22.4.3  嵌入知識的結(jié)構(gòu)
  22.4.4  CANFIS仿真
  22.5  顏料制造智能
  22.5.1  制造智能結(jié)構(gòu)
  22.5.2  知識庫
  22.5.3  多精英發(fā)生器
  22.5.4  模糊群體發(fā)生器
  22.5.5  適應函數(shù)
  22.5.6  遺傳策略
  22.6  實驗評價
  22.7  討論
  22.8  結(jié)論和進一步研究課題
  參考文獻
附錄A  部分練習題提示
附錄B  縮寫表