模糊理論和神經網絡的基礎與應用

定　價：￥16.00

作　者：	趙振宇，徐用懋著
出版社：	清華大學出版社廣西科學技術出版社
叢編項：	中國計算機學會學術著作叢書
標　簽：	模糊數學計算機網絡神經網絡

購買這本書可以去

當當網 (￥13.60)

ISBN：	9787302020615	出版時間：	1997-08-01	包裝：	平裝
開本：	26cm	頁數：	203	字數：

內容簡介

　　內容簡介模糊理論和神經網絡是近年來得到迅速發(fā)展的新興學科，它們的應用和影響已經遍及人工智能、計算機科學、自動控制、專家系統(tǒng)、信息科學、CAD/CAM、醫(yī)療診斷、經濟等部門和領域。本書系統(tǒng)地論述了模糊理論和神經網絡的基本理論、方法，從統(tǒng)一的工程角度綜合分析了兩大學科的最新成果、研究動向以及兩者交叉部分中的前沿研究，并介紹了高技術的應用實例。全書共14章，分三大部分。第一部分為模糊理論的基礎、建模方法和實際應用；第二部分為神經網絡的基本理論、網絡學習方法和典型實例；第三部分討論了模糊系統(tǒng)和神經網絡系統(tǒng)的異同、融合和相互轉換方法。本書還提供了大量例題，以便讀者自己模仿實踐，加深理解。本書可供自動控制、計算機、信號與信息處理、電路與系統(tǒng)、系統(tǒng)工程等專業(yè)的高校師生和科技人員選用。

作者簡介

　　作者簡介趙振宇，1984年畢業(yè)于清華大學自動化系，1991年獲日本九州大學電機工程工學博士。曾先后從事系統(tǒng)辨識、故障診斷、信號處理、過程自動控制、智能控制和人工智能等方面的研究，多次在國際雜志和學會上發(fā)表論文。曾在加州柏克萊大學做博士后研究和擔任講師，現就職于OMRON公司，為IEEE學會會員。徐用懋，1958年畢業(yè)于清華大學動力機械系，畢業(yè)后留校任教至今?，F任清華大學自動化系教授、博士生導師。長期以來從事過程控制、過程建模與優(yōu)化方面的教學和科學研究工作。承擔過國家“七五”、“八五”以及863/CIMS的多項科技攻關課題，科技成果曾多次獲獎，近幾年在國內外學術刊物和會議上發(fā)表過幾十篇論文?，F為中國計算機學會工業(yè)控制計算機專業(yè)委員會副主任，中國自動化學會過程控制專業(yè)委員會委員和中國化工學會化工自動化及儀表專業(yè)委員會委員。

圖書目錄

     目錄
   序
   前言
   第一章緒論
    1.1 研究歷史的回顧
    1.2 模糊系統(tǒng)
    1.3 神經網絡系統(tǒng)
    1.4 機器智能
   第二章模糊數學的基礎
    2.1 模糊的定量化
    2.2 模糊集
    2.3 模糊集的運算
    2.4 模糊數及其運算
   第三章模糊關系和模糊邏輯推理
    3.1 模糊關系
    3.2 模糊關系的運算
    3.3 模糊邏輯推理
    3.4 模糊回歸分析
    3.4.1 基于實數輸出值的模糊回歸分析
    3.4.2 基于模糊輸出值的模糊回歸分析
   第四章模糊控制
    4.1 引言
    4.2 模糊控制系統(tǒng)
    4.3 模糊邏輯推理法和非模糊化
    4.4 模糊控制器的設計
    4.5 自適應模糊控制
   第五章模糊控制的應用
    5.1 引言
    5.2 PID參數整定
    5.3 列車運行自動控制
    5.3.1 列車運行PID控制
    5.3.2 預測模糊控制
    5.3.3 日立的模糊控制系統(tǒng)
    5.4 凈水工廠藥劑投量控制
   第六章模糊系統(tǒng)的建模
    6.1 引言
    6.2 模糊系統(tǒng)模型的建立
    6.3 模糊系統(tǒng)的學習
    6.3.1 梯度下降法
    6.3.2 MF和模糊規(guī)則的增加法
    6.4 多層次的模糊模型
    6.5 模糊模型的評價
   第七章神經網絡基礎
    7.1 神經網絡模型
    7.1.1 生物神經元模型
    7.1.2 人工神經元模型
    7.1.3 神經網絡模型
    7.2 前向網絡
    7.2.1 感知器
    7.2.2 BP網絡
    7.2.3 GMDH網絡
    7.2.4 RBF網絡
    7.3 反饋網絡
    7.3.1 CG網絡模型
    7.3.2 盒中腦（BSB）模型
    7.3.3 Hopfield網絡模型
    7.3.4 雙向聯想記憶（BAM）
    7.3.5 回歸BP網絡
    7.3.6 Boltzmann機網絡
    7.4 自組織神經網絡
    7.4.1 自適應共振理論（ART）
    7.4.2 自組織特征映射
    7.4.3 CPN模型
   第八章神經網絡的學習方法
    8.1 引言
    8.2 Hebb學習規(guī)則
    8.3 梯度下降法
    8.3.1 δ規(guī)則
    8.3.2 BP算法
    8.3.3 回歸BP算法
    8.4 最優(yōu)化算法
    8.4.1 模擬退火算法
    8.4.2 單純形法
    8.4.3 遺傳算法
    8.5 網絡學習的技巧
    8.6 網絡學習前的數據處理
   第九章神經網絡控制系統(tǒng)
    9.1 引言
    9.2 動態(tài)BP算法
    9.3 系統(tǒng)辨識和控制
    9.3.1 系統(tǒng)模型
    9.3.2 系統(tǒng)辨識
    9.3.3 系統(tǒng)控制
    9.4 NNPLS建模法及質量指標預報
    9.4.1 部分最小二乘法
    9.4.2 NNPLs建模法
    9.4.3 產品質量指標預報
    9.5 遺傳BP算法及油品質量估計
    9.5.1 遺傳BP算法
    9.5.2 GA—BP用于建立常壓塔質量估計模型
    9.6 機器人運動控制
   第十章基于神經網絡的信息處理
    10.1 模式識別
    10.1.1 高爐爐頂煙氣溫度分布的識別
    10.1.2 文字識別
    10.2 圖象處理
    10.3 股票市場變化的短期預測
    10.4 組合優(yōu)化問題
    10.5 人工智能
   第十一章模糊系統(tǒng)和神經網絡的融合
    11.1 引言
    11.2 模糊系統(tǒng)和神經網絡的等價性
    11.3 模糊系統(tǒng)和神經網絡融合的形態(tài)
    11.4 專家系統(tǒng)
   第十二章模糊系統(tǒng)和神經網絡的互相轉換
    12.1 結構等價的模糊系統(tǒng)和神經網絡
    12.2 神經網絡的實現
    12.2.1 隸屬函數的實現
    12.2.2 網絡的學習
    12.3 應用實例
    12.4 小結
   第十三章基于神經網絡的模糊系統(tǒng)
    13.1 系統(tǒng)描述
    13.2 系統(tǒng)建立
    13.3 應用實例
    13.4 小結
   第十四章結束語
   附錄一 K－NN算法
   附錄二穩(wěn)定性Lyapunov第二方法
   附錄三機器人動態(tài)數學模型及控制
   附錄四模糊C－平均法
   參考文獻