神经网络控制

第1章 神经网络和自动控制的基础知识　1.1　人工神经网络的发展史　 1.1.1　20世纪40年代——神经元模型的诞生 　1.1.2　20世纪50年代——从单神经元到单层网络，形成第一次热潮　 1.1.3 20世纪60年代——学习多样化和AN2的急剧冷落 　1.1.4 20世纪70年代——在低迷中顽强地发展　 1.1.5 20世纪80年代——AN2研究热潮再度兴起 　1.1.6 20世纪90年代——再现热潮，产生许多边缘交叉学科 　1.1.7　进入21世纪——实现机器智能的道路漫长而又艰难　1.2　生物神经元和人工神经元 　1.2.1　生物神经元　 1.2.2　人工神经元　1.3　生物神经网络和人工神经网络　 1.3.1　生物神经网络　 1.3.2　人工神经网络

第1章 神经网络和自动控制的基础知识　1.1　人工神经网络的发展史　 1.1.1　20世纪40年代——神经元模型的诞生 　1.1.2　20世纪50年代——从单神经元到单层网络，形成第一次热潮　 1.1.3 20世纪60年代——学习多样化和AN2的急剧冷落 　1.1.4 20世纪70年代——在低迷中顽强地发展　 1.1.5 20世纪80年代——AN2研究热潮再度兴起 　1.1.6 20世纪90年代——再现热潮，产生许多边缘交叉学科 　1.1.7　进入21世纪——实现机器智能的道路漫长而又艰难　1.2　生物神经元和人工神经元 　1.2.1　生物神经元　 1.2.2　人工神经元　1.3　生物神经网络和人工神经网络　 1.3.1　生物神经网络　 1.3.2　人工神经网络　1.4　自动控制的发展史　 1.4.1　从传统控制理论到智能控制　 1.4.2　智能控制的产生与基本特征 　1.4.3　智能控制系统　1.5　模糊集与模糊控制概述 1.5.1　模糊集 1.5.2　模糊隶属函数 1.5.3　模糊控制　1.6　从生物神经控制到人工神经控制 　1.6.1　生物神经控制的智能特征　 1.6.2　人工神经控制的模拟范围 1.7　小结 习题与思考题第2章　神经计算基础　2.1　线性空间与范数 　2.1.1　矢量空间　 2.1.2　范数　 2.1.3　赋范线性空间 　2.1.4　L1范数和L2范数　2.2　迭代算法 2.2.1　迭代算法的终止准则 2.2.2　梯度下降法 2.2.3　最优步长选择 2.3　逼近论 2.3.1　Banach空间和逼近的定义 2.3.2　L2逼近和最优一致逼近 2.3.3　离散点集上的最小二乘逼近 2.4　神经网络在线迭代学习算法　2.5　变换 2.5.1　z变换的定义和求取 2.5.2　z变换的性质 2.5.3　z反变换 2.6　李雅普诺夫意义下的稳定性 2.6.1　非线性时变系统的稳定性问题 2.6.2　李雅普诺夫意义下的渐进稳定 2.6.3　李雅普诺夫第二法 2.6.4　非线性系统的稳定性分析 2.7小结 习题与思考题第3章　神经网络模型　3.1　人工神经网络建模 3.1.1　MP模型 3.1.2　Hebb学习法则　3.2　感知器　 3.2.1　单层感知器 　3.2.2　多层感知器 3.3　BP网络与BP算法 3.3.1　BP网络的基本结构 3.3.2　BP算法及步长调整　3.4　自适应线性神经网络　3.5 自组织竞争型神经网络 3.5.1 自组织竞争型神经网络的基本结构 3.5.2 自组织竞争型神经网络的学习算法　3.6　小脑模型神经网络 3.6.1 CMAC的基本结构 3.6.2 CMAC的工作原理 3.6.3 CMAC的学习算法与训练 3.7　递归型神经网络　 3.7.1　DTRNN的网络结构 　3.7.2　实时递归学习算法 3.8　霍普菲尔德（Hopfield）神经网络　……第4章　神经控制中的系统辨识第5章　人工神经元控制系统第6章　神经控制系统第7章　模糊神经控制系统第8章　神经控制中的遗传进化训练附录　常用神经控制术语汉英对照参考文献

本书介绍了神经网络控制的基本理论与控制方法。全书共分8章，主要包括神经网络和自动控制的基础知识、神经计算基础、神经网络模型、神经控制中的系统辨识、人工神经元控制系统、神经控制系统、模糊神经控制系统和神经控制中的遗传进化训练等内容。 本书可作为高等工科院校工业自动化、计算机科学与技术、检测技术与仪器、电子信息、自动控制、电子信息工程等专业高年级学生、研究生教材或参考书，也可供专业技术人员、技术管理人员或科技人员参考。