會員

基于MATLAB與fuzzyTECH的模糊與神經網絡設計

更新時間：2018-12-27 16:09:22

開會員，本書免費讀 >

模糊與神經網絡是兩種常用的智能信息處理技術，它們都能模擬人的智能行為，解決不確定、非線性、復雜的控制與分類問題，具有非常廣闊的應用前景。本書以fuzzyTECH和MATLAB軟件平臺對模糊與神經網絡技術進行了綜合講解并介紹了它們的應用，以使讀者更全面地了解模糊與神經網絡領域的最新研究成果。

目錄(216章)

倒序

封面
版權信息
前言
第1章模糊入門
1.1 模糊邏輯的發展
1.1.1 模糊邏輯的發展歷程
1.1.2 模糊邏輯在日本的發展
1.1.3 模糊邏輯在歐洲的發展
1.1.4 模糊邏輯在美國的發展
1.2 模糊邏輯的不確定類型
1.2.1 不確定的數學原理
1.2.2 語言不確定性模型
1.3 模糊集合
1.3.1 由經典集合到模糊集合
1.3.2 模糊集合的基本概念
1.3.3 隸屬度函數
1.4 模糊集合的運算
1.4.1 模糊集合的基本運算
1.4.2 模糊集合的基本運算規律
1.4.3 模糊集合與經典集合的聯系
1.5 模糊關系與模糊關系的合成
1.5.1 模糊關系的基本概念
1.5.2 模糊關系的合成
1.5.3 模糊關系的性質
1.5.4 模糊變換
1.6 模糊邏輯及模糊推理
1.6.1 模糊邏輯技術
1.6.2 語言控制策略
1.6.3 模糊語言變量
1.6.4 模糊命題與模糊條件語句
1.6.5 判斷與推理
1.6.6 模糊推理
1.7 模糊邏輯系統的建立
1.7.1 模糊化
1.7.2 建立if-then規則庫
1.7.3 模糊推理
1.7.4 解模糊化
1.8 計算模糊系統
1.8.1 計算隸屬度
1.8.2 隸屬度函數的快速計算方法
1.8.3 模糊規則推理
1.8.4 將輸出結果清晰化
習題
第2章模糊應用——模糊控制系統設計
2.1 鍋爐汽包水位控制系統設計
2.1.1 應用背景
2.1.2 鍋爐汽包水位動態特性
2.1.3 模糊控制系統結構
2.1.4 模糊控制器的設計
2.1.5 模糊控制系統仿真
2.2 模糊PID控制直流電動機伺服系統設計
2.2.1 應用背景
2.2.2 系統控制原理
2.2.3 控制算法設計
2.2.4 系統硬件設計原理
2.2.5 系統軟件設計原理
2.2.6 系統調試及結果分析
2.2.7 系統的其他控制算法
習題
第3章神經網絡及聚類設計
3.1 什么是神經網絡
3.1.1 神經網絡的發展歷程
3.1.2 生物神經系統的結構及沖動的傳遞過程
3.1.3 人工神經網絡的定義
3.2 人工神經網絡模型
3.2.1 人工神經元的基本模型
3.2.2 人工神經網絡基本構架
3.2.3 人工神經網絡的工作過程
3.2.4 人工神經網絡的特點
3.3 前饋神經網絡
3.3.1 感知器網絡
3.3.2 BP網絡
3.3.3 BP網絡的建立及執行
3.3.4 BP網絡應用于模式分類
3.3.5 BP網絡的其他學習算法的應用
3.4 反饋神經網絡
3.4.1 離散Hopfield（DHNN）網絡的結構
3.4.2 離散Hopfield網絡的工作方式
3.4.3 Hopfield網絡的穩定性和吸引子
3.4.4 Hopfield網絡的連接權設計
3.4.5 Hopfield網絡應用于模式分類
3.5 徑向基函數
3.5.1 徑向基函數的網絡結構及工作方式
3.5.2 徑向基函數網絡的特點及作用
3.5.3 徑向基函數網絡參數選擇
3.5.4 RBF網絡用于模式分類
3.6 其他形式的神經網絡
3.6.1 競爭型人工神經網絡——自組織競爭
3.6.2 競爭型人工神經網絡——自組織特征映射神經網絡（SOM）
3.6.3 競爭型人工神經網絡——學習向量量化神經網絡（LVQ）
3.6.4 概率神經網絡（PNN）
3.6.5 CPN神經網絡的設計
習題
第4章基于MATLAB的模糊神經網絡的應用
4.1 神經網絡與模糊系統的結合
4.1.1 模糊神經網絡的特點
4.1.2 NeuroFuzzy與其他自適應技術的比較
4.2 模糊神經網絡用于控制系統設計
4.2.1 基于模糊神經網絡的控制器的結構
4.2.2 神經模糊控制系統的MATLAB實現
4.3 模糊神經網絡用于模式識別系統設計
4.3.1 應用背景
4.3.2 模糊神經網絡算法的原理
4.3.3 基于MATLAB的模糊神經網絡分類器的設計與實現
習題
第5章基于fuzzyTECH的模糊設計技術
5.1 fuzzyTECH界面用戶化
5.1.1 fuzzyTECH軟件界面
5.1.2 界面用戶化設置
5.1.3 視圖方式用戶化設置
5.2 使用模糊設計向導設計“empty”模糊系統
5.3 應用fuzzyTECH配置模糊系統
5.3.1 模糊系統常見的結構和對象
5.3.2 編輯對象
5.3.3 定義文本對象
5.3.4 定義語言變量
5.3.5 定義隸屬度函數
5.3.6 定義規則塊
5.3.7 模糊規則公式
5.4 使用優化選項優化模糊系統
5.5 連接fuzzyTECH到其他應用
5.6 基于fuzzyTECH的起重機模糊控制系統分析
5.6.1 起重機模糊控制系統的用戶工具
5.6.2 起重機的控制策略
5.6.3 fuzzyTECH中的起重機模糊控制系統
5.6.4 在fuzzyTECH中啟動起重機模糊控制系統
5.6.5 fuzzyTECH中的響應分析
5.6.6 模糊控制系統中的語言變量修改
5.6.7 模糊邏輯規則的修改
5.6.8 利用交互式調試模式進行系統測試
5.7 fuzzyTECH的在線調試功能
5.7.1 蒸汽鍋爐鼓輪仿真系統的操作
5.7.2 蒸汽鍋爐鼓輪仿真系統模糊邏輯控制策略
5.7.3 fuzzyTECH在線開發
5.8 fuzzyTECH文件記錄與校正控制系統
5.8.1 工程信息
5.8.2 文檔生成器
5.8.3 修正控制系統
習題
第6章基于fuzzyTECH的NeuroFuzzy設計技術
6.1 從采用數據文件產生模糊異或系統
6.1.1 使用模糊設計向導產生一個模糊異或系統
6.1.2 模糊系統的神經模糊網絡訓練對異或系統進行訓練
6.2 使用FuzzyCluster聚類
6.2.1 聚類概念
6.2.2 訓練CLUSTER1.CSV文件
6.2.3 刪除冗余數據
6.2.4 處理沖突數據
6.2.5 顯示樣本文件
6.2.6 模糊聚類
6.3 fuzzyTECH中NeuroFuzzy訓練的計算
6.3.1 模糊邏輯作為神經元
6.3.2 模糊與神經網絡的知識表達
6.4 fuzzyTECH中NeuroFuzzy學習模糊規則
6.4.1 FAM規則
6.4.2 訓練數據
6.4.3 完成NeuroFuzzy網絡
6.5 fuzzyTECH中NeuroFuzzy學習模糊化和解模糊化
6.5.1 隸屬度函數的訓練
6.5.2 學習方法
6.6 fuzzyTECH中NeuroFuzzy的數據聚類
6.6.1 消除數據沖突
6.6.2 聚類算法
6.6.3 一致性分析
習題
第7章 fuzzyTECH的應用
7.1 數據采集
7.1.1 系統分析
7.1.2 記錄樣本數據
7.2 數據聚類——K均值聚類
7.2.1 K均值聚類的算法
7.2.2 K均值聚類的MATLAB實現
7.2.3 待聚類樣本的分類結果
7.2.4 結論
7.3 數據聚類——改進K均值聚類
7.3.1 K均值改進算法的思想
7.3.2 基于取樣思想的改進K均值算法
7.3.3 運行結果
7.3.4 結論
7.4 數據聚類——模糊聚類
7.4.1 模糊聚類應用背景
7.4.2 基于MATLAB的GUI工具的模糊算法構建數據模糊化
7.4.3 基于MATLAB的GUI工具的模糊算法構建 FIS實現
7.4.4 系統結果分析
7.5 數據聚類——模糊C均值聚類
7.5.1 模糊C均值聚類應用背景
7.5.2 模糊C均值算法
7.5.3 模糊C均值聚類的MATLAB實現
7.5.4 模糊C均值聚類結果分析
7.6 數據聚類——ISODATA算法概述聚類
7.6.1 ISODATA算法應用背景
7.6.2 用MATLAB實現ISODATA算法
7.6.3 聚類結果
7.6.4 ISODATA算法總結
7.7 系統建立
7.7.1 建立系統
7.7.2 學習前系統的規則觀察及先驗規則的添加
7.8 模糊神經網絡配置及學習過程仿真
7.8.1 輸出變量的設置
7.8.2 神經網絡訓練配置
7.8.3 模糊神經網絡訓練
7.8.4 系統的學習過程仿真
7.8.5 學習后系統的變化
7.8.6 系統的優化
7.9 系統的性能調試、仿真及代碼生成
7.9.1 系統的性能調試
7.9.2 系統的仿真分析
7.9.3 系統的代碼生成
7.10 系統的工作過程分析
7.10.1 確定系統所屬語言值
7.10.2 確定所用的模糊規則及系統的輸出
7.11 系統模糊神經模塊的結構及算法分析
7.11.1 模糊模塊及模糊神經網絡模塊
7.11.2 模糊神經網絡模塊
7.11.3 模糊神經算法
習題更新時間：2018-12-27 16:09:22

官术网_书友最值得收藏!

基于MATLAB與fuzzyTECH的模糊與神經網絡設計