神經(jīng)—模糊和軟計(jì)算

第1章  神經(jīng)-模糊和軟計(jì)算簡(jiǎn)介
  1.1  引言
  1.2  軟計(jì)算組成與傳統(tǒng)人工智能
  1.2.1  從傳統(tǒng)人工智能到計(jì)算智能
  1.2.2  神經(jīng)元網(wǎng)絡(luò)
  1.2.3  模糊集合理論
  1.2.4  進(jìn)化計(jì)算
  1.3  神經(jīng)—模糊和軟計(jì)算的特性
  參考文獻(xiàn)
  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(yùn)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(dǎo)數(shù)
  2.5  關(guān)于模糊并、交、和補(bǔ)
  2.5.1  模糊補(bǔ)
  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(xí)
  參考文獻(xiàn)
第3章  模糊規(guī)則與模糊推理
  3.1  引言
  3.2  擴(kuò)展原理和模糊關(guān)系
  3.2.1  擴(kuò)展原理
  3.2.2  模糊關(guān)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(fù)合規(guī)則
  3.4.2  模糊推理
  3.5  小結(jié)
  練習(xí)
  參考文獻(xiàn)
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(xí)
  參考文獻(xiàn)
  第二部分  回歸和優(yōu)化
第5章  系統(tǒng)辨識(shí)最小二乘法
  5.1  系統(tǒng)辨識(shí)：引言
  5.2  矩陣運(yùn)算和微積分基礎(chǔ)
  5.3  最小二乘估計(jì)器
  5.4  LSE的幾何解釋
  5.5  遞歸最小二乘估計(jì)器
  5.6  時(shí)變系統(tǒng)的遞歸LSE
  5.7  統(tǒng)計(jì)性質(zhì)與最大似然估計(jì)器
  5.8  非線性模型的LSE
  5.9  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第6章  基于導(dǎo)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(zhǎng)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(jī)機(jī)制
  6.10  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第7章  非導(dǎo)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(jī)搜索
  7.5  下山單純形搜索
  7.6  小結(jié)
  練習(xí)
  參考文獻(xiàn)
  第三部分  神經(jīng)元網(wǎng)絡(luò)
第8章  自適應(yīng)網(wǎng)絡(luò)
  8.1  引言
  8.2  結(jié)構(gòu)
  8.3  前向網(wǎng)絡(luò)的反傳
  8.4  回歸網(wǎng)絡(luò)的擴(kuò)充反傳
  8.4.1  同步運(yùn)行網(wǎng)絡(luò)：BPTT和RTRL
  8.4.2  連續(xù)運(yùn)行網(wǎng)絡(luò)：Mason增益公式
  8.5  混合學(xué)習(xí)規(guī)則：最陡下降和LSE的結(jié)合
  8.5.1  離線學(xué)習(xí)(批量學(xué)習(xí))
  8.5.2  在線學(xué)習(xí)(按模式學(xué)習(xí))
  8.5.3  最陡下降和LSE結(jié)合的不同方式
  8.6  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第9章  有監(jiān)督學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)
  9.1  引言
  9.2  感知器
  9.2.1  結(jié)構(gòu)與學(xué)習(xí)規(guī)則
  9.2.2  異或問題
  9.3  自適應(yīng)線性元件
  9.4  反傳多層感知器
  9.4.1  反傳學(xué)習(xí)規(guī)則
  9.4.2  加速M(fèi)LP訓(xùn)練的方法
  9.4.3  MLP的逼近能力
  9.5  徑向基函數(shù)網(wǎng)絡(luò)
  9.5.1  結(jié)構(gòu)與學(xué)習(xí)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(luò)
  9.7  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第10章  增強(qiáng)學(xué)習(xí)
  10.1  引言
  10.2  失敗是成功的可靠之路
  10.2.1  幸運(yùn)旅行.
  10.2.2  信用分配問題
  10.2.3  評(píng)價(jià)函數(shù)
  10.3  時(shí)間差分學(xué)習(xí)
  10.3.1TD公式
  10.3.2  期望的幸運(yùn)旅行
  10.3.3  預(yù)測(cè)累積結(jié)果
  10.4  動(dòng)態(tài)規(guī)劃藝術(shù)
  10.4.1  經(jīng)典動(dòng)態(tài)規(guī)劃公式
  10.4.2  增量動(dòng)態(tài)規(guī)劃
  10.5  自適應(yīng)啟發(fā)式評(píng)判
  10.5.1  類神經(jīng)元評(píng)判
  10.5.2  自適應(yīng)神經(jīng)元評(píng)判算法
  10.5.3  探索與動(dòng)作選擇
  10.6  Q-學(xué)習(xí)
  10.6.1  基本概念
  10.6.2  實(shí)現(xiàn)
  10，7  費(fèi)用路徑問題
  10.7.1  TD方法的期望費(fèi)用路徑問題
  10.7.2  在確定性最小費(fèi)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(xué)習(xí)
  10.8.2  遠(yuǎn)端教師
  10.8.3  學(xué)習(xí)速度
  10.9  其它網(wǎng)絡(luò)結(jié)構(gòu)
  10.9.1  分而治之方法論
  10.9.2  回歸網(wǎng)絡(luò)
  10.10  進(jìn)化計(jì)算的增強(qiáng)學(xué)習(xí)
  10.10.1  桶隊(duì)列
  10.10.2  遺傳增強(qiáng)器
  10.10.3  免疫建模
  10.11  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第11章  無監(jiān)督學(xué)習(xí)和其它神經(jīng)元網(wǎng)絡(luò)
  11.1  引言
  11.2  競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)
  11.3  Kohonen自組織學(xué)習(xí)-
  11.4  學(xué)習(xí)向量量化
  11.5  Heb學(xué)習(xí)
  11.6  主元網(wǎng)絡(luò)
  11.6.1  主元分析
  11.6.2  Qa修正Heb規(guī)則
  11.7 Hopfield網(wǎng)絡(luò)
  11.7.1  內(nèi)容編址實(shí)質(zhì)
  11.7.2  二進(jìn)制Hopfield網(wǎng)絡(luò)
  ¨.7.3  連續(xù)Hopfield網(wǎng)絡(luò)
  11.7.4旅行商問題
  11.7.5 Boltzmann機(jī)
  11.8  小結(jié)
  練習(xí)
  參考文獻(xiàn)
  第四部分  神經(jīng)—模糊建模
第12章  ANFIS：自適應(yīng)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(xué)習(xí)算法
  12.4  ANFIS和RBFN互利的學(xué)習(xí)方法
  12.5  通用逼近器ANFIS
  12.6  仿真例子
  12.6.1  實(shí)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(shí)
  12.6.5  例4：  混沌時(shí)間序列預(yù)測(cè)
  12.7  擴(kuò)展和進(jìn)一步研究課題
  練習(xí)
  參考文獻(xiàn)
第13章  協(xié)動(dòng)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(guān)于多輸A.／輸出系統(tǒng)
  13.2.2  結(jié)構(gòu)比較
  13.3  自適應(yīng)網(wǎng)絡(luò)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(jìn)的Sigmoid型函數(shù)和截?cái)酁V波函數(shù)
  13.4  神經(jīng)—模糊譜
  13，5  自適應(yīng)學(xué)習(xí)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(xí)
  參考文獻(xiàn)
  第五部分  高級(jí)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(zhǎng)
  14.3.2  樹修剪
  14.4  用CART作ANFIS結(jié)構(gòu)辨識(shí)
  14.5  小結(jié)
  練習(xí)
  參考文獻(xiàn)
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(xí)
  參考文獻(xiàn)
第16章  規(guī)則庫結(jié)構(gòu)辨識(shí)
  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(diǎn)集的規(guī)則組合
  16.6  小結(jié)
  練習(xí)
  參考文獻(xiàn)
  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(xí)
  17.4.1  基本原理
  17.4.2  實(shí)例研究
  17.5  專門化學(xué)習(xí)
  17.6  經(jīng)時(shí)間反傳和實(shí)時(shí)回歸學(xué)習(xí)
  17.6.1  基本原理
  17.6.2  實(shí)例研究：倒立擺系統(tǒng)
  17.7  小結(jié)
  練習(xí)
  參考文獻(xiàn)
第18章  神經(jīng)-模糊控制Ⅱ
  18.1  引言
  18.2  增強(qiáng)學(xué)習(xí)控制
  18.2.1  控制環(huán)境
  18.2.2  神經(jīng)—模糊增強(qiáng)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(biāo)函數(shù)
  18.4  增益調(diào)度
  18.4.1  基礎(chǔ)
  18.4.2  實(shí)例研究
  18.5  反饋線性化和滑模控制
  18.6  小結(jié)
  練習(xí)一
  參考文獻(xiàn)
  第七部分  高級(jí)應(yīng)用
第19章  ANFIS應(yīng)用
  19.1  引言
  19.2  印刷符號(hào)識(shí)別
  19.3  逆動(dòng)力學(xué)問題
  19.4  汽車MPG預(yù)測(cè)
  19.5  非線性系統(tǒng)辨識(shí)
  19.6  信道均衡
  19.7  自適應(yīng)噪聲消除
  參考文獻(xiàn)
第20章  模糊.濾波神經(jīng)網(wǎng)絡(luò)
  20.1  引言
  20.2  模糊—濾波神經(jīng)網(wǎng)絡(luò)
  20.3  應(yīng)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(luò)方法
  20.4  應(yīng)用2：手寫體數(shù)字的識(shí)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(xiàn)
第21章  模糊集合和基因算法在博弈中的應(yīng)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(xiàn)
第22章  顏色配方預(yù)測(cè)的軟計(jì)算
  22.1  引言
  22.2  顏色配方預(yù)測(cè)
  22.3  單個(gè)MLP方法
  22.4  顏色配方預(yù)測(cè)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(shí)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(shí)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(yīng)函數(shù)
  22.5.6  遺傳策略
  22.6  實(shí)驗(yàn)評(píng)價(jià)
  22.7  討論
  22.8  結(jié)論和進(jìn)一步研究課題
  參考文獻(xiàn)
附錄A  部分練習(xí)題提示
附錄B  縮寫表