基于MATLAB與fuzzyTECH的模糊與神經(jīng)網(wǎng)絡設計

第1章 要模糊入門1
1.1 模糊邏輯的發(fā)展1
1.1.1 模糊邏輯的發(fā)展歷程1
1.1.2 模糊邏輯在日本的發(fā)展2
1.1.3 模糊邏輯在歐洲的發(fā)展2
1.1.4 模糊邏輯在美國的發(fā)展3
1.2 模糊邏輯的不確定類型3
1.2.1 不確定的數(shù)學原理3
1.2.2 語言不確定性模型3
1.3 模糊集合4
1.3.1 由經(jīng)典集合到模糊集合4
1.3.2 模糊集合的基本概念6
1.3.3 隸屬度函數(shù)9
1.4 模糊集合的運算11
1.4.1 模糊集合的基本運算11
1.4.2 模糊集合的基本運算規(guī)律13
1.4.3 模糊集合與經(jīng)典集合的聯(lián)系14
1.5 模糊關系與模糊關系的合成16
1.5.1 模糊關系的基本概念16
1.5.2 模糊關系的合成18
1.5.3 模糊關系的性質(zhì)20
1.5.4 模糊變換22
1.6 模糊邏輯及模糊推理23
1.6.1 模糊邏輯技術23
1.6.2 語言控制策略25
1.6.3 模糊語言變量25
1.6.4 模糊命題與模糊條件語句27
1.6.5 判斷與推理28
1.6.6 模糊推理28
1.7 模糊邏輯系統(tǒng)的建立34
1.7.1 模糊化35
1.7.2 建立if-then規(guī)則庫36
1.7.3 模糊推理38
1.7.4 解模糊化39
1.8 計算模糊系統(tǒng)40
1.8.1 計算隸屬度41
1.8.2 隸屬度函數(shù)的快速計算方法42
1.8.3 模糊規(guī)則推理42
1.8.4 將輸出結果清晰化43
習題45
第2章 模糊應用——模糊控制系統(tǒng)設計47
2.1 鍋爐汽包水位控制系統(tǒng)設計48
2.1.1 應用背景48
2.1.2 鍋爐汽包水位動態(tài)特性48
2.1.3 模糊控制系統(tǒng)結構48
2.1.4 模糊控制器的設計49
2.1.5 模糊控制系統(tǒng)仿真57
2.2 模糊PID控制直流電動機伺服系統(tǒng)設計59
2.2.1 應用背景59
2.2.2 系統(tǒng)控制原理60
2.2.3 控制算法設計62
2.2.4 系統(tǒng)硬件設計原理69
2.2.5 系統(tǒng)軟件設計原理76
2.2.6 系統(tǒng)調(diào)試及結果分析88
2.2.7 系統(tǒng)的其他控制算法93
習題106
第3章 神經(jīng)網(wǎng)絡及聚類設計112
3.1 什么是神經(jīng)網(wǎng)絡112
3.1.1 神經(jīng)網(wǎng)絡的發(fā)展歷程112
3.1.2 生物神經(jīng)系統(tǒng)的結構及沖動的傳遞過程114
3.1.3 人工神經(jīng)網(wǎng)絡的定義116
3.2 人工神經(jīng)網(wǎng)絡模型117
3.2.1 人工神經(jīng)元的基本模型117
3.2.2 人工神經(jīng)網(wǎng)絡基本構架119
3.2.3 人工神經(jīng)網(wǎng)絡的工作過程121
3.2.4 人工神經(jīng)網(wǎng)絡的特點121
3.3 前饋神經(jīng)網(wǎng)絡122
3.3.1 感知器網(wǎng)絡124
3.3.2 BP網(wǎng)絡126
3.3.3 BP網(wǎng)絡的建立及執(zhí)行128
3.3.4 BP網(wǎng)絡應用于模式分類130
3.3.5 BP網(wǎng)絡的其他學習算法的應用136
3.4 反饋神經(jīng)網(wǎng)絡143
3.4.1 離散Hopfield（DHNN）網(wǎng)絡的結構144
3.4.2 離散Hopfield網(wǎng)絡的工作方式144
3.4.3 Hopfield網(wǎng)絡的穩(wěn)定性和吸引子145
3.4.4 Hopfield網(wǎng)絡的連接權設計146
3.4.5 Hopfield網(wǎng)絡應用于模式分類147
3.5 徑向基函數(shù)154
3.5.1 徑向基函數(shù)的網(wǎng)絡結構及工作方式155
3.5.2 徑向基函數(shù)網(wǎng)絡的特點及作用156
3.5.3 徑向基函數(shù)網(wǎng)絡參數(shù)選擇156
3.5.4 RBF網(wǎng)絡用于模式分類156
3.6 其他形式的神經(jīng)網(wǎng)絡163
3.6.1 競爭型人工神經(jīng)網(wǎng)絡——自組織競爭163
3.6.2 競爭型人工神經(jīng)網(wǎng)絡——自組織特征映射神經(jīng)網(wǎng)絡（SOM）167
3.6.3 競爭型人工神經(jīng)網(wǎng)絡——學習向量量化神經(jīng)網(wǎng)絡（LVQ）170
3.6.4 概率神經(jīng)網(wǎng)絡（PNN）173
3.6.5 CPN神經(jīng)網(wǎng)絡的設計178
習題187
第4章 基于MATLAB的模糊神經(jīng)網(wǎng)絡的應用188
4.1 神經(jīng)網(wǎng)絡與模糊系統(tǒng)的結合188
4.1.1 模糊神經(jīng)網(wǎng)絡的特點188
4.1.2 NeuroFuzzy與其他自適應技術的比較189
4.2 模糊神經(jīng)網(wǎng)絡用于控制系統(tǒng)設計189
4.2.1 基于模糊神經(jīng)網(wǎng)絡的控制器的結構189
4.2.2 神經(jīng)模糊控制系統(tǒng)的MATLAB實現(xiàn)190
4.3 模糊神經(jīng)網(wǎng)絡用于模式識別系統(tǒng)設計196
4.3.1 應用背景196
4.3.2 模糊神經(jīng)網(wǎng)絡算法的原理197
4.3.3 基于MATLAB的模糊神經(jīng)網(wǎng)絡分類器的設計與實現(xiàn)200
習題211
第5章 基于fuzzyTECH的模糊設計技術212
5.1 fuzzyTECH界面用戶化212
5.1.1 fuzzyTECH軟件界面212
5.1.2 界面用戶化設置213
5.1.3 視圖方式用戶化設置217
5.2 使用模糊設計向?qū)гO計“empty”模糊系統(tǒng)219
5.3 應用fuzzyTECH配置模糊系統(tǒng)223
5.3.1 模糊系統(tǒng)常見的結構和對象223
5.3.2 編輯對象224
5.3.3 定義文本對象225
5.3.4 定義語言變量225
5.3.5 定義隸屬度函數(shù)230
5.3.6 定義規(guī)則塊234
5.3.7 模糊規(guī)則公式236
5.4 使用優(yōu)化選項優(yōu)化模糊系統(tǒng)245
5.5 連接fuzzyTECH到其他應用249
5.6 基于fuzzyTECH的起重機模糊控制系統(tǒng)分析250
5.6.1 起重機模糊控制系統(tǒng)的用戶工具250
5.6.2 起重機的控制策略252
5.6.3 fuzzyTECH中的起重機模糊控制系統(tǒng)252
5.6.4 在fuzzyTECH中啟動起重機模糊控制系統(tǒng)255
5.6.5 fuzzyTECH中的響應分析255
5.6.6 模糊控制系統(tǒng)中的語言變量修改260
5.6.7 模糊邏輯規(guī)則的修改263
5.6.8 利用交互式調(diào)試模式進行系統(tǒng)測試266
5.7 fuzzyTECH的在線調(diào)試功能268
5.7.1 蒸汽鍋爐鼓輪仿真系統(tǒng)的操作269
5.7.2 蒸汽鍋爐鼓輪仿真系統(tǒng)模糊邏輯控制策略273
5.7.3 fuzzyTECH在線開發(fā)275
5.8 fuzzyTECH文件記錄與校正控制系統(tǒng)280
5.8.1 工程信息280
5.8.2 文檔生成器280
5.8.3 修正控制系統(tǒng)281
習題283
第6章 基于fuzzyTECH的NeuroFuzzy設計技術284
6.1 從采用數(shù)據(jù)文件產(chǎn)生模糊異或系統(tǒng)285
6.1.1 使用模糊設計向?qū)Мa(chǎn)生一個模糊異或系統(tǒng)285
6.1.2 模糊系統(tǒng)的神經(jīng)模糊網(wǎng)絡訓練——對異或系統(tǒng)進行訓練288
6.2 使用FuzzyCluster聚類294
6.2.1 聚類概念294
6.2.2 訓練CLUSTER1.CSV文件295
6.2.3 刪除冗余數(shù)據(jù)299
6.2.4 處理沖突數(shù)據(jù)300
6.2.5 顯示樣本文件302
6.2.6 模糊聚類303
6.3 fuzzyTECH中NeuroFuzzy訓練的計算305
6.3.1 模糊邏輯作為神經(jīng)元305
6.3.2 模糊與神經(jīng)網(wǎng)絡的知識表達306
6.4 fuzzyTECH中NeuroFuzzy學習模糊規(guī)則306
6.4.1 FAM規(guī)則306
6.4.2 訓練數(shù)據(jù)307
6.4.3 完成NeuroFuzzy網(wǎng)絡307
6.5 fuzzyTECH中NeuroFuzzy學習模糊化和解模糊化308
6.5.1 隸屬度函數(shù)的訓練308
6.5.2 學習方法309
6.6 fuzzyTECH中NeuroFuzzy的數(shù)據(jù)聚類310
6.6.1 消除數(shù)據(jù)沖突310
6.6.2 聚類算法310
6.6.3 一致性分析311
習題312
第7章 fuzzyTECH的應用313
7.1 數(shù)據(jù)采集313
7.1.1 系統(tǒng)分析313
7.1.2 記錄樣本數(shù)據(jù)315
7.2 數(shù)據(jù)聚類——C均值聚類317
7.2.1 C均值聚類的算法317
7.2.2 C均值聚類的MATLAB實現(xiàn)318
7.2.3 待聚類樣本的分類結果322
7.2.4 結論323
7.3 數(shù)據(jù)聚類——改進C均值聚類325
7.3.1 C均值改進算法的思想326
7.3.2 基于取樣思想的改進C均值算法327
7.3.3 運行結果330
7.3.4 結論333
7.4 數(shù)據(jù)聚類——模糊聚類333
7.4.1 模糊聚類應用背景333
7.4.2 基于MATLAB的GUI工具的模糊算法構建——數(shù)據(jù)模糊化333
7.4.3 基于MATLAB的GUI工具的模糊算法構建——FIS實現(xiàn)337
7.4.4 系統(tǒng)結果分析340
7.5 數(shù)據(jù)聚類——模糊C均值聚類342
7.5.1 模糊C均值聚類應用背景342
7.5.2 模糊C均值算法342
7.5.3 模糊C均值聚類的MATLAB實現(xiàn)343
7.5.4 模糊C均值聚類結果分析346
7.6 數(shù)據(jù)聚類——ISODATA算法概述聚類348
7.6.1 ISODATA算法應用背景348
7.6.2 用MATLAB實現(xiàn)ISODATA算法348
7.6.3 聚類結果353
7.6.4 ISODATA算法總結353
7.7 系統(tǒng)建立353
7.7.1 建立系統(tǒng)354
7.7.2 學習前系統(tǒng)的規(guī)則觀察及先驗規(guī)則的添加356
7.8 模糊神經(jīng)網(wǎng)絡配置及學習過程仿真357
7.8.1 輸出變量的設置358
7.8.2 神經(jīng)網(wǎng)絡訓練配置359
7.8.3 模糊神經(jīng)網(wǎng)絡訓練360
7.8.4 系統(tǒng)的學習過程仿真362
7.8.5 學習后系統(tǒng)的變化363
7.8.6 系統(tǒng)的優(yōu)化364
7.9 系統(tǒng)的性能調(diào)試、仿真及代碼生成365
7.9.1 系統(tǒng)的性能調(diào)試365
7.9.2 系統(tǒng)的仿真分析367
7.9.3 系統(tǒng)的代碼生成371
7.10 系統(tǒng)的工作過程分析372
7.10.1 確定系統(tǒng)所屬語言值372
7.10.2 確定所用的模糊規(guī)則及系統(tǒng)的輸出372
7.11 系統(tǒng)模糊神經(jīng)模塊的結構及算法分析374
7.11.1 模糊模塊及模糊神經(jīng)網(wǎng)絡模塊374
7.11.2 模糊神經(jīng)網(wǎng)絡模塊376
7.11.3 模糊神經(jīng)算法378
習題380