清华大学出版社 - 图书详细资料

动态模糊神经网络——设计与应用

图书分类

计算机考试类图书

数学

物理

力学

化学化工

机械材料汽车能源

工业工程

工业设计

建筑土木水利

环境与给排水

生物与医学

电工基础与电气工程

科普读物

辞书

社会职业培训

航空航天

计算机基础

计算机组成与原理

算法与程序设计

计算机技术及应用

计算机网络

图形图像与多媒体

计算机辅助设计

数据库

软件工程

数理基础

信息安全

电子信息

计算机--其他

经济管理

人文社科

法律

艺术

非英语专业本科教材

非英语专业研究生教材

专升本教材

英语专业教材

选修课系列教材

专门用途英语教材

学术类图书

考试类用书

工具书

娱乐休闲英语

英语学习方法

非英语语种图书

外语--其他

高职高专--公共基础课

高职高专--人文社科类

高职高专--计算机类

高职高专--电子信息类

高职高专--机电类

高职高专--工科类

高职高专--经济管理类

高职高专--服务类

基础教育--英语

基础教育--信息技术

中职教育--计算机类

中职教育--公共课

中职教育--经济管理类

中职教育--电子信息类

中职教育--机电类

中职教育--服务类

动态模糊神经网络——设计与应用

作者：伍世虔、徐军

图书详细信息：
ISBN：9787302156819
定价：29元
印次：1-1
装帧：平装
印刷日期：2008-1-2

图书简介：
本书系统地介绍了动态模糊神经网络理论，目的是要解决使用者在缺乏模糊理论、神经网络以及应用对象的全面知识的情况下，如何快速、自动地构造一个有效的模糊神经网络的问题。因此，本书在提出参数学习的同时，特别强调模糊神经网络结构的确定。
本书针对不同应用对象（系统辨识、预测、实时控制、模式识别等），提出了多个学习算法，这些算法以提高学习速度和增强泛化能力为中心，融合了在线学习、分级学习、动态自组织结构、修剪技术等一系列设计思想，从而使得这些算法既可用于离线训练，也可用于实时学习和控制。
本书内容丰富而详实，书末还附有MATLAB程序,可作为人工智能、软计算、数据挖掘、信息处理、数据分析、自动控制及模式识别等领域技术人员的参考书，也可作为相关专业的研究生教材。

前言： 023764-01.txt

模糊系统、神经网络及遗传算法是目前公认的人工智能、软计算和数据挖掘的主要内容，模糊神经网络集模糊系统知识的明显表达和神经网络强大的学习功能于一体，是这些领域的研究热点。
模糊系统是基于规则的设计方法，它由一些形如IF-THEN 的语言规则组成，而这些模糊规则实际上来自设计者的知识和经验。更准确地说，模糊系统的设计是一种主观行为，以此来表达设计者的知识。由于没有知识获取的统一和有效的方法，因此即使设计者是领域专家，要完成复杂系统所有输入输出数据的检查，以找到一组合适的规则，也是很难的。如果更进一步地问: “哪条规则最重要?" “规则数越多则系统性能越好吗?”等，对这些问题的回答更是不容易。显然这种设计方法效率低、缺乏广义可行性，特别是不能确保可靠性。因此，有必要提出一种客观方法，使模糊系统通过有限训练数据实现建模过程的自动化。
一个基于神经网络的模糊系统，即模糊神经网络系统就是这样一种方法，由于它具有学习功能和自适应能力,因此这种系统不仅吸取了二者的优点，还克服了各自的缺点。一个模糊神经网络无论是从结构上还是本质上来说就是一个神经网络。在现有的模糊神经网络系统中，主要集中在模糊神经网络的表达方式和参数确定研究上，而对模糊神经网络的结构辨识仍然是一个非常耗时、远未解决的问题。一个不合理的结构会导致两个严重的问题: 过拟合 (overfitting) 和 过训练 (overtraining)，从而直接影响到系统的泛化能力。到目前为止，对于如何确定一个具有良好泛化能力的模糊系统、神经网络或模糊神经网络，还没有一个统一的指导理论。在实际应用时，通常的做法是从实际应用系统中搜集数据样本，然后小心地选择模糊系统或神经网络结构，并通过学习算法调整参数，再以测试样本检验系统泛化误差来决定所确定的系统是否合适，其设计过程如下页图所示。 一旦确定好结构和参数，就把这个训练好的模糊系统或神经网络用于实际系统，并在运行中进一步调整参数，以达到所谓的自适应学习与控制。综上所述，这是一种试凑方法，具有很大的不确定性。因此，一个对实际应用系统没有较深刻了解及掌握一定模糊系统或神经网络理论的人，是难以设计出一个好的模糊系统或神经网络的。
另一方面，我们也看到，现有的模糊神经网络多采用反向传播学习算法进行训练。众所周知，该方法学习速度慢，容易陷入局部极小点。因此，需要提出一个针对实际应用的快速学习算法。
正是基于上述背景，我们提出了动态模糊神经网络。所谓“动态”是指模糊神经网络的结构不是预先设定的，而是动态变化的，即在学习开始前，没有一条模糊规则，其模糊规则在学习过程中逐渐增长而形成。较之常见的模糊神经网络方法，本方法所得到的模糊规则数并不随输入变量的增加而按指数增长，特别是本方法无须领域的专家知识就可以对系统自动建模及抽取模糊规则(知识)。当然，如设计者是领域专家，其知识也可以直接应用于系统设计。由于所得到的模糊神经网络具有结构紧凑的特点，避免了过拟合现象，因此可给使用者带来很大的方便。

目录： 023764-01.txt
绪论1 1.1 模糊神经网络1 1.1.1 模糊神经网络的提出1 1.1.2 模糊神经网络的发展2 1.1.3 模糊神经网络的分类3 1.2 动态模糊神经网络4 1.2.1 动态模糊神经网络的提出4 1.2.2 动态模糊神经网络的含义与特点5 1.2.3 动态模糊神经网络的应用5 本章参考文献6 第2章模糊系统与神经网络回顾9 2.1 模糊系统9 2.1.1 模糊集9 2.1.2 模糊规则9 2.1.3 模糊推理系统11 2.1.4 模糊系统作为非线性逼近13 2.1.5 模糊系统存在的问题14 2.2 神经网络15 2.2.1 神经网络的特性15 2.2.2 神经网络的组成15 2.2.3 神经网络的学习算法16 2.2.4 神经网络的结构与泛化能力17 2.2.5 神经网络激活函数的选择19 2.2.6 径向基（RBF）神经网络19 2.3 模糊系统与神经网络21 2.3.1 模糊系统与神经网络的知识处理22 2.3.2 通用逼近器22 2.3.3 模糊系统与神经网络的功能等价23 2.3.4 模糊系统与神经网络的结合23 本章参考文献24 第3章动态模糊神经网络27 3.1 动态模糊神经网络的结构27 3.2 动态模糊神经网络的学习算法28 3.2.1 规则产生准则29 3.2.2 分级学习思想29 3.2.3 前提参数分配30 3.2.4 结果参数确定30 3.2.5 修剪技术32 3.3 对算法的进一步讨论35 3.3.1 结构辨识35 3.3.2 输入空间划分36 3.4 小结36 本章参考文献37 第4章动态模糊神经网络不同算法实现及比较39 4.1 修剪技术的不同方法39 4.1.1 奇异值分解(SVD)方法39 4.1.2 特征值分解(ED)方法40 4.1.3 列主元SVD-QR方法41 4.1.4 总体最小二乘方法43 4.1.5 不同修剪技术的比较研究45 4.1.6 小结48 4.2 参数调节方法及比较48 4.2.1 扩展的卡尔曼滤波48 4.2.2 不同参数调节方法的比较研究49 4.2.3 小结51 本章参考文献53 第5章动态模糊神经网络的一般应用55 5.1 函数逼近55 5.1.1 逼近问题55 5.1.2 Hermite函数逼近56 5.2 非线性动态系统辨识58 5.2.1 建模问题58 5.2.2 系统辨识59 5.2.3 神经网络用于系统辨识59 5.2.4 仿真61 5.3 Mackey-Glass时间序列预测62 5.4 人脸识别65 5.5 讨论65 5.5.1 学习速度、参数优化和泛化性66 5.5.2 分级学习67 5.5.3 高维小样本的学习问题68 5.5.4 D-FNN与模糊规则提取68 5.6 小结68 本章参考文献68 第6章动态模糊神经网络在生物工程中的应用70 6.1 药物注射系统的直接逆控制70 6.1.1 问题的提出70 6.1.2 病人的平均动脉血压对SNP注射响应的动态建模70 6.1.3 几个约束条件71 6.1.4 药物注射系统的直接逆控制72 6.1.5 仿真结果73 6.1.6 小结84 6.2 乳腺癌的分类85 6.2.1 引言85 6.2.2 乳腺癌诊断中的分类技术85 6.2.3 数据获取86 6.2.4 特征提取87 6.2.5 分类结果87 6.2.6 小结89 本章参考文献89 第7章增强型动态模糊神经网络用于实时自适应噪声消除92 7.1 引言92 7.2 自适应噪声消除92 7.3 神经网络用于自适应噪声消除94 7.4 ED-FNN学习算法95 7.4.1 输入空间的划分95 7.4.2 输出线性权值的确定96 7.4.3 其他考虑96 7.5 仿真研究与性能评估97 7.5.1 第1种情况--一阶信道动态特性98 7.5.2 第2种情况--三阶信道动态特性103 7.6 小结105 本章参考文献105 第8章广义动态模糊神经网络106 8.1 引言106 8.2 GD-FNN的结构107 8.3 GD-FNN学习算法108 8.3.1 规则产生准则108 8.3.2 前提参数估计109 8.3.3 输入变量和模糊规则的敏感性111 8.3.4 高斯宽度修正112 8.3.5 结果参数确定113 8.4 仿真研究114 8.5 讨论118 8.5.1 模糊规则的ε-完备性118 8.5.2 模糊划分、模糊规则数和隶属函数的数量118 8.5.3 学习速度、参数优化和泛化性119 8.5.4 对训练样本数据的要求119 8.5.5 接收区域参数的选择和性能119 8.5.6 椭球区域和宽度估计120 8.5.7 D-FNN和GD-FNN方法120 8.6 小结121 本章参考文献122 第9章非线性系统的鲁棒自适应模糊神经控制123 9.1 引言123 9.2 Lyapunov稳定性理论124 9.2.1 A.M.Lyapunov和稳定性定理124 9.2.2 稳定性理论基本定义124 9.2.3 自治系统126 9.2.4 LaSalle不变原理127 9.2.5 线性时不变系统127 9.2.6 非自治系统127 9.3 多输入多输出(MIMO)非线性动力系统128 9.4 用GD-FNN直接建模129 9.5 非线性系统的鲁棒自适应模糊神经控制130 9.5.1 RAFNC的结构130 9.5.2 RAFNC的收敛性分析131 9.5.3 RAFNC的稳定性分析133 9.6 仿真研究134 9.6.1 逆单摆系统的跟踪控制134 9.6.2 机器人操作臂的跟踪控制136 9.7 小结142 本章参考文献142 第10章动态模糊神经网络的实时应用与开发144 10.1 引言144 10.2 SEIKO TT-3000型机器人操作臂简介145 10.3 动态模糊神经网络实时控制设计146 10.3.1 动态模糊神经网络控制方案146 10.3.2 权值训练算法146 10.3.3 运动控制147 10.4 仿真研究147 10.4.1 快速原型147 10.4.2 D-FNN控制器仿真模型148 10.4.3 仿真结果149 10.5 D-FNN控制器的实时实现151 10.5.1 控制系统硬件结构151 10.5.2 硬件条件约束152 10.5.3 C-Mex S-函数152 10.5.4 D-FNN软件152 10.6 实验结果154 10.6.1 无扰动情况下的实验结果154 10.6.2 有扰动情况下的实验结果157 10.6.3 加入/去除D-FNN控制器的实验结果160 10.7 小结162 本章参考文献162 第11章动态径向基神经网络应用于人脸识别163 11.1 引言163 11.2 径向基神经网络165 11.3 人脸特征提取167 11.3.1 主元分析法(PCA)167 11.3.2 Fisher线性判别式(FLD)167 11.4 径向基神经网络的初始化168 11.4.1 结构确定和参数选择168 11.4.2 高斯宽度估计170 11.5 混合学习算法171 11.5.1 权值调整171 11.5.2 RBF节点参数的调整171 11.5.3 学习步骤172 11.6 实验结果173 11.6.1 ORL数据库173 11.6.2 学习前的聚类错误173 11.6.3 学习后的分类错误173 11.6.4 性能比较176 11.7 讨论177 11.7.1 人脸特征、分类器和识别性能的关系177 11.7.2 训练样本与识别性能的关系180 11.7.3 神经网络初始化与识别性能的关系180 11.7.4 小样本集问题182 11.8 小结183 本章参考文献183 第12章总结与进一步研究的课题186 12.1 总结186 12.2 进一步研究的课题187 附录A MATLAB程序189 A.1 第3章程序189 A.2 第4章程序193 A.3 第5章程序201 A.4 第6章程序204 A.5 第8章程序216
样章： 023764-01.pdf
课件：
网络资源：

配套教学用书（配套教参、主课本等）：

可替代教学用书：

丛书名称：

图书书评：