神經網絡自適應控制

第一章 自組織特征映射神經網絡與控制
1.1 引言
1.2 自組織神經網絡的基本原理
1.2.1 特征空間的劃分
1.2.2 WTA競爭學習機制
1.2.3 SOFM模型及其學習算法
1.3 SOFM算法的穩(wěn)態(tài)性質
1.3.1 輸入空間逼近與廣義uoyd算法
1.3.2 學習向量量化(LVQ)
1.3.3 SOFM穩(wěn)態(tài)性質定量描述
1.4 SOFM算法的規(guī)范化數(shù)學模型
1.4.1 改進的自組織神經元網絡模型
1.4.2 自組織算法的ODE分析
1.4.3 神經元權重集惟一解的存在性
1.4.4 神經元權重穩(wěn)態(tài)解的形式
1.4.5 拓撲保持自組織模型的分析
1.5 SOFM算法與系統(tǒng)辨識
1.5.1 自組織最小二乘辨識
1.5.2 算法仿真與分析
1.6 SOFM在機器人手眼協(xié)調控制中的應用
1.6.1 機器人手眼系統(tǒng)描述
1.6.2 基于自組織網絡的手眼協(xié)調控制
1.6.3 仿真結果
參考文獻
第二章 非拓撲保持自組織算法
2.1 神經氣體模型
2.2 群落生長型自組織模型
2.3 自組織聚類實驗
2.4 GGM模型用于混沌系統(tǒng)辨識
2.4.1 混沌系統(tǒng)的相空間重構
2.4.2 相空間劃分與混沌系統(tǒng)辨識
2.4.3 仿真結果與分析
2.5 N0自組織神經網絡原理與應用
2.5.1 引言
2.5.2 內源性NO擴散機制
2.5.3 規(guī)則空間NO擴散模型
2.5.4 NO自組織神經網絡
2.5.5 GmNets網絡模型及應用
參考文獻
第三章 神經網絡智能控制系統(tǒng)
3.1 基于高斯函數(shù)網絡(GPFN)的智能控制
3.1.1 引言
3.1.2 GPFN網絡與系統(tǒng)辨識
3.1.3 基于GPFN網絡的智能PID控制器設計
3.1.4 仿真實驗結果
3.1.5 小結
3.2 神經網絡非線性智能控制系統(tǒng)
3.2.1 基于自適應神經網絡的智能控制
3.2.2 單層自適應Adaline網絡的智能控制器設計
3.2.3 基于多層自適應網絡的非線性自校正控制
3.3 基于動態(tài)遞歸網絡的非線性智能控制
3.3.1改 進型動態(tài)遞歸網絡與控制算法
參考文獻
第四章 模糊神經網絡與自適應控制
4.1 模糊神經網絡自組織控制
4.1.1 自組織模糊控制器
4.1.2 模糊神經網絡自組織控制系統(tǒng)
4.1.3 仿真實驗結果及應用分析
4.2 神經網絡模糊邏輯推理智能控制
4.2.1 模糊邏輯控制
4.2.2 模糊高斯基函數(shù)網絡推理控制
4.2.3 神經網絡動態(tài)系統(tǒng)辨識
4.2.4 系統(tǒng)仿真結果與倒立擺控制
參考文獻
第五章 神經網絡在兩足步行機器人控制中的應用
5.1 概述
5.2 兩足步行機器人建模
5.2.1 引言
5.2.2 解耦模型
5.2.3 ZlVIP計算
5.3 兩足步行機器人穩(wěn)定性分析與運動控制
5.3.1 序言
5.3.2 基本概念
5.3.3 兩足動態(tài)步行的姿態(tài)穩(wěn)定性分析及姿態(tài)控制器構造
5.3.4 步態(tài)穩(wěn)定性分析及步態(tài)控制
5.3.5 兩足步行機器人動態(tài)步行的實時時位控制方案
5.4 神經網絡學習步態(tài)控制器
5.4.1 CMAC模型及其特點
5.4.2 神經網絡學習步態(tài)控制
5.4.3 計算機仿真研究與結果分析
5.5 利用CMAC神經網絡的兩足機器人穩(wěn)定自適應控制
5.5.1 序言
5.5.2 CMAC神經網絡與自組織學習結構
5.5.3 虛擬模型控制與虛擬動態(tài)空間
5.5.4 自適應CMAC神經網絡控制
5.5.5 仿真分析
參考文獻
第六章 增強學習與神經動態(tài)規(guī)劃
6.1 引言
6.2 增強學習理論的形成和發(fā)展
6.2.1 增強學習的學科基礎
6.2.2 增強學習理論的早期發(fā)展
6.2.3 增強學習理論的成熟
6.3 神經元的非聯(lián)想與聯(lián)想增強學習算法
6.3.1 神經元的非聯(lián)想增強學習算法(Non-associative RL)
6.3.2 聯(lián)想增強學習算法
6.4 時域差值學習理論與算法
6.4.1 Markov鏈與多步學習預測問題
6.4.2 時域差值TD(Temporal Difference)學習算法
6.5 基于動態(tài)規(guī)劃的增強學習方法
6.5.1 MDP與動態(tài)規(guī)劃
6.5.2 基于動態(tài)規(guī)劃的增強學習方法
6.6 神經動態(tài)規(guī)劃
6.6.1 基于線性值函數(shù)逼近的時域差值學習算法
6.6.2 基于CMAC的增強學習算法
6.6.3 非線性函數(shù)逼近與殘差增強學習算法
6.6.4 基于執(zhí)行器一評判器結構的神經動態(tài)規(guī)劃方法
6.7 增強學習與神經動態(tài)規(guī)劃的應用
6.7.1 增強學習在機器人控制中的應用
6.7.2 增強學習在非線性系統(tǒng)學習控制中的應用
6.7.3 增強學習在優(yōu)化和調度中的應用
6.8 小結
參考文獻