神經(jīng)網(wǎng)絡結構優(yōu)化方法及應用

前言
第1章 緒論
1.1 引言
1.2 神經(jīng)網(wǎng)絡及其應用
1.2.1 神經(jīng)網(wǎng)絡的研究及發(fā)展
1.2.2 神經(jīng)網(wǎng)絡結構及工作方式
1.2.3 神經(jīng)網(wǎng)絡的學習方法
1.2.4 神經(jīng)網(wǎng)絡的基本功能
1.2.5 神經(jīng)網(wǎng)絡在控制領域的應用
1.2.6 神經(jīng)網(wǎng)絡在故障診斷領域的應用
1.2.7 神經(jīng)網(wǎng)絡及其應用中有待于解決的問題
1.3 其他智能方法
1.3.1 粗糙集理論
1.3.2 Agent系統(tǒng)理論
1.3.3 信息融合技術
1.4 本書主要內(nèi)容
參考文獻
第2章 RBF網(wǎng)絡的快速資源優(yōu)化算法
2.1 引言
2.2 RBF網(wǎng)絡
2.2.1 網(wǎng)絡結構
2.2.2 網(wǎng)絡逼近能力
2.2.3 學習算法
2.2.4 應用
2.2.5 優(yōu)點及問題
2.3 RBF網(wǎng)絡構造算法
2.4 快速資源優(yōu)化網(wǎng)絡(FRON)算法
2.4.1 網(wǎng)絡結構
2.4.2 學習算法
2.4.3 算法特點
2.5 算法實現(xiàn)
2.6 仿真及實驗研究
2.6.1 Mackey-Glass非線性混沌序列預測
2.6.2 某電廠單元機組負荷系統(tǒng)建模
2.6.3 礦井主通風機健康狀態(tài)評估
2.6.4 某電廠過熱器噴水模型建模
2.7 本章小結
參考文獻
神經(jīng)網(wǎng)絡結構優(yōu)化方法及應用
目錄
第3章 基于粗糙集理論的RBF網(wǎng)絡剪枝算法
3.1 引言
3.2 神經(jīng)網(wǎng)絡結構優(yōu)化方法
3.3 粗糙集的基本理論
3.3.1 粗糙集的基本概念
3.3.2 粗糙集理論的特點
3.3.3 粗糙集理論的應用
3.4 基于粗糙集的剪枝算法
3.4.1 算法原理
3.4.2 算法特點
3.5 算法實現(xiàn)
3.6 仿真及實驗研究
3.6.1 二維函數(shù)逼近
3.6.2 兩概念學習
3.6.3 某電廠過熱器噴水模型建模
3.6.4 設備狀態(tài)識別
3.7 本章小結
參考文獻
第4章 基于多Agent系統(tǒng)設計原理的神經(jīng)網(wǎng)絡結構設計算法
4.1 引言
4.2 Agent的基本原理
4.2.1 Agent的定義
4.2.2 Agent研究工作的進展
4.3 基于多Agent系統(tǒng)設計原理的任務分配策略
4.3.1 Agent分配的定義
4.3.2 Agent任務分配的決策
4.4 基于多Agent系統(tǒng)設計原理的網(wǎng)絡結構設計算法
4.4.1 網(wǎng)絡結構
4.4.2 建模Agent系統(tǒng)
4.4.3 決策Agent系統(tǒng)
4.5 基于長短記憶的RBF網(wǎng)絡算法
4.5.1 網(wǎng)絡結構
4.5.2 學習算法
4.5.3 算法特點
4.6 MANN系統(tǒng)的工作步驟
4.7 仿真及實驗研究
4.7.1 嘉興發(fā)電廠主汽溫系統(tǒng)建模
4.7.2 嘉興發(fā)電廠協(xié)調控制系統(tǒng)建模
4.7.3 設備狀態(tài)預測
4.8 本章小結
參考文獻
第5章 基于神經(jīng)網(wǎng)絡模型的預測控制方法
5.1 引言
5.2 預測控制
5.2.1 概述
5.2.2 模型預測控制的基礎理論
5.2.3 基于神經(jīng)網(wǎng)絡的非線性系統(tǒng)預測控制
5.3 基于FRON的預測控制方法
5.3.1 預測控制結構
5.3.2 目標值優(yōu)化算法
5.3.3 神經(jīng)網(wǎng)絡模型
5.3.4 方法的特點
5.4 在鍋爐汽溫預測控制中的仿真研究
5.5 本章小結
參考文獻
第6章 基于神經(jīng)網(wǎng)絡的多信息融合故障診斷方法
6.1 引言
6.2 改進加權證據(jù)理論
6.2.1 D-S證據(jù)理論基礎
6.2.2 D-S證據(jù)理論缺陷
6.2.3 基于先驗知識的改進加權證據(jù)理論
6.2.4 算例分析
6.3 基于神經(jīng)網(wǎng)絡及加權證據(jù)理論的多信息融合故障診斷方法
6.3.1 故障診斷系統(tǒng)結構框架
6.3.2 特征參數(shù)提取
6.3.3 故障診斷
6.4 異步電動機故障診斷實驗研究
6.5 本章小結
參考文獻
后記