神经网络自适应控制【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

神经网络自适应控制PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

目录1

第一章 自组织特征映射神经网络与控制1

1.1 引言1

1.2 自组织神经网络的基本原理3

1.2.1 特征空间的划分3

1.2.2 WTA竞争学习机制3

1.2.3 SOFM模型及其学习算法5

1.3 SOFM算法的稳态性质5

1.3.1 输入空间逼近与广义Lloyd算法5

1.3.2 学习向量量化（LVQ）［23］11

1.3.3 SOFM稳态性质定量描述［21］13

1.4 SOFM算法的规范化数学模型20

1.4.1 改进的自组织神经元网络模型20

1.4.2 自组织算法的ODE分析21

1.4.3 神经元权重集惟一解的存在性［3］24

1.4.4 神经元权重稳态解的形式30

1.4.5 拓扑保持自组织模型的分析35

1.5 SOFM算法与系统辨识36

1.5.1 自组织最小二乘辨识36

1.5.2 算法仿真与分析40

1.6 SOFM在机器人手眼协调控制中的应用42

1.6.1 机器人手眼系统描述42

1.6.2 基于自组织网络的手眼协调控制50

1.6.3 仿真结果56

参考文献58

第二章 非拓扑保持自组织算法61

2.1 神经气体模型61

2.2 群落生长型自组织模型62

2.3 自组织聚类实验64

2.4 GGM模型用于混沌系统辨识71

2.4.1 混沌系统的相空间重构71

2.4.2 相空间划分与混沌系统辨识72

2.4.3 仿真结果与分析74

2.5 NO自组织神经网络原理与应用77

2.5.1 引言77

2.5.2 内源性NO扩散机制79

2.5.3 规则空间NO扩散模型82

2.5.4 NO自组织神经网络［51］91

2.5.5 GasNets网络模型及应用102

参考文献112

3.1.1 引言118

3.1 基于高斯函数网络（GPFN）的智能控制118

第三章 神经网络智能控制系统118

3.1.2 GPFN网络与系统辨识119

3.1.3 基于GPFN网络的智能PID控制器设计125

3.1.4 仿真实验结果131

3.1.5 小结131

3.2 神经网络非线性智能控制系统132

3.2.1 基于自适应神经网络的智能控制133

3.2.2 单层自适应Adaline网络的智能控制器设计142

3.2.3 基于多层自适应网络的非线性自校正控制145

3.3 基于动态递归网络的非线性智能控制150

3.3.1 改进型动态递归网络与控制算法150

参考文献160

4.1 模糊神经网络自组织控制162

4.1.1 自组织模糊控制器162

第四章 模糊神经网络与自适应控制162

4.1.2 模糊神经网络自组织控制系统166

4.1.3 仿真实验结果及应用分析182

4.2 神经网络模糊逻辑推理智能控制184

4.2.1 模糊逻辑控制185

4.2.2 模糊高斯基函数网络推理控制189

4.2.3 神经网络动态系统辨识196

4.2.4 系统仿真结果与倒立摆控制199

参考文献203

第五章 神经网络在两足步行机器人控制中的应用204

5.1 概述204

5.2 两足步行机器人建模208

5.2.1 引言208

5.2.2 解耦模型210

5.2.3 ZMP计算216

5.3 两足步行机器人稳定性分析与运动控制217

5.3.1 序言217

5.3.2 基本概念219

5.3.3 两足动态步行的姿态稳定性分析及姿态控制器构造221

5.3.4 步态稳定性分析及步态控制226

5.3.5 两足步行机器人动态步行的实时时位控制方案237

5.4 神经网络学习步态控制器239

5.4.1 CMAC模型及其特点239

5.4.2 神经网络学习步态控制242

5.4.3 计算机仿真研究与结果分析247

5.5 利用CMAC神经网络的两足机器人稳定自适应控制［6］258

5.5.1 序言258

5.5.2 CMAC神经网络与自组织学习结构259

5.5.3 虚拟模型控制与虚拟动态空间262

5.5.4 自适应CMAC神经网络控制265

5.5.5 仿真分析267

参考文献270

第六章 增强学习与神经动态规划271

6.1 引言271

6.2 增强学习理论的形成和发展274

6.2.1 增强学习的学科基础274

6.2.2 增强学习理论的早期发展276

6.2.3 增强学习理论的成熟277

6.3 神经元的非联想与联想增强学习算法278

6.3.1 神经元的非联想增强学习算法（Non-associative RL）278

6.3.2 联想增强学习算法284

6.4 时域差值学习理论与算法289

6.4.1 Markov链与多步学习预测问题291

6.4.2 时域差值TD（Temporal Difference）学习算法296

6.5 基于动态规划的增强学习方法301

6.5.1 MDP与动态规划301

6.5.2 基于动态规划的增强学习方法303

6.6 神经动态规划312

6.6.1 基于线性值函数逼近的时域差值学习算法312

6.6.2 基于CMAC的增强学习算法315

6.6.3 非线性函数逼近与残差增强学习算法318

6.6.4 基于执行器-评判器结构的神经动态规划方法320

6.7 增强学习与神经动态规划的应用322

6.7.1 增强学习在机器人控制中的应用322

6.7.2 增强学习在非线性系统学习控制中的应用334

6.7.3 增强学习在优化和调度中的应用342

6.8 小结344

参考文献345