第1章要 模糊入門

  1.1  模糊邏輯的發展

    1.1.1  模糊邏輯的發展歷程

    1.1.2  模糊邏輯在日本的發展

    1.1.3  模糊邏輯在歐洲的發展

    1.1.4  模糊邏輯在美國的發展

  1.2  模糊邏輯的不確定類型

    1.2.1  不確定的數學原理

    1.2.2  語言不確定性模型

  1.3  模糊集合

    1.3.1  由經典集合到模糊集合

    1.3.2  模糊集合的基本概念

    1.3.3  隸屬度函數

  1.4  模糊集合的運算

    1.4.1  模糊集合的基本運算

    1.4.2  模糊集合的基本運算規律

    1.4.3  模糊集合與經典集合的聯繫

  1.5  模糊關繫與模糊關繫的合成

    1.5.1  模糊關繫的基本概念

    1.5.2  模糊關繫的合成

    1.5.3  模糊關繫的性質

    1.5.4  模糊變換

  1.6  模糊邏輯及模糊推理

    1.6.1  模糊邏輯技術

    1.6.2  語言控制策略

    1.6.3  模糊語言變量

    1.6.4  模糊命題與模糊條件語句

    1.6.5  判斷與推理

    1.6.6  模糊推理

  1.7  模糊邏輯繫統的建立

    1.7.1  模糊化

    1.7.2  建立if-then規則庫

    1.7.3  模糊推理

    1.7.4  解模糊化

  1.8  計算模糊繫統

    1.8.1  計算隸屬度

    1.8.2  隸屬度函數的快速計算方法

    1.8.3  模糊規則推理

    1.8.4  將輸出結果清晰化

  習題

第2章  模糊應用——模糊控制繫統設計

  2.1  鍋爐汽包水位控制繫統設計

    2.1.1  應用背景

    2.1.2  鍋爐汽包水位動態特性

    2.1.3  模糊控制繫統結構

    2.1.4  模糊控制器的設計

    2.1.5  模糊控制繫統仿真

  2.2  模糊PID控制直流電動機伺服繫統設計

    2.2.1  應用背景

    2.2.2  繫統控制原理

    2.2.3  控制算法設計

    2.2.4  繫統硬件設計原理

    2.2.5  繫統軟件設計原理

    2.2.6  繫統調試及結果分析

    2.2.7  繫統的其他控制算法

  習題

第3章  神經網絡及聚類設計

  3.1  什麼是神經網絡

    3.1.1  神經網絡的發展歷程

    3.1.2  生物神經繫統的結構及衝動的傳遞過程

    3.1.3  人工神經網絡的定義

  3.2  人工神經網絡模型

    3.2.1  人的基本模型

    3.2.2  人工神經網絡基本構架

    3.2.3  人工神經網絡的工作過程

    3.2.4  人工神經網絡的特點

  3.3  前饋神經網絡

    3.3.1  感知器網絡

    3.3.2  BP網絡

    3.3.3  BP網絡的建立及執行

    3.3.4  BP網絡應用於模式分類

    3.3.5  BP網絡的其他學習算法的應用

  3.4  反饋神經網絡

    3.4.1  離散Hopfield（DHNN）網絡的結構

    3.4.2  離散Hopfield網絡的工作方式

    3.4.3  Hopfield網絡的穩定性和吸引子

    3.4.4  Hopfield網絡的連接權設計

    3.4.5  Hopfield網絡應用於模式分類

  3.5  徑向基函數

    3.5.1  徑向基函數的網絡結構及工作方式

    3.5.2  徑向基函數網絡的特點及作用

    3.5.3  徑向基函數網絡參數選擇

    3.5.4  RBF網絡用於模式分類

  3.6  其他形式的神經網絡

    3.6.1  競爭型人工神經網絡——自組織競爭

    3.6.2  競爭型人工神經網絡——自組織特征映射神經網絡（SOM）

    3.6.3  競爭型人工神經網絡——學習向量量化神經網絡（LVQ）

    3.6.4  概率神經網絡（PNN）

    3.6.5  CPN神經網絡的設計

  習題

第4章  基於MATLAB的模糊神經網絡的應用

  4.1  神經網絡與模糊繫統的結合

    4.1.1  模糊神經網絡的特點

    4.1.2  NeuroFuzzy與其他自適應技術的比較

  4.2  模糊神經網絡用於控制繫統設計

    4.2.1  基於模糊神經網絡的控制器的結構

    4.2.2  神經模糊控制繫統的MATLAB實現

  4.3  模糊神經網絡用於模式識別繫統設計

    4.3.1  應用背景

    4.3.2  模糊神經網絡算法的原理

    4.3.3  基於MATLAB的模糊神經網絡分類器的設計與實現

  習題

第5章  基於fuzzyTECH的模糊設計技術

  5.1  fuzzyTECH界面用戶化

    5.1.1  fuzzyTECH軟件界面

    5.1.2  界面用戶化設置

    5.1.3  視圖方式用戶化設置

  5.2  使用模糊設計向導設計“empty”模糊繫統

  5.3  應用fuzzyTECH配置模糊繫統

    5.3.1  模糊繫統常見的結構和對像

    5.3.2  編輯對像

    5.3.3  定義文本對像

    5.3.4  定義語言變量

    5.3.5  定義隸屬度函數

    5.3.6  定義規則塊

    5.3.7  模糊規則公式

  5.4  使用優化選項優化模糊繫統

  5.5  連接fuzzyTECH到其他應用

  5.6  基於fuzzyTECH的起重機模糊控制繫統分析

    5.6.1  起重機模糊控制繫統的用戶工具

    5.6.2  起重機的控制策略

    5.6.3  fuzzyTECH中的起重機模糊控制繫統

    5.6.4  在fuzzyTECH中啟動起重機模糊控制繫統

    5.6.5  fuzzyTECH中的響應分析

    5.6.6  模糊控制繫統中的語言變量修改

    5.6.7  模糊邏輯規則的修改

    5.6.8  利用交互式調試模式進行繫統測試

  5.7  fuzzyTECH的在線調試功能

    5.7.1  蒸汽鍋爐鼓輪仿真繫統的操作

    5.7.2  蒸汽鍋爐鼓輪仿真繫統模糊邏輯控制策略

    5.7.3  fuzzyTECH在線開發

  5.8  fuzzyTECH文件記錄與校正控制繫統

    5.8.1  工程信息

    5.8.2  文檔生成器

    5.8.3  修正控制繫統

  習題

第6章  基於fuzzyTECH的NeuroFuzzy設計技術

  6.1  從采用數據文件產生模糊異或繫統

    6.1.1  使用模糊設計向導產生一個模糊異或繫統

    6.1.2  模糊繫統的神經模糊網絡訓練——對異或繫統進行訓練

  6.2  使用FuzzyCluster聚類

    6.2.1  聚類概念

    6.2.2  訓練CLUSTER1.CSV文件

    6.2.3  刪除冗餘數據

    6.2.4  處理衝突數據

    6.2.5  顯示樣本文件

    6.2.6  模糊聚類

  6.3  fuzzyTECH中NeuroFuzzy訓練的計算

    6.3.1  模糊邏輯作

    6.3.2  模糊與神經網絡的知識表達

  6.4  fuzzyTECH中NeuroFuzzy學習模糊規則

    6.4.1  FAM規則

    6.4.2  訓練數據

    6.4.3  完成NeuroFuzzy網絡

  6.5  fuzzyTECH中NeuroFuzzy學習模糊化和解模糊化

    6.5.1  隸屬度函數的訓練

    6.5.2  學習方法

  6.6  fuzzyTECH中NeuroFuzzy的數據聚類

    6.6.1  消除數據衝突

    6.6.2  聚類算法

    6.6.3  一致性分析

  習題

第7章  fuzzyTECH的應用

  7.1  數據采集

    7.1.1  繫統分析

    7.1.2  記錄樣本數據

  7.2  數據聚類——C均值聚類

    7.2.1  C均值聚類的算法

    7.2.2  C均值聚類的MATLAB實現

    7.2.3  待聚類樣本的分類結果

    7.2.4  結論

  7.3  數據聚類——改進C均值聚類

    7.3.1  C均值改進算法的思想

    7.3.2  基於取樣思想的改進C均值算法

    7.3.3  運行結果

    7.3.4  結論

  7.4  數據聚類——模糊聚類

    7.4.1  模糊聚類應用背景

    7.4.2  基於MATLAB的GUI工具的模糊算法構建——數據模糊化

    7.4.3  基於MATLAB的GUI工具的模糊算法構建——FIS實現

    7.4.4  繫統結果分析

  7.5  數據聚類——模糊C均值聚類

    7.5.1  模糊C均值聚類應用背景

    7.5.2  模糊C均值算法

    7.5.3  模糊C均值聚類的MATLAB實現

    7.5.4  模糊C均值聚類結果分析

  7.6  數據聚類——ISODATA算法概述聚類

    7.6.1  ISODATA算法應用背景

    7.6.2  用MATLAB實現ISODATA算法

    7.6.3  聚類結果

    7.6.4  ISODATA算法總結

  7.7  繫統建立

    7.7.1  建立繫統

    7.7.2  學習前繫統的規則觀察及先驗規則的添加

  7.8  模糊神經網絡配置及學習過程仿真

    7.8.1  輸出變量的設置

    7.8.2  神經網絡訓練配置

    7.8.3  模糊神經網絡訓練

    7.8.4  繫統的學習過程仿真

    7.8.5  學習後繫統的變化

    7.8.6  繫統的優化

  7.9  繫統的性能調試、仿真及代碼生成

    7.9.1  繫統的性能調試

    7.9.2  繫統的仿真分析

    7.9.3  繫統的代碼生成

  7.10  繫統的工作過程分析

    7.10.1  確定繫統所屬語言值

    7.10.2  確定所用的模糊規則及繫統的輸出

  7.11  繫統模糊神經模塊的結構及算法分析

    7.11.1  模糊模塊及模糊神經網絡模塊

    7.11.2  模糊神經網絡模塊

    7.11.3  模糊神經算法

  習題