具体描述
本书由神经网络原理和神经网络控制两部分组成。第一部分
介绍常用神经网络构成的原理及学习算法。第二部分介绍神经网
络在自动控制领域中的应用，内容涉及神经网络系统辨识、神经
网络控制器设计及神经网络的故障诊断与容错控制等方面。
本书可作为自动控制、计算机、通信等有关专业大学本科学
生及研究生的教学参考书，也可供相关领域的工程技术人员和研
究人员参考。
作者简介
目录信息
《电气自动化新技术丛书》序言
前言
第1章 概论
1.1生物神经元及生物神经网络
1.1.1生物神经元
1.1.2人脑神经网络系统
1.1.3人脑神经网络信息处理的特点
1.2生物神经网络的模型化――人工神经网络
1.2.1人工神经元模型
1.2.2人工神经网络的构成
1.2.3人工神经网络的学习
1.2.4人工神经网络与生物神经网络的比较
1.3人工神经网络的发展与现状
1.4人工神经网络与自动控制
第2章 常用神经网络原理及学习算法
2.1神经网络的学习方法
2.1.1学习方法的类型
2.1.2无监督Hebb学习
2.2多层前向神经网络（1）
2.2.1多层前向神经网络的基本学习算法
2.2.2多层前向神经网络的误差反向传播（EBP）算法
2.2.3EBP算法学习速率的调整
2.2.4多层前向神经网络的二阶学习算法
2.3多层前向神经网络（2）
2.3.1综合目标函数
2.3.2多层前向神经网络基于综合目标函数的误差反向
传播（GEBP）学习算法
2.3.3基于综合目标函数的二阶学习算法
2.3.4多层前向神经网络基于综合目标函数的二阶学习算法
2.4径向基函数神经网络
2.4.1插值问题
2.4.2正规化问题
2.4.3正规化问题的逼近解及GRBF网络
2.4.4RBF网络的学习方法
2.4.5计算举例――异或（XOR）问题
2.5Hopfie1d神经网络
2.5.1离散型Hopfield神经网络
2.5.2连续型Hopfield神经网络
2.5.3Hopfield网络在组合优化中的应用
2.6随机神经网络
2.6.1SA算法
2.6.2Boltzmann机模型及其工作规则
2.6.3Boltzmann机的学习规则
2.7自组织竞争型神经网络
2.7.1基本竞争型神经网络及其学习规则
2.7.2抑制竞争型神经网络及其学习规则
2.7.3自适应共振理论神经网络
2.8自组织特征映射神经网络
2.8.1SOFM网络模型结构及学习工作规则
2.8.2SOFM算法的性质
2.9对向传播神经网络
2.9.1CP网络的结构及学习工作规则
2.9.2CP网络的改进
参考文献
第3章 基于神经网络的系统辨识
3.1引言
3.1.1系统辨识的定义
3.1.2系统辨识的常用方法
3.2多层前向网络的逼近能力
3.3神经网络用于系统辨识的一般结构
3.3.1多层前向网络的一般结构
3.3.2多层动态前向网络的学习算法
3.3.3对象的非线性模型
3.4用神经网络组成的动态系统表示非线性系统的可能性
3.5基于BP网络的系统辨识
3.5.1BP网络的结构设计及辨识算法
3.5.2辨识算法的收敛性
3.5.3应用实例
3.5.4基于RLS（递推最小二乘）训练算法的多层
前向网络辨识
3.6采用预报误差（RPE）法的神经网络辨识
3.6.1神经网络建模的结构
3.6.2神经网络的RPE算法
3.6.3应用实例
3.7基于神经网络的逆模型辨识
3.7.1非线性系统的可逆性
3.7.2逆系统建模方法
3.7.3开关作用函数的多层感知器网络在逆模型
辨识中的应用
3.8基于Hopfield网络的辨识
3.8.1Hopfield网络模型
3.8.2辨识算法
3.8.3应用实例
3.9ART－2网络在控制系统特征参数辨识中的应用
3.10小结
参考文献
第4章 神经网络控制器设计
4.1引言
4.2神经网络监督学习控制器（SNC）
4.2.1神经网络监督学习控制器工作原理
4.2.2应用实例
4.3神经网络模型参考自适应控制（NNMRAC）
4.3.1神经网络MRAC的一般结构
4.3.2间接神经网络MRAC
4.3.3直接神经网络MRAC
4.4神经网络自校正控制
4.4.1线性化反馈控制
4.4.2使用神经网络时的自校正控制
4.4.3仿真实例
4.4.4基于Adaline网的自适应控制
4.5神经前向网络直接自适应控制
4.5.1多层前向网络的直接自适应控制
4.5.2自动调整S型函数形状的直接自适应控制
4.5.3神经网络控制与常规自适应控制的比较
4.6基于单个神经元的自适应控制
4.6.1自适应神经元及其学习策略
4.6.2控制器设计
4.6.3学习算法的改进
4.6.4神经元控制系统的闭环稳定性
4.6.5应用实例
4.6.6多变量系统的神经元控制
4.7神经网络PID控制
4.7.1基于多层前向网的PID控制
4.7.2基于单个神经元的直接PID控制
4.7.3基于多层网的近似PID控制
4.8神经网络预测控制
4.8.1神经网络预测控制的一般结构
4.8.2神经网络预测器的几种方案
4.8.3Hopfield网络在预测控制中的应用
4.9神经网络模糊控制
4.9.1模糊控制的基本思想及控制系统的组成
4.9.2神经网络与模糊控制系统
4.9.3基于神经网络的模糊控制
4.9.4倒立摆的神经网络模糊控制
4.10基于回归神经网络的控制
4.10.1对角回归神经网络
4.10.2基于对角回归神经网络的控制系统
4.10.3仿真结果
4.11小结
参考文献
第5章 神经网络在故障诊断及容错控制中的应用
5.1引言
5.2控制系统故障诊断的常用方法
5.2.1残差产生方法――检测观测器法
5.2.2残差产生方法――广义一致矢量法
5.2.3残差产生方法――基于参数估计的方法
5.2.4决策方法
5.3控制系统容错控制器的设计方法
5.3.1控制器重构设计
5.3.2同时镇定的控制器设计
5.3.3完整性控制器设计
5.4基于联想记忆神经网络的故障诊断
5.4.1双向联想记忆网及故障诊断
5.4.2递归联想记忆网及故障诊断
5.5基于BP网络的故障诊断
5.5.1BP网络的结构设计及学习模式的选择
5.5.2某化工过程的BP网络的故障诊断
5.6基于Hopfield网络和ART－1网络的故障诊断
5.6.1故障检测与隔离（FDI）算法流程
5.6.2基于Hopfield网络的参数估计
5.6.3过渡区识别器的设计
5.6.4基于ART－1网络的故障分类
5.6.5位置控制系统的故障检测与隔离
5.7基于自适应神经元的故障诊断与容错控制
5.7.1基于自适应神经元的故障诊断
5.7.2容错控制器设计
5.8基于神经网络的诊断与控制的一体化方法
5.8.1四参数控制器
5.8.2执行器故障诊断
5.8.3传感器故障诊断
5.9基于神经网络的容错解耦控制
5.9.1基于神经网络的解耦控制方案
5.9.2基于神经网络的容错控制策略
5.10小结
参考文献
· · · · · · (收起)
读后感
用户评价
读完《神经元网络控制》这本书，我最大的感受是，它在概念的阐述上，既有深度又不失易懂。作者显然花了很多心思去构建一个循序渐进的学习路径，从最基本的神经元模型开始，逐步深入到复杂的网络结构和学习算法。我尤其欣赏书中对一些核心概念的类比解释，比如将神经元比作信息处理的单元，将网络连接比作信息传递的通路，这种形象的比喻让我这个初学者能够快速抓住要点，避免了被枯燥的数学公式吓倒。虽然我对神经网络在控制领域的了解还比较初步，但通过这本书，我仿佛看到了一个由无数微小“智慧”组成的庞大系统，它们通过相互协作和学习，能够实现令人惊叹的控制精度和适应性。我特别期待书中能够详细讲解反向传播算法、梯度下降等关键的学习机制，以及如何通过调整权重和偏置来优化网络的性能。同时，书中也应该会探讨如何处理训练数据，以及如何评估和验证控制系统的性能，这些都是实践中不可或缺的环节。总之，这本书为我打开了一扇了解智能控制的新窗口，让我对未来自动化和智能化技术的发展充满了信心。
在《神经元网络控制》这本书中，我最期待的部分是关于不同神经网络架构在具体控制任务中的应用。我想了解，像多层感知机（MLP）这样的经典模型，在处理线性可分性不强的控制问题时，是如何发挥作用的？而像长短期记忆网络（LSTM）和门控循环单元（GRU）这类在处理时序数据方面表现出色的模型，又能在动态控制系统中承担什么样的角色？书中是否会深入分析这些网络结构的设计原理，以及它们在解决诸如非线性系统辨识、自适应控制、鲁棒控制等复杂问题时所展现出的优势？我还会关注书中是否会讨论到强化学习在神经元网络控制中的应用，特别是如何通过奖励机制来训练智能体，使其在与环境的交互中不断优化控制策略。毕竟，许多实际的控制问题往往缺乏精确的数学模型，而强化学习提供了一种有效的方法来处理这类问题。对于我来说，这本书不仅是理论知识的灌输，更是一份实践指南，希望能从中学习到如何将这些前沿理论转化为切实可行的控制解决方案。
阅读《神经元网络控制》这本书，我希望能够获得对这个领域最前沿的研究动态和未来发展趋势的洞察。除了基础理论和模型，我更关心书中是否会探讨一些更具挑战性的课题，比如如何保证神经网络控制系统的安全性和可解释性，尤其是在一些关键基础设施或高风险应用场景下。是否会涉及一些关于神经网络的稳定性分析和性能评估的新方法？例如，如何量化神经网络控制器的性能，如何证明其稳定性，以及如何设计出更加可靠和可预测的控制系统？我也期待书中能够展示一些最新的研究成果和案例，例如在自动驾驶、智能电网、工业物联网等领域，神经网络控制是如何实现的，以及它所带来的实际效益。对于一个追求技术深度和前沿性的读者来说，这本书的价值在于它能否提供一个关于“未来已来”的清晰图景，让我能够更好地把握行业发展方向，并为我未来的研究或工作提供有益的启发和方向。
《神经元网络控制》这本书的内容，在我看来，是对现代控制理论与人工智能前沿技术的一次深度融合。我期望书中能够提供一个相对完整的视角，不仅涵盖神经网络的基本原理和模型，更重要的是，它将如何与传统的控制理论相结合，形成一套全新的控制范式。例如，如何利用神经网络的非线性映射能力来近似复杂的系统模型，或者如何用神经网络来设计具有高度自适应性和鲁棒性的控制器。我希望能看到书中对各种训练技巧的详细介绍，比如数据预处理、特征工程、正则化方法，以及如何避免过拟合和欠拟合等问题。同时，对于实际工程应用，书中是否会涉及相关的软件工具和编程框架，例如TensorFlow、PyTorch等，以及如何在这些框架下实现和部署神经网络控制器。我坚信，这本书的出现，能够极大地拓宽我的视野，让我看到人工智能如何在解决传统控制难题时，带来革命性的突破，为未来的智能化系统设计提供坚实的基础。
这本《神经元网络控制》的封面设计就充满了科技感，深邃的蓝色背景，交织着抽象的神经元节点和连接，仿佛打开了一扇通往智能世界的大门。我一直对人工智能和机器学习领域非常着迷，尤其是神经网络在控制系统中的应用，它能够模拟生物神经系统的学习和决策能力，这在我看来简直是突破性的。书名就点明了主题，让我立刻联想到那些复杂的算法和精密的工程设计。我迫切地希望深入了解，神经网络究竟是如何被设计和训练来控制各种复杂系统的，比如机器人、无人机，甚至是更宏大的工业自动化流程。我设想这本书会详细介绍各种神经网络模型，比如深度学习中的卷积神经网络（CNN）和循环神经网络（RNN），它们如何被应用于信号处理、模式识别，最终转化为精确的控制指令。而且，我也期待书中能够涉及一些实际的应用案例，展示这些理论如何在现实世界中发挥作用，解决实际的工程难题。这本书的出现，无疑为我学习和探索这个前沿领域提供了一份宝贵的指引，让我对接下来的学习充满了期待和兴奋，相信它能够帮助我构建起一个扎实的理论基础，并激发更多创新的灵感。
