基于MATLAB与fuzzyTECH的模糊与神经网络设计

　　第1章 要模糊入门1
　　1.1 模糊逻辑的发展1
　　1.1.1 模糊逻辑的发展历程1
　　1.1.2 模糊逻辑在日本的发展2
　　1.1.3 模糊逻辑在欧洲的发展2
　　1.1.4 模糊逻辑在美国的发展3
　　1.2 模糊逻辑的不确定类型3
　　1.2.1 不确定的数学原理3
　　1.2.2 语言不确定性模型3
　　1.3 模糊集合4
　　1.3.1 由经典集合到模糊集合4
　　1.3.2 模糊集合的基本概念6
　　1.3.3 隶属度函数9
　　1.4 模糊集合的运算11
　　1.4.1 模糊集合的基本运算11
　　1.4.2 模糊集合的基本运算规律13
　　1.4.3 模糊集合与经典集合的联系14
　　1.5 模糊关系与模糊关系的合成16
　　1.5.1 模糊关系的基本概念16
　　1.5.2 模糊关系的合成18
　　1.5.3 模糊关系的性质20
　　1.5.4 模糊变换22
　　1.6 模糊逻辑及模糊推理23
　　1.6.1 模糊逻辑技术23
　　1.6.2 语言控制策略25
　　1.6.3 模糊语言变量25
　　1.6.4 模糊命题与模糊条件语句27
　　1.6.5 判断与推理28
　　1.6.6 模糊推理28
　　1.7 模糊逻辑系统的建立34
　　1.7.1 模糊化35
　　1.7.2 建立if-then规则库36
　　1.7.3 模糊推理38
　　1.7.4 解模糊化39
　　1.8 计算模糊系统40
　　1.8.1 计算隶属度41
　　1.8.2 隶属度函数的快速计算方法42
　　1.8.3 模糊规则推理42
　　1.8.4 将输出结果清晰化43
　　习题45
　　第2章 模糊应用——模糊控制系统设计47
　　2.1 锅炉汽包水位控制系统设计48
　　2.1.1 应用背景48
　　2.1.2 锅炉汽包水位动态特性48
　　2.1.3 模糊控制系统结构48
　　2.1.4 模糊控制器的设计49
　　2.1.5 模糊控制系统仿真57
　　2.2 模糊PID控制直流电动机伺服系统设计59
　　2.2.1 应用背景59
　　2.2.2 系统控制原理60
　　2.2.3 控制算法设计62
　　2.2.4 系统硬件设计原理69
　　2.2.5 系统软件设计原理76
　　2.2.6 系统调试及结果分析88
　　2.2.7 系统的其他控制算法93
　　习题106
　　第3章 神经网络及聚类设计112
　　3.1 什么是神经网络112
　　3.1.1 神经网络的发展历程112
　　3.1.2 生物神经系统的结构及冲动的传递过程114
　　3.1.3 人工神经网络的定义116
　　3.2 人工神经网络模型117
　　3.2.1 人工神经元的基本模型117
　　3.2.2 人工神经网络基本构架119
　　3.2.3 人工神经网络的工作过程121
　　3.2.4 人工神经网络的特点121
　　3.3 前馈神经网络122
　　3.3.1 感知器网络124
　　3.3.2 BP网络126
　　3.3.3 BP网络的建立及执行128
　　3.3.4 BP网络应用于模式分类130
　　3.3.5 BP网络的其他学习算法的应用136
　　3.4 反馈神经网络143
　　3.4.1 离散Hopfield（DHNN）网络的结构144
　　3.4.2 离散Hopfield网络的工作方式144
　　3.4.3 Hopfield网络的稳定性和吸引子145
　　3.4.4 Hopfield网络的连接权设计146
　　3.4.5 Hopfield网络应用于模式分类147
　　3.5 径向基函数154
　　3.5.1 径向基函数的网络结构及工作方式155
　　3.5.2 径向基函数网络的特点及作用156
　　3.5.3 径向基函数网络参数选择156
　　3.5.4 RBF网络用于模式分类156
　　3.6 其他形式的神经网络163
　　3.6.1 竞争型人工神经网络——自组织竞争163
　　3.6.2 竞争型人工神经网络——自组织特征映射神经网络（SOM）167
　　3.6.3 竞争型人工神经网络——学习向量量化神经网络（LVQ）170
　　3.6.4 概率神经网络（PNN）173
　　3.6.5 CPN神经网络的设计178
　　习题187
　　第4章 基于MATLAB的模糊神经网络的应用188
　　4.1 神经网络与模糊系统的结合188
　　4.1.1 模糊神经网络的特点188
　　4.1.2 NeuroFuzzy与其他自适应技术的比较189
　　4.2 模糊神经网络用于控制系统设计189
　　4.2.1 基于模糊神经网络的控制器的结构189
　　4.2.2 神经模糊控制系统的MATLAB实现190
　　4.3 模糊神经网络用于模式识别系统设计196
　　4.3.1 应用背景196
　　4.3.2 模糊神经网络算法的原理197
　　4.3.3 基于MATLAB的模糊神经网络分类器的设计与实现200
　　习题211
　　第5章 基于fuzzyTECH的模糊设计技术212
　　5.1 fuzzyTECH界面用户化212
　　5.1.1 fuzzyTECH软件界面212
　　5.1.2 界面用户化设置213
　　5.1.3 视图方式用户化设置217
　　5.2 使用模糊设计向导设计“empty”模糊系统219
　　5.3 应用fuzzyTECH配置模糊系统223
　　5.3.1 模糊系统常见的结构和对象223
　　5.3.2 编辑对象224
　　5.3.3 定义文本对象225
　　5.3.4 定义语言变量225
　　5.3.5 定义隶属度函数230
　　5.3.6 定义规则块234
　　5.3.7 模糊规则公式236
　　5.4 使用优化选项优化模糊系统245
　　5.5 连接fuzzyTECH到其他应用249
　　5.6 基于fuzzyTECH的起重机模糊控制系统分析250
　　5.6.1 起重机模糊控制系统的用户工具250
　　5.6.2 起重机的控制策略252
　　5.6.3 fuzzyTECH中的起重机模糊控制系统252
　　5.6.4 在fuzzyTECH中启动起重机模糊控制系统255
　　5.6.5 fuzzyTECH中的响应分析255
　　5.6.6 模糊控制系统中的语言变量修改260
　　5.6.7 模糊逻辑规则的修改263
　　5.6.8 利用交互式调试模式进行系统测试266
　　5.7 fuzzyTECH的在线调试功能268
　　5.7.1 蒸汽锅炉鼓轮仿真系统的操作269
　　5.7.2 蒸汽锅炉鼓轮仿真系统模糊逻辑控制策略273
　　5.7.3 fuzzyTECH在线开发275
　　5.8 fuzzyTECH文件记录与校正控制系统280
　　5.8.1 工程信息280
　　5.8.2 文档生成器280
　　5.8.3 修正控制系统281
　　习题283
　　第6章 基于fuzzyTECH的NeuroFuzzy设计技术284
　　6.1 从采用数据文件产生模糊异或系统285
　　6.1.1 使用模糊设计向导产生一个模糊异或系统285
　　6.1.2 模糊系统的神经模糊网络训练——对异或系统进行训练288
　　6.2 使用FuzzyCluster聚类294
　　6.2.1 聚类概念294
　　6.2.2 训练CLUSTER1.CSV文件295
　　6.2.3 删除冗余数据299
　　6.2.4 处理冲突数据300
　　6.2.5 显示样本文件302
　　6.2.6 模糊聚类303
　　6.3 fuzzyTECH中NeuroFuzzy训练的计算305
　　6.3.1 模糊逻辑作为神经元305
　　6.3.2 模糊与神经网络的知识表达306
　　6.4 fuzzyTECH中NeuroFuzzy学习模糊规则306
　　6.4.1 FAM规则306
　　6.4.2 训练数据307
　　6.4.3 完成NeuroFuzzy网络307
　　6.5 fuzzyTECH中NeuroFuzzy学习模糊化和解模糊化308
　　6.5.1 隶属度函数的训练308
　　6.5.2 学习方法309
　　6.6 fuzzyTECH中NeuroFuzzy的数据聚类310
　　6.6.1 消除数据冲突310
　　6.6.2 聚类算法310
　　6.6.3 一致性分析311
　　习题312
　　第7章 fuzzyTECH的应用313
　　7.1 数据采集313
　　7.1.1 系统分析313
　　7.1.2 记录样本数据315
　　7.2 数据聚类——C均值聚类317
　　7.2.1 C均值聚类的算法317
　　7.2.2 C均值聚类的MATLAB实现318
　　7.2.3 待聚类样本的分类结果322
　　7.2.4 结论323
　　7.3 数据聚类——改进C均值聚类325
　　7.3.1 C均值改进算法的思想326
　　7.3.2 基于取样思想的改进C均值算法327
　　7.3.3 运行结果330
　　7.3.4 结论333
　　7.4 数据聚类——模糊聚类333
　　7.4.1 模糊聚类应用背景333
　　7.4.2 基于MATLAB的GUI工具的模糊算法构建——数据模糊化333
　　7.4.3 基于MATLAB的GUI工具的模糊算法构建——FIS实现337
　　7.4.4 系统结果分析340
　　7.5 数据聚类——模糊C均值聚类342
　　7.5.1 模糊C均值聚类应用背景342
　　7.5.2 模糊C均值算法342
　　7.5.3 模糊C均值聚类的MATLAB实现343
　　7.5.4 模糊C均值聚类结果分析346
　　7.6 数据聚类——ISODATA算法概述聚类348
　　7.6.1 ISODATA算法应用背景348
　　7.6.2 用MATLAB实现ISODATA算法348
　　7.6.3 聚类结果353
　　7.6.4 ISODATA算法总结353
　　7.7 系统建立353
　　7.7.1 建立系统354
　　7.7.2 学习前系统的规则观察及先验规则的添加356
　　7.8 模糊神经网络配置及学习过程仿真357
　　7.8.1 输出变量的设置358
　　7.8.2 神经网络训练配置359
　　7.8.3 模糊神经网络训练360
　　7.8.4 系统的学习过程仿真362
　　7.8.5 学习后系统的变化363
　　7.8.6 系统的优化364
　　7.9 系统的性能调试、仿真及代码生成365
　　7.9.1 系统的性能调试365
　　7.9.2 系统的仿真分析367
　　7.9.3 系统的代码生成371
　　7.10 系统的工作过程分析372
　　7.10.1 确定系统所属语言值372
　　7.10.2 确定所用的模糊规则及系统的输出372
　　7.11 系统模糊神经模块的结构及算法分析374
　　7.11.1 模糊模块及模糊神经网络模块374
　　7.11.2 模糊神经网络模块376
　　7.11.3 模糊神经算法378
　　习题380

　　    《基于MATLAB与fuzzyTECH的模糊与神经网络设计》以fuzzyTECH和MATLAB软件平台对模糊与神经网络技术进行了综合讲解并介绍了它们的应用，以使读者更全面地了解模糊与神经网络领域的最新研究成果。
　　    《基于MATLAB与fuzzyTECH的模糊与神经网络设计》选材精炼，论述简明，介绍和分析了大量的应用实例，便于读者了解各种技术的应用对象、应用方法和应用效果。《基于MATLAB与fuzzyTECH的模糊与神经网络设计》适合从事智能控制系统研发的高级工程技术人员阅读，也可作为高等学校相关专业本科生和研究生的教学用书。
　　    模糊与神经网络是两种常用的智能信息处理技术，它们都能模拟人的智能行为，解决不确定、非线性、复杂的控制与分类问题，具有非常广阔的应用前景。