神經(jīng)計(jì)算原理及其應(yīng)用技術(shù)

前言
第1章  緒論
  1.1  研究背景及意義
  1.2  神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
    1.2.1  早期階段
    1.2.2  低潮階段
    1.2.3  黃金時(shí)期
  1.3  神經(jīng)網(wǎng)絡(luò)研究?jī)?nèi)容
    1.3.1  神經(jīng)網(wǎng)絡(luò)理論研究
    1.3.2  神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)研究
    1.3.3  神經(jīng)網(wǎng)絡(luò)應(yīng)用研究
  1.4  神經(jīng)網(wǎng)絡(luò)研究歷史及意義
  1.5  神經(jīng)網(wǎng)絡(luò)的應(yīng)用前景
    1.5.1  模式識(shí)別
    1.5.2  最優(yōu)化問(wèn)題計(jì)算
    1.5.3  自動(dòng)控制
    1.5.4  信號(hào)處理
    L 5.5  圖像處理
    1.5.6  人工智能
  1.6  神經(jīng)網(wǎng)絡(luò)基本概念
    1.6.1  人工神經(jīng)元模型
    1.6.2  神經(jīng)元常用的基函數(shù)與激勵(lì)函數(shù)類型
    1.6.3  神經(jīng)元學(xué)習(xí)算法
    1.6.4  典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    1.6.5  基本BP算法的局限性
  1.7  主要研究成果
第2章  基于神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的線性系統(tǒng)求解研究
  2.1  問(wèn)題背景：電阻網(wǎng)絡(luò)
  2.2  基于梯度下降法的神經(jīng)網(wǎng)絡(luò)算法的線性方程組求解
    2.2.1  神經(jīng)網(wǎng)絡(luò)模型
    2.2.2  神經(jīng)網(wǎng)絡(luò)算法
    2.2.3  神經(jīng)網(wǎng)絡(luò)算法收斂性研究
    2.2.4  局部極小討論
    2.2.5  神經(jīng)網(wǎng)絡(luò)算法步驟
    2.2.6  應(yīng)用實(shí)例
  2.3  神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方法
    2.3.1  遞推最小二乘法（RLS）
    2.3.2  共軛梯度法
    2.3.3  數(shù)值分析實(shí)例
  2.4  小結(jié)
第3章  解非線性系統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法研究
  3.1  問(wèn)題背景——人口增長(zhǎng)問(wèn)題
    3.1.1  代數(shù)方程
    3.1.2  超越方程
    3.1.3  單根
    3.1.4  重根
  3.2  二分法
    3.2.1  二分法基本思想
    3.2.2  二分法算法的源程序（bisection.m）
    3.2.3  總結(jié)
    3.2.4  仿真實(shí)例
  3.3  迭代法
    3.3.1  迭代法的基本思路
    3.3.2  線性迭代函數(shù)的啟示
    3.3.3  壓縮映像原理
    3.3.4  定點(diǎn)迭代法源程序（fixedp.m）
    3.3.5  仿真實(shí)例
    3.3.6  迭代過(guò)程的收斂速度
  3.4  迭代過(guò)程的加速收斂方法
    3.4.1  迭代公式的加工
    3.4.2  仿真實(shí)例
    3.4.3  埃特金算法
    3.4.4  埃特金加速算法的源程序（aitke n.m）
  3.5  牛頓迭代法
    3.5.1  牛頓迭代公式的導(dǎo)出
    3.5.2  牛頓法的收斂性
    3.5.3  牛頓迭代法源程序（newtoniter.m）
    3.5.4  仿真實(shí)例
    3.5.5  牛頓下山法
  3.6  弦截法
    3.6.1  用差商替代導(dǎo)數(shù)
    3.6.2  弦截法的收斂性
    3.6.3  仿真實(shí)例
  3.7  解非線性方程的神經(jīng)網(wǎng)絡(luò)算法
    3.7.1  解非線性方程的神經(jīng)網(wǎng)絡(luò)模型
    3.7.2  解非線性方程的神經(jīng)網(wǎng)絡(luò)算法
    3.7.3  神經(jīng)網(wǎng)絡(luò)算法收斂性分析
    3.7.4  神經(jīng)網(wǎng)絡(luò)算法步驟
    3.7.5  仿真實(shí)例
    3.7.6  小結(jié)
  3.8  解非線性方程的其他算法
  3.9  解非線性方程組的神經(jīng)網(wǎng)絡(luò)算法
    3.9.1  解非線性方程組的神經(jīng)網(wǎng)絡(luò)模型
    3.9.2  解非線性方程組的神經(jīng)網(wǎng)絡(luò)算法
    3.9.3  神經(jīng)網(wǎng)絡(luò)算法收斂性分析
    3.9.4  神經(jīng)網(wǎng)絡(luò)算法步驟
    3.9.5  解非線性方程組的數(shù)值試驗(yàn)
  3.10  解非線性方程或代數(shù)方程重根的方法
    3.10.1  算法描述
    3.10.2  數(shù)值實(shí)例
第4章  基于神經(jīng)網(wǎng)絡(luò)算法的數(shù)值積分方法
  4.1  問(wèn)題背景：PID調(diào)節(jié)器
  4.2  余弦基函數(shù)神經(jīng)網(wǎng)絡(luò)模型描述
    4.2.1  余弦基函數(shù)神經(jīng)網(wǎng)絡(luò)模型
    4.2.2  神經(jīng)網(wǎng)絡(luò)算法收斂性分析
    4.2.3  基于神經(jīng)網(wǎng)絡(luò)權(quán)值的數(shù)值積分方法
    4.2.4  神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練步驟
    4.2.5  數(shù)值積分實(shí)例
    4.2.6  小結(jié)
  4.3  基于向量空間的神經(jīng)網(wǎng)絡(luò)模型描述
    4.3.1  基于向量空間的神經(jīng)網(wǎng)絡(luò)模型
    4.3.2  基于向量空間的神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟
    4.3.3  神經(jīng)計(jì)算與優(yōu)化
    4.3.4  數(shù)值積分實(shí)例
    4.3.5  小結(jié)
  4.4  基于傅里葉基函數(shù)的神經(jīng)網(wǎng)絡(luò)模型描述
    4.4.1  基于傅里葉基函數(shù)的神經(jīng)網(wǎng)絡(luò)模型
    4.4.2  神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟
    4.4.3  基于神經(jīng)網(wǎng)絡(luò)權(quán)值向量的數(shù)值積分方法
    4.4.4  數(shù)值積分算例
    4.4.5  小結(jié)
  4.5  基于遞推最小二乘法的神經(jīng)網(wǎng)絡(luò)方法
    4.5.1  神經(jīng)網(wǎng)絡(luò)模型描述
    4.5.2  算法步驟
    4.5.3  數(shù)值實(shí)例
第5章  微分方程初值問(wèn)題的神經(jīng)網(wǎng)絡(luò)算法
  5.1  神經(jīng)網(wǎng)絡(luò)算法描述
    5.1.1  神經(jīng)網(wǎng)絡(luò)模型
    5.1.2  神經(jīng)網(wǎng)絡(luò)算法
    5.1.3  神經(jīng)網(wǎng)絡(luò)算法步驟
    5.1.4  算例
  5.2  小結(jié)
第6章  FIR線性相位數(shù)字濾波器優(yōu)化設(shè)計(jì)
  6.1  FIR線性相位濾波器的幅頻特性
  6.2  神經(jīng)網(wǎng)絡(luò)算法描述
    6.2.1  神經(jīng)網(wǎng)絡(luò)算法模型
    6.2.2  神經(jīng)網(wǎng)絡(luò)算法
    6.2.3  神經(jīng)網(wǎng)絡(luò)收斂性分析
    6.2.4  神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟
    6.2.5  優(yōu)化設(shè)計(jì)實(shí)例
  6.3  基于遞推最小二乘法（RLS）的FIR濾波器優(yōu)化設(shè)計(jì)方法
    6.3.1  神經(jīng)網(wǎng)絡(luò)算法描述
    6.3.2  神經(jīng)網(wǎng)絡(luò)算法步驟
    6.3.3  優(yōu)化設(shè)計(jì)實(shí)例
  6.4  基于共軛梯度法的FIR數(shù)字濾波器優(yōu)化設(shè)計(jì)
    6.4.1  共軛梯度法描述
    6.4.2  基于共軛梯度法的FIR濾波器優(yōu)化設(shè)計(jì)
    6.4.3  算法步驟
    6.4.4  優(yōu)化設(shè)計(jì)實(shí)例
第7章  基于神經(jīng)網(wǎng)絡(luò)算法的頻譜分析方法
  7.1  國(guó)內(nèi)外頻譜分析方法
    7.1.1  離散頻譜校正方法
    7.1.2  細(xì)化選帶頻譜分析方法
    7.1.3  包絡(luò)分析方法（解調(diào)分析方法）
    7.1.4  高階譜分析方法
    7.1.5  非平穩(wěn)振動(dòng)信號(hào)的頻譜分析方法
    7.1.6  國(guó)內(nèi)外其他頻譜分析方法
  7.2  頻譜分析的神經(jīng)網(wǎng)絡(luò)模型
    7.2.1  周期信號(hào)的連續(xù)時(shí)間傅里葉級(jí)數(shù)
    7.2.2  基于傅里葉基函數(shù)的神經(jīng)網(wǎng)絡(luò)模型
    7.2.3  神經(jīng)網(wǎng)絡(luò)算法收斂性分析
    7.2.4  神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟
    7.2.5  信號(hào)的頻譜特性分析
    7.2.6  頻譜分析實(shí)例
  7.3  基于RLS的神經(jīng)網(wǎng)絡(luò)頻譜分析方法
    7.3.1  神經(jīng)網(wǎng)絡(luò)算法改進(jìn)
    7.3.2  神經(jīng)網(wǎng)絡(luò)算法步驟
    7.3.3  信號(hào)頻譜分析實(shí)例
  7.4  基于共軛梯度算法的神經(jīng)網(wǎng)絡(luò)頻譜分析方法
    7.4.1  基于共軛梯度法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
    7.4.2  算法步驟
    7.4.3  頻譜分析實(shí)例
第8章  神經(jīng)網(wǎng)絡(luò)算法在傳感器中的應(yīng)用研究
  8.1  傳感器溫度特性曲線的傅里葉基神經(jīng)網(wǎng)絡(luò)擬合方法
    8.1.1  周期信號(hào)的傅里葉級(jí)數(shù)
    8.1.2  神經(jīng)網(wǎng)絡(luò)模型算法
    8.1.3  傳感器特性曲線擬合實(shí)例
  8.2  傳感器溫度特性曲線的多項(xiàng)式基神經(jīng)網(wǎng)絡(luò)擬合方法
    8.2.1  多項(xiàng)式基函數(shù)神經(jīng)網(wǎng)絡(luò)模型
    8.2.2  神經(jīng)網(wǎng)絡(luò)算法步驟
    8.2.3  仿真實(shí)例
  8.3  多項(xiàng)式基神經(jīng)網(wǎng)絡(luò)擬合曲線的共軛梯度方法
    8.3.1  共軛梯度算法
    8.3.2  算法步驟
    8.3.3  仿真實(shí)例
  8.4  基于正交基神經(jīng)網(wǎng)絡(luò)算法的傳感器誤差補(bǔ)償方法
    8.4.1  正交基神經(jīng)網(wǎng)絡(luò)模型
    8.4.2  基于梯度下降法的神經(jīng)網(wǎng)絡(luò)算法
    8.4.3  神經(jīng)網(wǎng)絡(luò)算法收斂性分析
    8.4.4  磁傳感器誤差補(bǔ)償實(shí)例
    8.4.5  基于RLS算法的磁傳感器誤差補(bǔ)償方法
  8.5  基于正交基神經(jīng)網(wǎng)絡(luò)算法的多傳感器數(shù)據(jù)融合方法
    8.5.1  多傳感器信息融合模型
    8.5.2  神經(jīng)網(wǎng)絡(luò)算法描述
    8.5.3  仿真實(shí)例
  8.6  熱敏電阻溫度傳感器非線性補(bǔ)償原理
    8.6.1  熱敏電阻溫度傳感器
    8.6.2  非線性補(bǔ)償原理
    8.6.3  收斂性分析
    8.6.4  仿真實(shí)例
第9章  神經(jīng)網(wǎng)絡(luò)算法在PID控制器中的應(yīng)用研究
  9.1  PID控制器的參數(shù)在線整定原理
    9.1.1  經(jīng)典PID控制器
    9.1.2  基于神經(jīng)計(jì)算的PID參數(shù)實(shí)時(shí)在線整定原理
  9.2  基于神經(jīng)計(jì)算的PID控制器學(xué)習(xí)算法
    9.2.1  神經(jīng)網(wǎng)絡(luò)PlD結(jié)構(gòu)
    9.2.2  神經(jīng)網(wǎng)絡(luò)算法
    9.2.3  神經(jīng)網(wǎng)絡(luò)算法收斂性研究
    9.2.4  神經(jīng)網(wǎng)絡(luò)算法步驟
    9.2.5  仿真實(shí)例
    9.2.6  小結(jié)
  9.3  基于神經(jīng)計(jì)算的增量式PID控制器學(xué)習(xí)算法
    9.3.1  增量式數(shù)字控制律
    9.3.2  增量式PID參數(shù)在線實(shí)時(shí)整定原理
    9.3.3  基于神經(jīng)元的智能PID控制器學(xué)習(xí)算法
    9.3.4  收斂性分析
    9.3.5  算法步驟
    9.3.6  仿真實(shí)例
  9.4  基于神經(jīng)網(wǎng)絡(luò)算法的非線性PID控制器
    9.4.1  非線性PID控制策略研究現(xiàn)狀
    9.4.2  非線性PID控制器模型
    9.4.3  動(dòng)態(tài)非線性PID神經(jīng)網(wǎng)絡(luò)控制器模型算法
    9.4.4  算法步驟
    9.4.5  仿真實(shí)例
參考文獻(xiàn)