基于模糊聚类算法的自适应模糊神经网络研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题背景 | 第12-13页 |
| ·研究目的及意义 | 第12-13页 |
| ·主要研究内容 | 第13页 |
| ·国内外文献综述及相关领域的研究进展及成果 | 第13-17页 |
| ·模糊神经网络简述 | 第13-15页 |
| ·聚类算法简述 | 第15-16页 |
| ·相关领域的研究进展、主要成果及发展趋势 | 第16-17页 |
| 第2章 模糊神经网络概述 | 第17-29页 |
| ·模糊控制的基本概念 | 第17-20页 |
| ·模糊集合的基本理论 | 第17-18页 |
| ·模糊推理 | 第18页 |
| ·T-S 模糊推理模型 | 第18-19页 |
| ·模糊控制系统组成 | 第19-20页 |
| ·神经网络原理 | 第20-23页 |
| ·人工神经元模型 | 第20-21页 |
| ·人工神经网络 | 第21-22页 |
| ·多层前馈型神经网络及其算法描述 | 第22-23页 |
| ·模糊系统与神经网络的智能特性分析 | 第23-25页 |
| ·模糊系统与神经网络的相似性 | 第23-24页 |
| ·模糊系统与神经网络的相异性 | 第24-25页 |
| ·模糊神经网络 | 第25-28页 |
| ·模糊系统与神经网络的结合形式 | 第25-26页 |
| ·T-S 模糊神经网络模型 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 模糊神经网络的结构优化 | 第29-39页 |
| ·模糊神经网络结构优化的必要性 | 第29-30页 |
| ·结构优化算法简介 | 第30-32页 |
| ·穷举法 | 第30页 |
| ·增长法 | 第30-31页 |
| ·剪枝法 | 第31-32页 |
| ·进化算法 | 第32页 |
| ·其它算法 | 第32页 |
| ·灵敏度剪枝算法 | 第32-38页 |
| ·算法原理 | 第33-35页 |
| ·算法步骤 | 第35页 |
| ·仿真实例 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 模糊聚类算法 | 第39-50页 |
| ·聚类算法分类 | 第39-40页 |
| ·顺序聚类算法 | 第39页 |
| ·层次聚类算法 | 第39-40页 |
| ·基于目标函数最优的聚类算法 | 第40页 |
| ·其它的聚类算法 | 第40页 |
| ·模糊C 均值聚类算法 | 第40-43页 |
| ·硬C 均值聚类算法 | 第40-41页 |
| ·模糊C 均值聚类算法 | 第41-43页 |
| ·改进的模糊C 均值聚类算法 | 第43-48页 |
| ·聚类数目优选 | 第43-45页 |
| ·初始聚类中心的选择 | 第45-46页 |
| ·改进算法的步骤 | 第46-47页 |
| ·仿真实例 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第5章 基于聚类算法的自适应模糊神经网络的实现 | 第50-60页 |
| ·模糊神经网络中引入聚类算法的原因 | 第50-51页 |
| ·基于改进模糊聚类算法的自适应模糊神经网络的实现 | 第51-56页 |
| ·由聚类中心构造一阶T-S 模糊模型 | 第51-52页 |
| ·基于聚类算法的T-S 模糊神经网络建模 | 第52-53页 |
| ·模糊神经网络参数和结构的自适应调整 | 第53-56页 |
| ·算法实现 | 第56页 |
| ·仿真实例 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68页 |
