| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-9页 |
| 第1章 绪论 | 第9-20页 |
| 1．1 引言 | 第9-10页 |
| 1．2 模糊控制的发展历史 | 第10-12页 |
| 1．3 神经网络的发展历史 | 第12-13页 |
| 1．4 模糊神经网络的发展概述 | 第13-17页 |
| 1．5 聚类算法概述 | 第17-18页 |
| 1．6 本课题的主要研究内容 | 第18-20页 |
| 第2章 T-S模糊神经网络 | 第20-41页 |
| 2．1 模糊控制的基本概念 | 第20-27页 |
| 2．1．1 模糊集及其表达方式—隶属度函数 | 第20页 |
| 2．1．2 模糊逻辑运算 | 第20-22页 |
| 2．1．3 If．．．then规则 | 第22-23页 |
| 2．1．4 模糊推理 | 第23-24页 |
| 2．1．5 模糊控制概述 | 第24-26页 |
| 2．1．6 模糊系统的T-S模型： | 第26-27页 |
| 2．2 多层前向神经网络 | 第27-32页 |
| 2．2．1 人工神经元模型 | 第28页 |
| 2．2．2 多层前向神经网络模型 | 第28-32页 |
| 2．3 模糊神经网络 | 第32-40页 |
| 2．3．1 基于标准型的模糊神经网络 | 第35-37页 |
| 2．3．2 基于T-S模型的模糊神经网络 | 第37-40页 |
| 2．4 本章小结 | 第40-41页 |
| 第3章 基于改进聚类算法的T-S模糊神经网络 | 第41-66页 |
| 3．1 模糊聚类算法 | 第41-53页 |
| 3．1．1 K均值聚类 | 第43-45页 |
| 3．1．1．1 算法步骤 | 第43-44页 |
| 3．1．1．2 仿真实例 | 第44-45页 |
| 3．1．2 模糊C均值聚类 | 第45-46页 |
| 3．1．3 改进的模糊C均值算法 | 第46-52页 |
| 3．1．3．1 算法分析 | 第46-48页 |
| 3．1．3．2 改进方案 | 第48-50页 |
| 3．1．3．3 仿真实例 | 第50-52页 |
| 3．1．4 最近邻聚类决策规则 | 第52-53页 |
| 3．2 在模糊神经网络中引入聚类算法的原因 | 第53-54页 |
| 3．3 一种模糊最近邻学习算法 | 第54-56页 |
| 3．4 基于一种改进聚类学习算法的T-S模糊神经网络 | 第56-65页 |
| 3．4．1 原算法缺陷 | 第56-57页 |
| 3．4．2 改进方案 | 第57-59页 |
| 3．4．3 基于聚类算法的T-S模糊神经模型的实现 | 第59-63页 |
| 3．4．4 仿真实例 | 第63-65页 |
| 3．5 本章小结 | 第65-66页 |
| 第四章 基于T-S模糊神经网络的稳定性分析 | 第66-75页 |
| 4．1 基于离散T-S模糊模型的稳定性分析 | 第66-71页 |
| 4．2 基于连续T-S模糊模型的稳定性分析 | 第71-74页 |
| 4．3 小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间发表的论文 | 第78-79页 |
| 参考文献 | 第79-83页 |