摘要 | 第1-5页 |
Abstract | 第5-10页 |
1 绪论 | 第10-17页 |
·引言 | 第10-11页 |
·模糊认知图概念、特点以及研究现状 | 第11-14页 |
·模糊认知图概念 | 第11-12页 |
·模糊认知图特点 | 第12-13页 |
·模糊认知图研究现状 | 第13-14页 |
·课题来源、研究思路与论文组织结构 | 第14-17页 |
·课题来源 | 第14页 |
·研究思路 | 第14-15页 |
·论文组织结构 | 第15-17页 |
2 模糊认知图背景 | 第17-32页 |
·模糊认知图知识表示 | 第17-20页 |
·模糊认知图推理机制 | 第20-21页 |
·模糊认知图稳定性分析 | 第21-25页 |
·模糊认知图在系统控制中的作用 | 第25-30页 |
·模糊认知图的应用 | 第30-32页 |
3 模糊认知图结构构建 | 第32-51页 |
·人工法 | 第32-33页 |
·基于知识发现与表示的构建法 | 第33-46页 |
·基于模糊规则构建法 | 第33-34页 |
·利用模糊聚类技术构建法 | 第34-35页 |
·基于公理模糊集的模糊聚类算法 | 第35-46页 |
·拆分融合法 | 第46-49页 |
·状态空间划分 | 第48页 |
·节点拆分 | 第48-49页 |
·本章小结 | 第49-51页 |
4 模糊认知图的人工、Hebbian和智能优化权值学习算法 | 第51-62页 |
·人工法 | 第51-52页 |
·基于数据的权值迭代学习算法 | 第52-60页 |
·微分Hebbian算法 | 第52-53页 |
·平衡微分学习法 | 第53-54页 |
·自适应随机学习法 | 第54-55页 |
·非线性Hebbian学习法 | 第55-56页 |
·Active Hebbian学习法 | 第56-58页 |
·遗传算法学习法 | 第58-59页 |
·粒子群优化学习法 | 第59-60页 |
·本章小结 | 第60-62页 |
5 最小平方技术的模糊认知图 | 第62-83页 |
·问题背景 | 第62-63页 |
·规范化数据 | 第63-64页 |
·模糊认知图转换函数改进 | 第64-66页 |
·基于最小平方技术的模糊认知图学习法:LS-FCM | 第66-71页 |
·LS-FCM学习法与非线性Hebbian学习法比较 | 第71-76页 |
·LS-FCM分类器 | 第76-80页 |
·LS-FCM分类器产生背景 | 第76-77页 |
·LS-FCM分类器构建方法 | 第77-78页 |
·LS-FCM分类器实验研究 | 第78-80页 |
·本章小结 | 第80-83页 |
6 Takagi-Sugeno模糊认知图 | 第83-94页 |
·问题背景 | 第83页 |
·Takagi-Sugeno模型 | 第83-85页 |
·基于预测误差的状态空间划分 | 第85-90页 |
·基于Takagi-Sugcno模型的LS-FCM融合 | 第90-93页 |
·本章小结 | 第93-94页 |
7 模糊认知图在倒车系统中的应用 | 第94-114页 |
·问题背景 | 第94页 |
·倒车系统简介 | 第94-96页 |
·倒车系统状态空间划分及其LS-FCM的建构 | 第96-101页 |
·倒车系统的模糊认知图结构 | 第96-98页 |
·状态空间划分和LS-FCM的建构 | 第98-101页 |
·倒车系统的Takagi-Sugeno模糊认知图:TS-LS-FCM | 第101-105页 |
·TS-LS-FCM对倒车系统动态行为的建模 | 第105-106页 |
·TS-LS-FCM在倒车系统中的控制 | 第106-112页 |
·基于TS-LS-FCM的动态系统的控制模型 | 第106-108页 |
·基于TS-LS-FCM的倒车系统控制算法 | 第108-111页 |
·实验研究 | 第111-112页 |
·本章小结 | 第112-114页 |
8 LS-FCM整体学习法及其在倒车系统中的应用 | 第114-131页 |
·LS-FCM整体学习法 | 第114-118页 |
·系统状态空间的递归划分法 | 第118-120页 |
·实验研究 | 第120-122页 |
·预测误差分析 | 第122-128页 |
·FCM权值学习算法比较分析 | 第128-130页 |
·本章小结 | 第130-131页 |
结论 | 第131-133页 |
创新点摘要 | 第133-134页 |
参考文献 | 第134-144页 |
攻读博士学位期间发表的学术论文情况 | 第144-145页 |
致谢 | 第145-146页 |
作者简介 | 第146-147页 |