| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-26页 |
| ·引言 | 第10-11页 |
| ·模糊神经网络 | 第11-16页 |
| ·模糊逻辑系统发展概况 | 第11页 |
| ·神经网络发展概况 | 第11-12页 |
| ·模糊逻辑系统与神经网络的结合 | 第12-15页 |
| ·模糊神经网络发展概况 | 第15-16页 |
| ·模糊神经网络应用于复杂系统 | 第16-22页 |
| ·复杂系统的特征 | 第16-17页 |
| ·模糊神经网络用于复杂系统辨识 | 第17-18页 |
| ·模糊神经网络用于复杂系统的控制 | 第18-22页 |
| ·模糊神经网络理论和应用中存在的问题 | 第22-23页 |
| ·本文主要研究内容及论文的组织结构 | 第23-26页 |
| 第二章 模糊神经网络模型和学习算法 | 第26-51页 |
| ·引言 | 第26页 |
| ·模糊推理网络结构及算法 | 第26-33页 |
| ·基于Mamdani 推理的模糊神经网络 | 第26-30页 |
| ·基于Takagi-Sugeno 推理的模糊神经网络 | 第30-33页 |
| ·模糊神经网络的学习算法 | 第33-41页 |
| ·基于梯度下降的学习算法 | 第33-34页 |
| ·基于递推最小二乘的学习算法 | 第34-35页 |
| ·基于聚类法的学习算法 | 第35-41页 |
| ·模糊神经网络的泛化能力分析 | 第41-43页 |
| ·一种基于规则选择的模糊神经系统建立方法 | 第43-50页 |
| ·模糊神经系统的描述 | 第43-44页 |
| ·改进的选择聚类数目的K 均值聚类法 | 第44-47页 |
| ·后件的参数的辨识 | 第47-48页 |
| ·仿真实验 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第三章 模糊神经网络用于复杂系统辨识 | 第51-72页 |
| ·引言 | 第51-52页 |
| ·复杂系统的多ARMAX 模型建模 | 第52-57页 |
| ·一种复杂系统的模糊神经网络的辨识算法 | 第57-64页 |
| ·模糊规则数的确定 | 第58-59页 |
| ·RPROP 学习算法 | 第59-62页 |
| ·实验研究 | 第62-64页 |
| ·引入了补偿因子模糊神经网络的辨识研究 | 第64-70页 |
| ·算法结构描述 | 第65-66页 |
| ·模糊规则的确定 | 第66页 |
| ·后件参数的辨识 | 第66-67页 |
| ·实验研究 | 第67-70页 |
| ·本章小节 | 第70-72页 |
| 第四章 模糊神经网络用于广义预测控制 | 第72-86页 |
| ·引言 | 第72页 |
| ·预测控制的特点 | 第72-73页 |
| ·广义预测控制算法（GPC） | 第73-74页 |
| ·带约束的预测控制 | 第74-75页 |
| ·自适应模糊神经网络用于非线性系统的广义预测控制 | 第75-82页 |
| ·广义预测控制的基本形式 | 第75-77页 |
| ·预测模型及预测控制律 | 第77-80页 |
| ·建立模糊神经网络预测模型 | 第80-82页 |
| ·控制器参数的优化 | 第82-84页 |
| ·仿真实验 | 第84-85页 |
| ·本章小节 | 第85-86页 |
| 第五章 一类基于模糊神经混合系统的自适应控制方法 | 第86-99页 |
| ·引言 | 第86页 |
| ·基于模糊神经混合系统的自适应控制结构 | 第86-88页 |
| ·基于模糊神经混合系统的自适应控制器的设计 | 第88-93页 |
| ·利用模糊推理对神经网络控制器(NNC)的训练 | 第88-91页 |
| ·神经网络的训练方法 | 第91-92页 |
| ·算法实现步骤 | 第92-93页 |
| ·仿真实验 | 第93-98页 |
| ·仿真实验1 | 第93-94页 |
| ·仿真实验2 | 第94-98页 |
| ·本章小节 | 第98-99页 |
| 第六章 总结与展望 | 第99-102页 |
| 参考文献 | 第102-109页 |
| 致谢 | 第109-110页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第110-111页 |