| 绪论 | 第1-11页 |
| 第一章 神经模糊建模 | 第11-31页 |
| §1．1 神经网络基本理论 | 第11-18页 |
| §1．1．1 人工神经元模型 | 第11页 |
| §1．1．2 人工神经网络 | 第11-13页 |
| §1．1．3 前馈神经网络 | 第13-15页 |
| §1．1．4 反馈神经网络 | 第15-16页 |
| §1．1．5 自组织神经网络 | 第16页 |
| §1．1．6 神经网络的两大类学习方法 | 第16-17页 |
| §1．1．7 误差反向传播BP算法 | 第17-18页 |
| §1．2 模糊推理系统的基本理论 | 第18-25页 |
| §1．2．1 模糊集合（fuzzy set） | 第18-21页 |
| §1．2．1．1 模糊集合的重要概念 | 第18-19页 |
| §1．2．1．2 模糊隶属函数（Membership Function） | 第19页 |
| §1．2．1．3 模糊逻辑操作（Logical Operations） | 第19-21页 |
| §1．2．2 模糊规则与模糊推理（Fuzzy Rule and Fuzzy Inference） | 第21-23页 |
| §1．2．2．1 扩张原理与分解定理 | 第21页 |
| §1．2．2．2 模糊关系 | 第21页 |
| §1．2．2．3 模糊if-then规则 | 第21-22页 |
| §1．2．2．4 模糊推理 | 第22-23页 |
| §1．2．3 模糊推理系统（Fuzzy Inference System） | 第23-25页 |
| §1．2．3．1 Mamdani模糊模型 | 第24-25页 |
| §1．2．3．2 Sugeno模糊模型 | 第25页 |
| §1．2．3．3 Tsukamoto模糊模型 | 第25页 |
| §1．3 神经模糊建模 | 第25-30页 |
| §1．3．1 模糊建模的一般步骤 | 第25-26页 |
| §1．3．2 结构辨识 | 第26-27页 |
| §1．3．3 自适应神经模糊建模（ANFIS） | 第27-30页 |
| §1．3．3．1 模糊控制在应用过程中存在的问题 | 第27页 |
| §1．3．3．2 ANFIS的结构 | 第27-29页 |
| §1．3．3．3 混合学习算法 | 第29-30页 |
| 小结 | 第30-31页 |
| 第二章 粗集的基本理论 | 第31-46页 |
| §2．1 知识与知识库 | 第31-32页 |
| §2．2 不精确范畴，近似与粗糙集 | 第32-36页 |
| §2．2．1 粗集与近似集 | 第32-33页 |
| §2．2．2 近似集的性质 | 第33-34页 |
| §2．2．3 近似和成员关系 | 第34页 |
| §2．2．4 非精确性的特征 | 第34-35页 |
| §2．2．5 分类的近似 | 第35页 |
| §2．2．6 集合的粗等价 | 第35-36页 |
| §2．3 知识的约简与依赖性 | 第36-38页 |
| §2．3．1 知识的简化（Reduct）和核（Core） | 第36页 |
| §2．3．2 知识的相对简化和相对核 | 第36-37页 |
| §2．3．3 知识的依赖性 | 第37-38页 |
| §2．4 知识表达系统与决策表 | 第38-43页 |
| §2．4．1 知识表达系统 | 第38-39页 |
| §2．4．2 决策表 | 第39-43页 |
| §2．4．2．1 决策表的形式化定义 | 第39页 |
| §2．4．2．2 决策表中属性的重要性 | 第39页 |
| §2．4．2．3 决策表的简化 | 第39-41页 |
| §2．4．2．4 决策规则的产生 | 第41页 |
| §2．4．2．5 决策表的相容性 | 第41-42页 |
| §2．4．2．6 决策表决策规则属性值的简化 | 第42-43页 |
| §2．5 粗模糊集合与模糊粗集 | 第43-46页 |
| §2．5．1 粗模糊集合 | 第43-44页 |
| §2．5．2 模糊粗集 | 第44-45页 |
| 小结 | 第45-46页 |
| 第三章 基于粗集与聚类的神经模糊建模 | 第46-81页 |
| §3．1 基于减法聚类的自适应神经模糊建模 | 第47-52页 |
| §3．1．1 减法聚类 | 第47-48页 |
| §3．1．2 由聚类中心构造一阶Sugeno模糊模型 | 第48-49页 |
| §3．1．3 基于减法聚类的自适应神经模糊建模 | 第49-50页 |
| §3．1．4 仿真试验 | 第50-52页 |
| §3．2 基于粗集的自适应神经模糊建模 | 第52-80页 |
| §3．2．1 基于粗集的模糊规则提取 | 第52-55页 |
| §3．2．1．1 连续属性的离散化方法 | 第52-54页 |
| §3．2．1．2 从决策表中提取模糊规则 | 第54-55页 |
| §3．2．2 基于粗集的自适应神经模糊模型（RSANFIS）的网络结构 | 第55-58页 |
| §3．2．3 基于粗集的自适应神经模糊模型的混合学习算法 | 第58-61页 |
| §3．2．3．1 LSE对规则后件线性参数的调节 | 第58-59页 |
| §3．2．3．2 BP算法对规则前件非线性参数的调节 | 第59-61页 |
| §3．2．3．3 BP算法中学习率η的自调节 | 第61页 |
| §3．2．4 RSANFIS的仿真举例 | 第61-80页 |
| §3．2．4．1 两输入非线性函数的建模 | 第61-70页 |
| §3．2．4．2 非线性系统辨识 | 第70-75页 |
| §3．2．4．3 汽车MPG预测 | 第75-78页 |
| §3．2．4．4 银行的企业信用等级评估 | 第78-80页 |
| 小结 | 第80-81页 |
| 第四章 RSANFIS与SCANFIS应用于电阻炉系统辨识 | 第81-86页 |
| 总结与展望 | 第86-88页 |
| 参考文献 | 第88-90页 |
| 附录 | 第90-96页 |
| 附录A： 汽车MPG数据 | 第90-92页 |
| 附录B： 对汽车MPC数据分析所得到的规则 | 第92-93页 |
| 附录C： 对银行对企业信用等级的评估数据分析 | 第93-96页 |
| 结束语 | 第96页 |
