| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-8页 |
| 引言 | 第8-9页 |
| 第1章 模糊系统基础 | 第9-25页 |
| 1．1 模糊集合理论 | 第9-15页 |
| 1．1．1 模糊集 | 第9-10页 |
| 1．1．2 模糊集的表示——隶属度函数 | 第10-13页 |
| 1．1．3 模糊逻辑运算 | 第13-15页 |
| 1．2 模糊逻辑推理 | 第15-17页 |
| 1．2．1 模糊”if-then”规则 | 第15页 |
| 1．2．2 模糊推理 | 第15-17页 |
| 1．3 模糊推理系统 | 第17-21页 |
| 1．3．1 Mamdani模糊模型 | 第18-19页 |
| 1．3．2 Sugeno模糊模型 | 第19-21页 |
| 1．4 模糊系统及聚类分析的学习 | 第21-25页 |
| 1．4．1 梯度下降算法 | 第21-24页 |
| 1．4．2 模糊聚类算法 | 第24-25页 |
| 第2章 可加性模糊系统 | 第25-34页 |
| 2．1 可加性模糊系统 | 第25-27页 |
| 2．1．1 可加性模糊系统简介 | 第25-26页 |
| 2．1．2 可加性模糊系统与函数逼近 | 第26-27页 |
| 2．2 标准可加性模型 | 第27-33页 |
| 2．2．1 标准可加性模糊系统（以下简称SAM）简介 | 第27-28页 |
| 2．2．2 SAM定理 | 第28-31页 |
| 2．2．3 SAM与函数逼近 | 第31-33页 |
| 2．3 用可加性系统逼近函数的缺陷 | 第33-34页 |
| 第3章 神经网络基础 | 第34-40页 |
| 3．1 神经网络概述 | 第34-35页 |
| 3．2 神经网络的结构和类型 | 第35-39页 |
| 3．2．1 感知器 | 第36页 |
| 3．2．2 线性神经网络 | 第36-37页 |
| 3．2．3 BP网络 | 第37页 |
| 3．2．4 径向基函数网络 | 第37-38页 |
| 3．2．5 自组织竞争人工神经网络 | 第38-39页 |
| 3．2．6 回归网络 | 第39页 |
| 3．3 神经网络的学习 | 第39-40页 |
| 第4章 模糊系统和神经网络的融合 | 第40-49页 |
| 4．1 模糊系统和神经网络的等价性 | 第40页 |
| 4．2 模糊系统和神经网络融合的形态 | 第40-43页 |
| 4．3 结构等价的模糊系统和神经网络 | 第43-45页 |
| 4．4 神经网络的实现 | 第45-49页 |
| 4．4．1 隶属函数的实现 | 第46页 |
| 4．4．2 网络的学习 | 第46-49页 |
| 第5章 基于SAM系统的模糊神经网络 | 第49-61页 |
| 5．1 基于SAM系统的模糊神经元 | 第49-52页 |
| 5．2 基于SAM系统的模糊神经网络的结构 | 第52页 |
| 5．3 基于SAM系统的模糊神经网络的学习算法 | 第52-56页 |
| 5．4 仿真分析 | 第56-61页 |
| 第6章 结论 | 第61-62页 |
| 攻读学位期间公开发表的论文 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-65页 |