① 神经网络控制的书籍目录
第1章神经网络和自动控制的基础知识
1.1人工神经网络的发展史
1.1.120世纪40年代——神经元模型的诞生
1.1.220世纪50年代——从单神经元到单层网络，形成第一次热潮
1.1.320世纪60年代——学习多样化和AN2的急剧冷落
1.1.420世纪70年代——在低迷中顽强地发展
1.1.520世纪80年代——AN2研究热潮再度兴起
1.1.620世纪90年代——再现热潮，产生许多边缘交叉学科
1.1.7进入21世纪——实现机器智能的道路漫长而又艰难
1.2生物神经元和人工神经元
1.2.1生物神经元
1.2.2人工神经元
1.3生物神经网络和人工神经网络
1.3.1生物神经网络
1.3.2人工神经网络
1.4自动控制的发展史
1.4.1从传统控制理论到智能控制
1.4.2智能控制的产生与基本特征
1.4.3智能控制系统
1.5模糊集与模糊控制概述
1.5.1模糊集
1.5.2模糊隶属函数
1.5.3模糊控制
1.6从生物神经控制到人工神经控制
1.6.1生物神经控制的智能特征
1.6.2人工神经控制的模拟范围
1.7小结
习题与思考题
第2章神经计算基础
2.1线性空间与范数
2.1.1矢量空间
2.1.2范数
2.1.3赋范线性空间
2.1.4L1范数和L2范数
2.2迭代算法
2.2.1迭代算法的终止准则
2.2.2梯度下降法
2.2.3最优步长选择
2.3逼近论
2.3.1Banach空间和逼近的定义
2.3.2L2逼近和最优一致逼近
2.3.3离散点集上的最小二乘逼近
2.4神经网络在线迭代学习算法
2.5Z变换
2.5.1Z变换的定义和求取
2.5.2Z变换的性质
2.5.3Z反变换
2.6李雅普诺夫意义下的稳定性
2.6.1非线性时变系统的稳定性问题
2.6.2李雅普诺夫意义下的渐进稳定
2.6.3李雅普诺夫第二法
2.6.4非线性系统的稳定性分析
2.7小结
习题与思考题
第3章神经网络模型
3.1人工神经网络建模
3.1.1MP模型
3.1.2Hebb学习法则
3.2感知器
3.2.1单层感知器
3.2.2多层感知器
3.3BP网络与BP算法
3.3.1BP网络的基本结构
3.3.2BP算法及步长调整
3.4自适应线性神经网络
3.5自组织竞争型神经网络
3.5.1自组织竞争型神经网络的基本结构
3.5.2自组织竞争型神经网络的学习算法
3.6小脑模型神经网络
3.6.1CMAC的基本结构
3.6.2CMAC的工作原理
3.6.3CMAC的学习算法与训练
3.7递归型神经网络
3.7.1DTRNN的网络结构
3.7.2实时递归学习算法
3.8霍普菲尔德（Hopfield）神经网络
3.8.1离散型Hopfield神经网络
3.8.2连续型Hopfield神经网络
3.8.3求解TSP问题
3.9小结
习题与思考题
第4章神经控制中的系统辨识
4.1系统辨识基本原理
4.1.1辨识系统的基本结构
4.1.2辨识模型
4.1.3辨识系统的输入和输出
4.2系统辨识过程中神经网络的作用
4.2.1神经网络辨识原理
4.2.2多层前向网络的辨识能力
4.2.3辨识系统中的非线性模型
4.3非线性动态系统辨识
4.3.1非线性动态系统的神经网络辨识
4.3.2单输入单输出非线性动态系统的BP网络辨识
4.4多层前向网络辨识中的快速算法
4.5非线性模型的预报误差神经网络辨识
4.5.1非动态模型建模，
4.5.2递推预报误差算法
4.6非线性系统逆模型的神经网络辨识
4.6.1系统分析逆过程的存在性
4.6.2非线性系统的逆模型
4.6.3基于多层感知器的逆模型辨识
4.7线性连续动态系统辨识的参数估计
4.7.1Hopfield网络用于辨识
4.7.2Hopfield网络辨识原理
4.8利用神经网络联想功能的辨识系统
4.8.1二阶系统的性能指标
4.8.2系统辨识器基本结构
4.8.3训练与辨识操作
4.9小结
习题与思考题
第5章人工神经元控制系统
5.1人工神经元的PID调节功能
5.1.1人工神经元PID动态结构
5.1.2人工神经元闭环系统动态结构
5.2人工神经元PID调节器
5.2.1比例调节元
5.2.2积分调节元
5.2.3微分调节元
5.3人工神经元闭环调节系统
5.3.1系统描述
5.3.2Lyapunov稳定性分析
5.4人工神经元自适应控制系统
5.4.1人工神经元自适应控制系统的基本结构
5.4.2人工神经元自适应控制系统的学习算法
5.5人工神经元控制系统的稳定性
5.6小结
习题与思考题
第6章神经控制系统
6.1神经控制系统概述
6.1.1神经控制系统的基本结构
6.1.2神经网络在神经控制系统中的作用
6.2神经控制器的设计方法
6.2.1模型参考自适应方法
6.2.2自校正方法
6.2.3内模方法
6.2.4常规控制方法
6.2.5神经网络智能方法
6.2.6神经网络优化设计方法
6.3神经辨识器的设计方法
6.4PID神经控制系统
6.4.1PID神经控制系统框图
6.4.2PID神经调节器的参数整定
6.5模型参考自适应神经控制系统
6.5.1两种不同的自适应控制方式
6.5.2间接设计模型参考自适应神经控制系统
6.5.3直接设计模型参考自适应神经控制系统
6.6预测神经控制系统
6.6.1预测控制的基本特征
6.6.2神经网络预测算法
6.6.3单神经元预测器
6.6.4多层前向网络预测器
6.6.5辐射基函数网络预测器
6.6.6Hopfield网络预测器
6.7自校正神经控制系统
6.7.1自校正神经控制系统的基本结构
6.7.2神经自校正控制算法
6.7.3神经网络逼近
6.8内模神经控制系统
6.8.1线性内模控制方式
6.8.2内模控制系统
6.8.3内模神经控制器
6.8.4神经网络内部模型
6.9小脑模型神经控制系统
6.9.1CMAC控制系统的基本结构
6.9.2CMAC控制器设计
6.9.3CMAC控制系统实例
6.10小结
习题与思考题
第7章模糊神经控制系统
7.1模糊控制与神经网络的结合
7.1.1模糊控制的时间复杂性
7.1.2神经控制的空间复杂性
7.1.3模糊神经系统的产生
7.2模糊控制和神经网络的异同点
7.2.1模糊控制和神经网络的共同点
7.2.2模糊控制和神经网络的不同点
7.3模糊神经系统的典型结构
7.4模糊神经系统的结构分类
7.4.1松散结合
7.4.2互补结合
7.4.3主从结合
7.4.4串行结合
7.4.5网络学习结合
7.4.6模糊等价结合
7.5模糊等价结合中的模糊神经控制器
7.5.1偏差P和偏差变化率Δe的获取
7.5.2隶属函数的神经网络表达
7.6几种常见的模糊神经网络
7.6.1模糊联想记忆网络
7.6.2模糊认知映射网络
7.7小结
习题与思考题
第8章神经控制中的遗传进化训练
8.1生物的遗传与进化
8.1.1生物进化论的基本观点
8.1.2进化计算
8.2遗传算法概述
8.2.1遗传算法中遇到的基本术语
8.2.2遗传算法的运算特征
8.2.3遗传算法中的概率计算公式
8.3遗传算法中的模式定理
8.3.1模式定义和模式的阶
8.3.2模式定理（Schema）
8.4遗传算法中的编码操作
8.4.1遗传算法设计流程
8.4.2遗传算法中的编码规则
8.4.3一维染色体的编码方法
8.4.4二维染色体编码
8.5遗传算法中的适应度函数
8.5.1将目标函数转换成适应度函数
8.5.2标定适应度函数
8.6遗传算法与优化解
8.6.1适应度函数的确定
8.6.2线性分级策略
8.6.3算法流程
8.7遗传算法与预测控制
8.8遗传算法与神经网络
8.9神经网络的遗传进化训练
8.9.1遗传进化训练的实现方法
8.9.2BP网络的遗传进化训练
8.10小结
习题与思考题
附录常用神经控制术语汉英对照
参考文献
……
② 什么是径向基函数 神经网络 mlp
RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。
如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。
③ 用c语言编写RBF神经网络程序
RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。
如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。
附件是RBF神经网络的C++源码。
④ rbf神经网络中的训练函数是什么
RBF (Radial Basis Function)可以看作是一个高维空间中的曲面拟合(逼近)问题，学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面，然后来一批新的数据，用刚才训练的那个曲面来处理(比如分类、回归)。RBF的本质思想是反向传播学习算法应用递归技术，这种技术在统计学中被称为随机逼近。RBF里的basis function(径向基函数里的基函数)就是在神经网络的隐单元里提供了提供了一个函数集，该函数集在输入模式（向量）扩展至隐空间时，为其构建了一个任意的“基”。这个函数集中的函数就被称为径向基函数。
如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。
径向基函数解决插值问题
完全内插法要求插值函数经过每个样本点，即。样本点总共有P个。
RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为，由于距离是径向同性的，因此称为径向基函数。||X-Xp||表示差向量的模，或者叫2范数
⑤ 如何在matlab建立cmac神经网络模块
昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，网络知道里倒是有一个，可以运行的，先贴着做标本
% 生成训练样本集
clear all;
clc;
P=[110 0.807 240 0.2 15 1 18 2 1.5;
110 2.865 240 0.1 15 2 12 1 2;
110 2.59 240 0.1 12 4 24 1 1.5;
220 0.6 240 0.3 12 3 18 2 1;
220 3 240 0.3 25 3 21 1 1.5;
110 1.562 240 0.3 15 3 18 1 1.5;
110 0.547 240 0.3 15 1 9 2 1.5];
0 1.318 300 0.1 15 2 18 1 2];
T=[54248 162787 168380 314797;
28614 63958 69637 82898;
86002 402710 644415 328084;
230802 445102 362823 335913;
60257 127892 76753 73541;
34615 93532 80762 110049;
56783 172907 164548 144040];
@907 117437 120368 130179];
m=max(max(P));
n=max(max(T));
P=P'/m;
T=T'/n;
%-------------------------------------------------------------------------%
pr(1:9,1)=0; %输入矢量的取值范围矩阵
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神经网络， 12个隐层神经元，4个输出神经元
%tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数
%tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数
%trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数
%learn属性 'learngdm' 附加动量因子的梯度下降学习函数
net.trainParam.epochs=1000;%允许最大训练步数2000步
net.trainParam.goal=0.001; %训练目标最小误差0.001
net.trainParam.show=10; %每间隔100步显示一次训练结果
net.trainParam.lr=0.05; %学习速率0.05
bpnet=train(bpnet,P,T);
%-------------------------------------------------------------------------
p=[110 1.318 300 0.1 15 2 18 1 2];
p=p'/m;
r=sim(bpnet,p);
R=r'*n;
display(R);
运行的结果是出现这样的界面
点击performance，training state，以及regression分别出现下面的界面
再搜索，发现可以通过神经网络工具箱来创建神经网络，比较友好的GUI界面，在输入命令里面输入nntool，就可以开始了。
点击import之后就出现下面的具体的设置神经网络参数的对话界面，
这是输入输出数据的对话窗
首先是训练数据的输入
然后点击new，创建一个新的神经网络network1，并设置其输入输出数据，包括名称，神经网络的类型以及隐含层的层数和节点数，还有隐含层及输出层的训练函数等