فهرست مطالب:
1 ) مقدمه 16 – 1
2 ) قواعد یادگیری پایه 16 – 1
3 ) شبکه های سنتی 17 – 1
1 ) شبکه عصبی هاپفیلد 17 – 3 – 1
2 ) شبکه بولتزمن 20 – 3 – 1
21 ( MLP ) 3 ) شبکه پرسپترون چند لایه – 3 – 1
4 ) شبکه عصبی کوهنن 23 – 3 – 1
25 LVQ1 ( 1 - 4 – 3 – 1
26 LVQ2 ( 2 – 4 – 3 – 1
26 LVQ3 ( 3 - 4 – 3 – 1
27 (ART) 5 ) شبکه عصبی مبتنی بر نظریه تشدید وفقی – 3 – 1
28 ART1 ( 1 – 5 – 3 – 1
29 RBF 6 ) شبکه عصبی – 3 – 1
7 ) شبکه های عصبی بازگشتی 30 – 3 – 1
1 ) شبکه های عصبی مرتبه اول 31 – 7 – 3 – 1
2 ) شبکه های عصبی مرتبه دوم 31 – 7 – 3 – 1
4 ) مشکل تداخل یا فراموشی در شبکه های عصبی و راههای مقابله با آن 34 – 3 – 1
5 ) شبکه های عصبی با ساختار جدیدتر 35 – 1
35 ( NTN ) 1 ) شبکه عصبی درختی – 5 – 1
2 ) شبکه خود انجمنی اصلاح شده 36 – 5 – 1
37 Modular 3 ) شبکه های عصبی – 5 – 1
38 Recirculation 4 ) شبکه های عصبی – 5 – 1
طراحی ، شبیه سازی و بررسی عملکرد ساختارهای نوین شبکه های عصبی در پیش بینی مدل سیستمها
7
39 Fuzzy ARTMAP 5 ) شبکه عصبی – 5 – 1
43 (RHONN) 6 ) شبکه عصبی بازگشتی مرتبه بالا – 5 – 1
1 ) مدلهای شبکه های عصبی مرتبه بالا 43 – 6 – 5 – 1
6 ) نتیجه گیری 46 – 1
فصل دوم : روشهای کلاسیک شناسایی سیستم
1 ) اصول شناسایی سیستم 48 – 2
1 ) ساختارهای مدل غیر خطی برپایه شبکه های عصبی 53 – 1 – 2
2 ) تعیین ضابطه 54 – 1 – 2
3 ) مروری بر روش حداقل مربعات 55 – 1 – 2
4 ) فیلتر وینر 58 – 1 – 2
5 ) فیلترهای خطی تغییر ناپذیر با زمان 58 – 1 – 2
59 ( FIR ) 6 ) فیلتر وینر با پاسخ ضربه محدود – 1 – 2
2 ) انواع روش های شناسایی سیستمها 61 – 2
1 ) روش تخمین حداقل مربعات 62 – 2 – 2
2 ) روش حداقل مربعات بازگشتی 64 – 2 – 2
3 ) روش حداقل مربعات توسعه یافته 65 – 2 – 2
3 ) ساختارهای مدل کردن سیستم 66 – 2
67 ARX 1 ) مدل – 3 – 2
68 ARMAX 2 ) مدل – 3 – 2
3 ) خطا در انواع مدل ها 69 – 3 – 2
69 ARARX 1 )مدل – 3 – 3 – 2
70 ARMAX 2 ) مدل – 3 – 3 – 2
70 ARMA 3 ) مدل – 3 – 3 – 2
70 (OE) 4 ) ساختار خطای خروجی – 3 – 3 – 2
طراحی ، شبیه سازی و بررسی عملکرد ساختارهای نوین شبکه های عصبی در پیش بینی مدل سیستمها
8
71 ( BJ ) 5 ) ساختار باکس جنیکس – 3 – 3 – 2
4 ) اعتبار تخمین 71 – 2
1 ) آزمون تابع خود همبستگی 72 – 4 – 2
3 ) آزمون تغییر علامت 76 – 4 – 2
فصل سوم : شناساسیی سیستم توسط شبک ههای عصبی
1 ) استفاده از شبکه عصبی بازگشتی قطری برای شناسایی سیستم 78 – 3
1 ) روش آموزش پس انتشار خطای پویا 80 – 1 – 3
2 ) همگرایی و پایداری 82 – 1 – 3
2 ) شناسایی سیستم های خطی گسسته توسط شبکه های عصبی بازگشتی 86 – 3
3 ) شناسایی سیستمهای غیرخطی پویا توسط شبک ه عصبی بازگشتی و مبتنی بر فیلتر کالمن 91 – 3
92 (GRNN) 1 ) شبکه عصبی رگرسیون تعمیم یافته – 3 – 3
2 ) شناسایی بر پایه اندازه گیری تمام حالات 93 – 3 – 3
3 ) ساختارهای روئیت گر مستقیم و بازگشتی 95 – 3 – 3
97 EKF توسط روشهای GRNN 4 ) آموزش – 3 – 3
100 RHONN 5 ) خصوصیت تقریب – 3 – 3
1 ) روش یادگیری 100 – 5 – 3 – 3
برپایه فیلتر خطا 106 RHONN ( 2 – 5 – 3 – 3
4 ) استفاده از شبکه عصبی فازی برپایه الگوریتم ژنتیک برای مدلسازی و کنترل سیستمهای پویا 107 – 3
1 ) مروری بر الگوریتم ژنتیک 109 – 4 – 3
111 (N F) 2 ) وضعیت مدل عصبی – فازی – 4 – 3
3 ) روش پیشنهادی آموزش چندگانه 115 – 4 – 3
1 ) مرحله اول یادگیری 115 - 3 – 4 – 3
2 ) مرحله دوم یادگیری 116 - 3 – 4 – 3
3 ) مرحله سوم یادگیری 118 - 3 – 4 – 3
5 ) چندی سازی برداری فازی 118 – 3
طراحی ، شبیه سازی و بررسی عملکرد ساختارهای نوین شبکه های عصبی در پیش بینی مدل سیستمها
9
1 ) آموزش فازی چندی سازی برداری ( روش آموزش ) 120 – 5 – 3
2 )آموزش فازی چندی سازی ( ساختار شبکه ) 121 – 5 – 3
6 ) مدلسازی با استفاده از شبکه های عصبی فازی 122 – 3
7 ) پیش بینی مدل و کنترل سیستمهای غیر خطی توسط شبکه عصبی عمومی خودسازمانده 128 – 3
1 ) مدل سازی شبکه عصبی توسط روش یادگیری خود ساز مانده عمومی 128 – 7 – 3
8 ) کنترل مدل پیش بین برپایۀ مدل یادگیری عمومی خودسازمانده 131 – 3
فصل چهارم : شبیه سازی
1 ) شبیه سازی شبکه بازگشتی قطری برای شناسایی سیستم 138 – 4
2 ) شبیه سازی شبکه عصبی – فازی برای شناسایی سیستم 141 – 4
برای شناسایی سیستم 146 Fuzzy ARTMAP 3 ) شبیه سازی شبکه عصبی – 4
برای شناسایی سیستم 154 ARTMAP 4 ) شبیه سازی شبکه عصبی – 4
برای شناسایی سیستم 155 RBF 5 ) شبیه سازی شبکه عصبی – 4
1 ) مقایسه بین شبی هسازی های انجام شده 161 – 5
2 ) نتیجه گیری 161 – 5
3 ) پیشنهادات 163 – 5
ضمیمه 164
منابع فارسی 176
منابع غیر فارسی 177
