目錄
第1章 MATLAB R2020a基礎\t1
1.1 MATLAB的功能\t1
1.1.1 MATLAB的基本功能\t1
1.1.2 MATLAB的重要功能\t2
1.2 MATLAB的特點\t2
1.3 MATLAB的發展史\t4
1.4 MATLAB R2020a的新功能\t5
1.5 MATLAB的啟動\t6
1.6 MATLAB的語言基礎\t6
1.6.1 常量和變量\t7
1.6.2 運算符\t8
1.7 MATLAB的工具箱\t9
1.7.1 符號計算工具箱\t9
1.7.2 統計工具箱\t9
1.7.3 最優化工具箱\t9
1.8 MATLAB的幫助繫統\t10
1.8.1 命令行幫助\t10
1.8.2 幫助導航/瀏覽器\t11
1.8.3 DEMO幫助繫統\t11
1.8.4 網絡資源幫助\t13
第2章 神經網絡概述\t14
2.1 神經網絡的相關概念\t14
2.1.1 生\t14
2.1.2 生的信息處理機制\t15
2.1.3 人的模型\t17
2.2 神經網絡的發展史\t18
2.3 神經網絡的研究方向\t19
2.4 神經網絡的基本特征和主要功能\t20
2.5 神經網絡的特點和優越性\t21
2.6 神經網絡的學習方法\t21
2.7 神經網絡的應用\t22
2.8 神經網絡的工具箱\t22
2.8.1 神經網絡工具箱函數\t22
2.8.2 神經網絡的對像與屬性\t26
第3章 感知器及其應用\t33
3.1 感知器典型案例分析\t33
3.2 單層感知器\t39
3.2.1 單層感知器的結構\t39
3.2.2 單層感知器的功能\t40
3.2.3 感知器的學習\t42
3.2.4 感知器的訓練\t42
3.2.5 使用單層感知器解決邏輯運算\t43
3.3 多層感知器\t44
3.3.1 多層感知器的模型\t44
3.3.2 多層感知器的設計\t45
3.4 感知器的局限性\t46
3.5 感知器網絡的工具箱函數\t46
3.5.1 創建函數\t46
3.5.2 訓練函數\t47
3.5.3 網絡仿真\t50
3.5.4 傳遞函數\t50
3.5.5 初始化函數\t51
3.5.6 自適應函數\t52
3.5.7 性能函數\t53
3.5.8 學習函數\t55
3.5.9 顯示函數\t56
3.6 感知器的應用\t58
第4章 線性神經網絡及其應用\t 68
4.1 線性神經網絡典型案例分析\t68
4.2 線性神經網絡概述\t71
4.2.1 線的結構\t72
4.2.2 初始化線性神經網絡\t74
4.2.3 網絡的學習規則\t74
4.2.4 學習率的選擇\t76
4.2.5 自適應線性濾波\t77
4.2.6 網絡的訓練\t78
4.3 線性神經網絡工具箱函數\t79
4.3.1 創建函數\t79
4.3.2 學習函數\t83
4.3.3 傳遞函數\t86
4.3.4 初始化函數\t86
4.3.5 性能函數\t87
4.4 網絡的局限性\t87
4.4.1 相關向量\t88
4.4.2 學習率過大\t89
4.5 線性神經網絡的應用\t91
第5章 BP神經網絡及其應用\t100
5.1 BP神經網絡典型案例分析\t100
5.2 BP神經網絡概述\t102
5.2.1 BP神經網絡的結構\t103
5.2.2 模型\t103
5.3 BP神經網絡算法\t105
5.3.1 梯度下降法\t105
5.3.2 最速下降BP算法\t106
5.3.3 動量BP算法\t108
5.3.4 VLBP算法\t112
5.3.5 擬牛頓算法\t114
5.3.6 RPROP算法\t114
5.3.7 LM算法\t115
5.3.8 CGBP算法\t116
5.4 BP神經網絡的設計\t117
5.5 BP神經網絡的局限性\t120
5.6 BP神經網絡工具箱函數\t120
5.6.1 創建函數\t120
5.6.2 傳遞函數\t124
5.6.3 學習函數\t126
5.6.4 訓練函數\t127
5.6.5 性能函數\t131
5.6.6 顯示函數\t132
5.7 BP神經網絡的應用\t134
第6章 RBF神經網絡及其應用\t155
6.1 RBF神經網絡典型案例分析\t155
6.2 RBF神經網絡概述\t157
6.2.1 徑向基函數\t158
6.2.2 正則化RBF神經網絡\t160
6.2.3 廣義RBF神經網絡\t161
6.3 RBF神經網絡的學習算法\t162
6.3.1 隨機選取中心法\t163
6.3.2 自組織選取中心法\t163
6.3.3 有監督選取中心法\t164
6.3.4 正交最小二乘法\t165
6.4 RBF神經網絡的函數\t166
6.4.1 創建函數\t167
6.4.2 徑向基傳遞函數\t169
6.4.3 轉換函數\t170
6.4.4 權函數\t171
6.4.5 輸入函數\t174
6.4.6 競爭傳遞函數\t174
6.5 RBF神經網絡的優點和缺點\t175
6.5.1 RBF神經網絡的優點\t175
6.5.2 RBF神經網絡的缺點\t176
6.6 徑向基函數的應用\t176
6.7 RBF神經網絡在控制領域中的應用\t183
6.7.1 RBF神經網絡在網絡監督中的應用\t183
6.7.2 RBF自校正控制\t186
6.8 廣義回歸神經網絡\t190
6.8.1 GRNN的結構\t190
6.8.2 GRNN的實現\t191
6.9 概率神經網絡\t194
第7章 反饋神經網絡及其應用\t199
7.1 反饋神經網絡典型案例分析\t199
7.2 Hopfield神經網絡\t203
7.2.1 單層全反饋型神經網絡\t204
7.2.2 狀態軌跡\t204
7.2.3 狀態軌跡發散\t205
7.3 離散型Hopfield神經網絡\t206
7.3.1 離散型Hopfield神經網絡的結構\t206
7.3.2 離散型Hopfield神經網絡的穩定性\t207
7.3.3 離散型Hopfield神經網絡的設計\t211
7.4 連續型Hopfield神經網絡\t212
7.4.1 連續型Hopfield神經網絡的穩定性\t213
7.4.2 連續型Hopfield神經網絡的特點\t214
7.4.3 連續型Hopfield神經網絡求解TSP問題\t214
7.5 Elman神經網絡\t220
7.5.1 Elman神經網絡的結構\t220
7.5.2 Elman神經網絡的學習算法\t220
7.5.3 Elman神經網絡權值的穩定性\t221
7.5.4 對角遞歸穩定學習率的確定\t223
7.6 反饋神經網絡工具箱函數\t223
7.6.1 創建函數\t223
7.6.2 傳遞函數\t229
7.7 反饋神經網絡的應用\t230
第8章 自組織競爭神經網絡及其應用\t244
8.1 自組織競爭神經網絡案例分析\t244
8.2 競爭神經網絡\t247
8.2.1 競爭神經網絡的結構\t248
8.2.2 競爭神經網絡的學習算法\t248
8.2.3 競爭神經網絡存在的問題\t252
8.3 SOM神經網絡\t253
8.3.1 SOM神經網絡的特點\t253
8.3.2 SOM神經網絡的基本原理\t254
8.3.3 SOM神經網絡的拓撲結構\t254
8.3.4 SOM神經網絡算法\t 255
8.3.5 SOM神經網絡的訓練過程\t257
8.4 LVQ神經網絡\t258
8.4.1 LVQ神經網絡的結構\t258
8.4.2 LVQ1算法的基本步驟\t260
8.4.3 LVQ2算法的基本步驟\t261
8.5 自組織競爭神經網絡工具箱函數\t262
8.5.1 創建函數\t262
8.5.2 學習函數\t268
8.5.3 傳遞函數\t274
8.5.4 距離函數\t275
8.5.5 歸一化函數\t278
8.5.6 初始化函數\t280
8.5.7 拓撲函數\t280
8.5.8 訓練函數\t282
8.5.9 權值函數\t282
8.5.10 顯示函數\t283
8.6 自組織競爭神經網絡的應用\t284
第9章 其他神經網絡及其應用\t301
9.1 盒中腦神經網絡\t301
9.2 隨機神經網絡\t304
9.2.1 模擬退火算法的原理\t304
9.2.2 BM網絡的結構\t304
9.2.3 BM網絡的規則\t305
9.2.4 模擬退火算法的特點\t306
9.2.5 模擬退火算法的相關函數\t306
9.2.6 BM網絡的應用\t311
9.3 對偶傳播神經網絡\t316
9.3.1 CPN網絡概述\t317
9.3.2 CPN網絡的功能分析\t317
9.3.3 CPN網絡的應用\t318
9.4 小波神經網絡\t322
9.4.1 小波理論\t322
9.4.2 小波神經網絡概述\t323
9.4.3 小波神經網絡的應用\t325
9.5 模糊神經網絡\t329
9.5.1 模糊數學知識\t329
9.5.2 模糊邏輯繫統\t330
9.5.3 T-S模糊神經網絡\t332
9.5.4 T-S模糊神經網絡學習算法\t333
9.5.5 模糊神經網絡的應用\t335
9.6 混沌神經網絡\t342
9.6.1 混沌神經網絡的發展\t342
9.6.2 混沌神經網絡的模型\t343
9.6.3 混沌通信技術\t346
9.6.4 混沌神經網絡的應用\t347
第10章 神經網絡的GUI應用\t353
10.1 神經網絡工具\t353
10.2 神經網絡工具的GUI應用\t358
10.3 擬合工具的GUI應用\t360
10.4 分類/聚類工具的GUI應用\t366
10.5 模式識別工具的GUI應用\t373
10.6 時間序列工具的GUI應用\t380
第11章 神經網絡的經典應用\t387
11.1 實現圖像壓縮\t387
11.1.1 案例背景\t387
11.1.2 BP神經網絡壓縮建模\t387
11.1.3 BP神經網絡壓縮的實現\t390
11.2 預測地下水水位\t394
11.2.1 案例背景\t395
11.2.2 神經網絡的建模\t395
11.2.3 RBF神經網絡預測的實現\t396
11.3 BP_Adaboost設計公司賬務預警\t399
11.3.1 Adaboost算法\t399
11.3.2 Adaboost模型\t400
11.3.3 賬務預警繫統介紹\t400
11.3.4 建立預警模型\t400
11.3.5 利用BP_Adaboost模型實現公司賬務預警\t401
11.4 概率神經網絡在遙感圖像中的應用\t406
11.5 PID神經網絡控制\t411
11.6 自組織競爭神經網絡的應用\t418
11.6.1 在分類中的應用\t418
11.6.2 在估計中的應用\t420
參考文獻\t424