基本信息

• 商品名稱：面向MATLAB工具箱的神經網絡理論與應用
• 作者：叢爽
• 代碼：38
• 出版社：中國科大
• ISBN號：9787312024313

其他參考信息

• 出版時間：2009-04-01
• 印刷時間：2009-04-01
• 版次：3
• 印次：3
• 開本：16開
• 包裝：平裝
• 頁數：323
• 字數：412千字

編輯推薦語

本書*主要的特點在於在闡述*典型的人工神經網絡理論的基礎上，通過MATLAB環境下提供的神經網絡工具箱進行例題的演示與應用，從而使得初學者能夠直觀地通過或圖形或訓練特性對神經網絡的功能及其應用有較深入和透徹的了解，同時也*加有助於問題的解決。

內容提要

本書利用目前國際上流行通用的MATLAB 7.0環境，結合神經網絡工具 箱4.0.6版本，分別從網絡構造、基本原理、學習規則以及訓練過程和應用 局限性幾個方面，通過多層次、多方面的分析與綜合，深入淺出地介紹了 人工神經網絡中的各種典型網絡，以及各種不同神經網絡之間在原理和特 性等方面的不同點與相同點。
     本書可作為計算機、電子學、信息科學、通訊以及自動控制等專業的 高年級本科生、研究生以及其他專業科技人員學習神經網絡或MATLAB環境 下神經網絡工具箱時的教材或參考書。
    

目錄

第3版前言
第2版前言
前言
**章 概述
1.1 人工神經網絡概念的提出
1.2 神經細胞以及人的組成
1.3 人工神經網絡應用領域
1.4 人工神經網絡發展的回顧
1.5 人工神經網絡的基本結構與模型
1.5.1 人的模型
1.5.2 激活轉移函數
1.5.3 單網絡模型結構
1.5.4 多層神經網絡
1.5.5 遞歸神經網絡
1.6 用MATLAB計算人工神經網絡輸出
1.7 本章小結
習題
第2章 前向神經網絡
2.1 感知器
2.1.1 感知器的網絡結構
2.1.2 感知器的圖形解釋
2.1.3 感知器的學習規則
2.1.4 網絡的訓練
2.1.5 感知器的局限性
2.1.6 “異或”問題
2.1.7 解決線性可分性限制的辦法
2.1.8 本節小結
2.2 自適件
2.2.1 自適應線模型和結構
2.2.2 W-H學習規則
2.2.3 網絡訓練
2.2.4 例題與分析
2.2.5 對比與分析
2.2.6 單步延時線及其自適應濾波器的實現
2.2.7 自適應線性網絡的應用
2.2.8 本節小結
2.3 反向傳播網絡
2.3.1 BP網絡模型與結構
2.3.2 BP學習規則
2.3.3 BP網絡的訓練及其設計過程
2.3.4 BP網絡的設計
2.3.5 限制與不足
2.3.6 反向傳播法的改進方法
2.3.7 基於數值優化方法的網絡訓練算法
2.3.8 數值實例對比
2.3.9 本節小結
習題
第3章 遞歸神經網絡
3.1 各種遞歸神經網絡
3.1.1 全局反饋型遞歸神經網絡
3.1.2 前向遞歸神經網絡
3.1.3 混合型網絡
3.1.4 本節小結
3.2 全局反饋遞歸網絡
3.2.1 霍普菲爾德網絡模型
3.2.2 狀態軌跡
3.2.3 離散型霍普菲爾德網絡
3.2.4 連續型霍普菲爾德網絡
3.2.5 本節小結
3.3 Elman網絡
3.3.1 網絡結構及其輸入輸出關繫式
3.3.2 修正網絡權值的學習算法
3.3.3 穩定性推導
3.3.4 對穩定性結論的分析
3.3.5 對角遞歸網絡穩定時學習速率的確定
3.3.6 本節小結
3.4 對角遞歸神經網絡
3.4.1 網絡結構及其輸入輸出關繫式
3.4.2 網絡的穩定性分析
3.4.3 進一步的討論
3.4.4 數值實例
3.4.5 本節小結
3.5 局部遞歸神經網絡
3.5.1 PIDNNC的設計
3.5.2 閉環控制繫統穩定性分析
3.5.3 實時在線控制策略的設計步驟
3.5.4 數值應用
3.5.5 本節小結
習題
第4章 局部連接神經網絡
4.1 徑向基函數網絡
4.1.1 徑向基函數及其網絡分析
4.1.2 網絡的訓練與設計
4.1.3 廣義徑向基函數網絡
4.1.4 數字應用對比及性能分析
4.1.5 本節小結
4.2 B樣條基函數及其網絡
4.3 CMAC神經網絡
4.3.1 CMAC網絡基本結構
4.3.2 CMAC的學習算法
4.4局 部神經網絡的性能對比分析
4.4.1 CMAC、B樣條和RBF共有的結構特點
4.4.2 CMAC、B樣條和RBF的不同之處
4.5 K型局部連接神經網絡
4.5.1 網絡結構與權值修正法
4.5.2 網絡特性分析
4.5.3 數字應用對比及性能分析
4.5.4 本節小結
習題
第5章 自組織競爭神經網絡
5.1 幾種聯想學習規則
5.1.1 內星學習規則
5.1.2 外星學習規則
5.1.3 科荷倫學習規則
5.2 自組織競爭網絡
5.2.1 網絡結構
5.2.2 競爭學習規則
5.2.3 競爭網絡的訓練過程
5.3 科荷倫自組織映射網絡
5.3.1 科荷倫網絡拓撲結構
5.3.2 網絡的訓練過程
5.4 自適應共振理論
5.4.1 ART-1網絡結構
5.4.2 ART-1的運行過程
5.4.3 ART-2神經網絡
5.5 本章小結
習題
第6章 隨機神經網絡
6.1 概述
6.1.1 隨機神經網絡的發展
6.1.2 GNN模型描述
6.1.3 RNN的學習算法
6.1.4 RNN的應用
6.1.5 其他隨機網絡
6.1.6 研究前景
6.2 用Boltzmann機求解典型NP優化問題TSP
6.2.1 Boltzmann機網絡模型及其權值修正規則
6.2.2 用Boltzmann機網絡解TSP
6.2.3 Boltzmann機與Hopfield網絡解TSP的對比
6.2.4 本節小結
6.3 隨機神經網絡算法改進及其應用
6.3.1 DRNN解TSP的參數推導和改進方法
6.3.2 DRNN網絡解TSP改進方法的實驗對比
6.3.3 本節小結
6.4 采用DRNN網絡優化求解的對比研究
6.4.1 DRNN與Hopfield網絡求解TSP的理論分析
6.4.2 DRNN與Hopfield網絡解TSP的實驗對比
6.4.3 本節小結
習題
第7章 面向工具箱的神經網絡實際應用
7.1 綜述
7.1.1 神經網絡技術的選用
7.1.2 神經網絡各種模型的應用範圍
7.1.3 網絡設計的基本原則
7.2 神經網絡在控制繫統中的應用
7.2.1 反饋線性化
7.2.2 問題的提出
7.2.3 神經網絡設計
7.3 利用神經網絡進行字母的模式識別
7.3.1 問題的闡述
7.3.2神經網絡的設計
7.4 用於字符識別的三種人工神經網絡的性能對比
7.4.1 用於字母識別的感知器網絡
7.4.2 用於字母識別的霍普菲爾德網絡
7.4.3 字母識別實驗及其結果分析
附錄A MATLAB 7.1神經網絡工具箱4.0.6函數一覽表
附錄B 程序目錄
參考文獻