面向MATLAB工具箱的神经网络理论与应用PDF电子书下载

第一章 概述 1

1．1 人工神经网络概念的提出 1

1．2 神经细胞以及人工神经元的组成 2

1．3 人工神经网络应用领域 3

1．4 人工神经网络发展的回顾 4

1．5 人工神经网络的基本结构与模型 6

1．5．1 人工神经元的模型 6

1．5．2 激活转移函数 7

1．5．3 单层神经元网络模型结构 9

1．5．4 多层神经网络 10

1．5．5 反馈网络 11

1．6 用MATLAB计算人工神经网络输出 12

1．7 本章小结 15

第二章 感知器 16

2．1 感知器的网络结构 16

2．2 感知器的图形解释 17

2．3 感知器的学习规则 18

2．4 网络的训练 19

2．5 感知器的局限性 25

2．6 “异或”问题 27

2．7 解决线性可分性限制的办法 29

2．8 本章小结 30

习题 30

第三章 自适应线性元件 31

3．1 自适应线性神经元模型和结构 31

3．2 W-H学习规则 32

3．3 网络训练 33

3．4 例题与分析 34

3．5 对比与分析 43

3．6 本章小结 44

习题 44

第四章 反向传播网络 45

4．1 BP网络模型与结构 45

4．2 BP学习规则 46

4．2．1 信息的正向传递 47

4．2．2 利用梯度下降法求权值变化及误差的反向传播 47

4．2．3 误差反向传播的流程图与图形解释 48

4．3 BP网络的训练过程 49

4．4 BP网络的设计 53

4．4．1 网络的层数 53

4．4．2 隐含层的神经元数 57

4．4．3 初始权值的选取 59

4．4．4 学习速率 60

4．4．5 期望误差的选取 62

4．5 限制与不足 62

4．6 反向传播法的改进方法 64

4．6．1 附加动量法 64

4．6．2 误差函数的改进 69

4．6．3 自适应学习速率 70

4．6．4 双极性S型压缩函数法 72

4．7 本章小结 72

习题 73

第五章 反馈网络 74

5．1 霍普菲尔德网络模型 75

5．2 状态轨迹 75

5．2．1 状态轨迹为稳定点 76

5．2．2 状态轨迹为极限环 77

5．2．3 混沌现象 77

5．2．4 状态轨迹发散 77

5．3 离散型霍普菲尔德网络 78

5．3．1 DHNN模型结构 78

5．3．2 联想记忆 79

5．3．3 DHNN的海布学习规则 80

5．3．4 影响记忆容量的因素 82

5．3．5 网络的记忆容量确定 84

5．3．6 DHNN权值设计的其他方法 86

5．4 连续型霍普菲尔德网络 94

5．4．1 对应于电子电路的网络结构 95

5．4．2 CHNN方程的解及稳定性分析 97

5．4．3 霍普菲尔德能量函数及其稳定性分析 101

5．4．4 能量函数与优化计算 103

5．5 本章小结 110

习题 111

第六章 自组织竞争人工神经网络 112

6．1 几种联想学习规则 112

6．1．1 内星学习规则 113

6．1．2 外星学习规则 115

6．1．3 科荷伦学习规则 117

6．2 自组织竞争网络 118

6．2．1 网络结构 118

6．2．2 竞争学习规则 121

6．2．3 竞争网络的训练过程 121

6．3 科荷伦自组织映射网络 124

6．3．1 科荷伦网络拓扑结构 125

6．3．2 网络的训练过程 127

6．4 对传网络 132

6．4．1 网络结构 132

6．4．2 学习法则 133

6．4．3 训练过程 133

6．5 自适应共振理论 134

6．5．1 ART1网络结构 135

6．5．2 ART1的运行过程 136

第七章 面向工具箱的神经网络实际应用 142

7．1 综述 142

7．1．1 神经网络技术的选取 142

7．1．2 神经网络各种模型的应用范围 143

7．1．3 网络设计的基本原则 144

7．2 神经网络在控制系统中的应用 145

7．2．1 反馈线性化 145

7．2．2 问题的提出 146

7．2．3 神经网络设计 147

7．3 利用神经网络进行字母的模式识别 150

7．3．1 问题的阐述 151

7．3．2 神经网络的设计 152

7．4 用自组织竞争网络优化模糊神经网络的结构与参数 156

7．4．1 FNN控制器的设计 157

7．4．2 被控对象模型的辨识 160

7．4．3 FNN控制器的训练 164

7．4．4 采用SCNN优化模糊标记数与性能对比 169

附录 MATLAB神经网络工具箱函数一览表 175

参考文献 178