Matlab神经网络与应用 第2版PDF电子书下载

第1章　神经网络概述 1

1.1　Matlab 7.2语言简介 1

1.1.1 Matlab的产生背景及主要产品 1

1.1.2　Matlab的语言特点 2

1.1.3　Matlab 7.2的新特点 4

1.2　神经网络的发展和应用 6

1.2.1　神经网络的发展 6

1.2.2　神经网络的研究内容 7

1.2.3　神经网络的应用 8

1.3　神经网络模型 8

1.3.1 生物神经元模型 9

1.3.2　神经元模型 10

1.3.3　神经元网络模型 11

1.4　神经网络工具箱概述 13

第2章　感知器 14

2.1　感知器神经网络模型结构 14

2.1.1　神经元模型 14

2.1.2 网络结构 15

2.2　感知器神经网络的构建 16

2.2.1 生成网络 16

2.2.2 网络仿真 17

2.2.3　网络初始化 18

2.3　感知器神经网络的学习和训练 20

2.3.1 学习规则 20

2.3.2　网络训练 22

2.4　感知器网络的局限性 24

2.4.1　标准化感知器学习规则 24

2.4.2 多层感知器 25

2.5　感知器网络设计实例 26

2.5.1　二输入感知器分类问题 26

2.5.2　输入奇异样本对网络训练的影响 28

2.5.3　线性不可分输入量 31

第3章　线性神经网络 33

3.1　线性神经网络模型结构 33

3.1.1　神经元模型 33

3.1.2　网络结构 33

3.2　线性神经网络的构建 34

3.2.1 生成线性神经元 34

3.2.2　线性系统设计 36

3.2.3　线性滤波器 36

3.3　线性神经网络的学习和训练 38

3.3.1 均方误差 38

3.3.2　LMS算法 38

3.3.3 网络训练 39

3.4　线性网络的局限性 41

3.4.1 超定系统 41

3.4.2　不定系统 44

3.4.3　线性相关向量 47

3.4.4　学习速率过大 49

3.5　线性神经网络应用实例分析 51

3.5.1 应用线性网络进行预测 51

3.5.2 自适应预测 54

3.5.3　线性系统辨识 57

3.5.4 自适应系统辨识 60

第4章　BP网络 64

4.1　BP网络模型结构 64

4.1.1　神经元模型 64

4.1.2　前馈型神经网络结构 66

4.2　BP神经网络的构建 66

4.3　BP神经网络的训练 67

4.3.1 BP算法 68

4.3.2　BP网络批处理训练模式 71

4.4　BP网络的局限性 91

4.5　BP网络应用实例分析 92

4.5.1 函数逼近 92

4.5.2　胆固醇含量估计 100

4.5.3　模式识别 106

第5章　径向基函数网络 121

5.1 径向基函数网络模型 121

5.1.1 径向基函数神经元模型 121

5.1.2 径向基函数网络的结构 122

5.1.3　径向基函数网络的工作原理 122

5.2　径向基函数网络的构建 123

5.2.1 径向基函数网络的严格设计 123

5.2.2 更有效的径向基函数网络的设计 124

5.3　广义回归神经网络 124

5.3.1 GRNN网络结构 125

5.3.2 GRNN网络的工作原理 125

5.3.3 GRNN网络设计 126

5.4　概率神经网络 126

5.4.1 PNN网络结构 126

5.4.2　PNN网络的工作原理 127

5.4.3　概率神经网络的设计 127

5.5　径向基函数网络的应用实例 129

5.5.1 函数逼近 129

5.5.2　散布常数对径向基函数网络设计的影响 132

5.5.3 应用GRNN进行函数逼近 137

5.5.4 应用PNN进行变量分类 139

第6章　反馈型神经网络 144

6.1 Hopfield网络 144

6.1.1 离散Hopfield网络（DHNN） 145

6.1.2 连续Hopfield网络（CHNN） 151

6.1.3 Hopfield网络模型结构 153

6.1.4　Hopfield网络的设计 154

6.2　Elman神经网络 155

6.2.1 构建Elman网络 156

6.2.2　网络仿真 156

6.2.3　Elman神经网络训练 157

6.3　反馈网络应用实例分析 158

6.3.1 二神经元的Hopfield神经网络设计 158

6.3.2　Hopfield网络的不稳定性 161

6.3.3 三神经元的Hopfield神经网络设计 164

6.3.4　应用Elman网络进行振幅检测 167

第7章　竞争型神经网络 173

7.1 自组织竞争神经网络 174

7.1.1 几种联想学习规则 174

7.1.2 自组织竞争神经网络的结构 180

7.1.3 自组织竞争神经网络的设计 181

7.2 自组织特征映射神经网络 185

7.2.1 SOFM网络模型 185

7.2.2 SOFM网络结构 194

7.2.3 SOFM的构建 195

7.2.4　SOFM网络的训练 196

7.3　学习向量量化神经网络 200

7.3.1　LVQ网络结构 200

7.3.2　LVQ网络建立 200

7.3.3　LVQ网络学习和训练 203

7.4　实例分析 206

7.4.1 自组织竞争网络在模式分类中的应用 206

7.4.2　一维自组织特征映射网络设计 209

7.4.3　二维自组织特征映射网络设计 211

7.4.4　LVQ模式分类网络设计 214

第8章　神经网络控制系统 218

8.1 神经网络模型预测控制 218

8.1.1 系统辨识 219

8.1.2　预测控制 219

8.1.3　神经网络模型预测控制器实例分析 220

8.2　NARMA-L2（反馈线性化）控制 226

8.2.1 NARMA-L2模型辨识 226

8.2.2 NARMA-L2控制器 228

8.2.3 NARMA-L2控制器实例分析 229

8.3　模型参考控制 233

8.3.1　模型参考控制理论 233

8.3.2　模型参考控制实例分析 234

第9章　图形用户界面 240

9.1　网络的创建 240

9.1.1　设置输入和期望输出 240

9.1.2 网络生成 243

9.2　网络的训练仿真 246

9.2.1 网络训练 246

9.2.2　网络仿真 248

9.3 GUI的数据处理 250

9.3.1　GUI导出数据到Matlab工作空间 250

9.3.2　GUI的数据清除 252

9.3.3　GUI从Matlab工作空间导入数据 252

9.3.4　GUI数据文件的存取 253

第10章　Simulink 257

10.1　Simulink交互式仿真集成环境 257

10.1.1　Simulink模型的创建 258

10.1.2　Simulink仿真 260

10.1.3　Simulink简单实例演示 262

10.2　Simulink神经网络模块 265

10.2.1　传递函数模块 266

10.2.2　网络输入模块 267

10.2.3　权值设置模块 267

10.2.4　控制系统模块 268

10.3　神经网络Simulink模型设计 268

10.3.1　模型构建 269

10.3.2　模型仿真 272

10.3.3　进一步试验 272

第11章 自定义神经网络 275

11.1 自定义网络 275

11.1.1　定制网络 276

11.1.2　网络设计 276

11.1.3 网络训练 285

11.2　自定义函数 288

11.2.1　仿真函数 289

11.2.2　初始化函数 302

11.2.3 学习函数 304

11.2.4 自组织映射函数 311

附录　神经网络工具箱函数 315

参考文献 323