当前位置:首页 > 工业技术
MATLAB神经网络原理与实例精解
MATLAB神经网络原理与实例精解

MATLAB神经网络原理与实例精解PDF电子书下载

工业技术

  • 电子书积分:14 积分如何计算积分?
  • 作 者:陈明等编著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2013
  • ISBN:9787302307419
  • 页数:431 页
图书介绍:本书分3篇共13章,内容涵盖了大部分主流的神经网络类型。第1篇介绍神经网络的功能和特点及MATLAB基础知识,并给出MATLAB常用函数的用法。第2篇分别介绍每种类型的神经网络,涉及感知器、线性神经网络、BP网络、径向基网络、自组织网络等模型。第3篇介绍Simulink仿真和贴近工程实践的神经网络应用案例。本书适合高校学生和老师及工程研究人员阅读。
《MATLAB神经网络原理与实例精解》目录

第1篇 入门篇 2

第1章 神经网络概述 2

1.1人工神经网络简介 2

1.2神经网络的特点及应用 3

1.2.1神经网络的特点 3

1.2.2神经网络的应用 4

1.3人工神经网络的发展历史 5

1.4神经网络模型 7

1.5神经网络的学习方式 9

第2章 MATLAB快速入门 10

2.1 MATLAB功能及历史 10

2.1.1 MATLAB的功能和特点 10

2.1.2 MATLAB发展历史 12

2.2 MATLAB R2011b集成开发环境 13

2.2.1 MATLAB的安装 13

2.2.2 MATLAB集成开发环境 19

2.2.3搜索路径设定 21

2.3 MATLAB语言基础 24

2.3.1标识符与数组 24

2.3.2数据类型 28

2.3.3运算符 34

2.3.4流程控制 37

2.3.5 M文件 41

第3章 MATLAB函数与神经网络工具箱 45

3.1 MATLAB常用命令 45

3.2矩阵生成和基本运算 52

3.2.1 zeros生成全零矩阵 52

3.2.2 ones生成全1矩阵 53

3.2.3 magic生成魔方矩阵 53

3.2.4 eye生成单位矩阵 54

3.2.5 rand生成均匀分布随机数 54

3.2.6 randn生成正态分布随机数 55

3.2.7 linspace产生线性等分向量 56

3.2.8 logspace产生对数等分向量 57

3.2.9 randperm生成随机整数排列 58

3.2.10 randi生成整数随机数 59

3.2.11 range向量的最大/最小值之差 60

3.2.12 minmax求最大/最小值 60

3.2.13 min/max/mean求最大/最小值 61

3.2.14 size/length/numel/ndims矩阵维度相关 62

3.2.15 sum/prod求和或积 64

3.2.16 var/std求方差与标准差 66

3.2.17 diag生成对角矩阵 68

3.2.18 repmat矩阵复制和平铺 69

3.2.19 reshape矩阵变维 70

3.2.20 inv/pinv矩阵求逆/求伪逆 71

3.2.21 rank/det求矩阵的秩/行列式 73

3.2.22 eig矩阵的特征值分解 73

3.2.23 svd矩阵的奇异值分解 74

3.2.24 trace求矩阵的迹 75

3.2.25 norm求向量或矩阵的范数 76

3.3数学函数 78

3.3.1 abs求绝对值 78

3.3.2 exp/log指数函数/对数函数 79

3.3.3 log10/log2常用对数/以2为底的对数 79

3.3.4 fix/round/ceil/floor取整函数 81

3.3.5 mod/rem取模数/余数 81

3.4图形相关函数 82

3.4.1 plot绘制二维图像 82

3.4.2坐标轴设置函数 83

3.4.3 subplot同一窗口分区绘图 88

3.4.4 figure/hold创建窗口/图形保持 88

3.4.5 semilogx/semilogy单对数坐标图 89

3.4.6 contour/ clabel曲面等高线/等高线标签 90

3.4.7 gcf/gca/gco返回当前图形/坐标/对象句柄 91

3.4.8 mesh绘制三维网格图 92

3.5神经网络工具箱 92

3.5.1工具箱函数基本介绍 93

3.5.2神经网络对象与属性 95

第2篇 原理篇 104

第4章 单层感知器 104

4.1单层感知器的结构 104

4.2单层感知器的学习算法 105

4.3感知器的局限性 108

4.4单层感知器相关函数详解 108

4.4.1 newp——创建一个感知器 108

4.4.2 train——训练感知器网络 111

4.4.3 sim——对训练好的网络进行仿真 113

4.4.4 hardlim/hardlims——感知器传输函数 114

4.4.5 init——神经网络初始化函数 115

4.4.6 adapt——神经网络的自适应 117

4.4.7 mae——平均绝对误差性能函数 119

4.5单层感知器应用实例——坐标点的二类模式分类 120

4.5.1手算 120

4.5.2使用工具箱函数 127

第5章 线性神经网络 129

5.1线性神经网络的结构 129

5.2 LMS学习算法 130

5.3 LMS算法中学习率的选择 132

5.3.1确保网络稳定收敛的学习率 132

5.3.2学习率逐渐下降 133

5.4线性神经网络与感知器的对比 134

5.4.1网络传输函数 134

5.4.2学习算法 134

5.5线性神经网络相关函数详解 134

5.5.1 newlind——设计一个线性层 135

5.5.2 newlin——构造一个线性层 136

5.5.3 purelin——线性传输函数 138

5.5.4 leamwh—— LMS学习函数 138

5.5.5 maxlinlr——计算最大学习率 141

5.5.6 mse——均方误差性能函数 142

5.5.7 linearlayer——构造线性层的函数 143

5.6线性神经网络应用实例 144

5.6.1实现二值逻辑——与 144

5.6.2实现二值逻辑——异或 151

第6章 BP神经网络 156

6.1 BP神经网络的结构 156

6.2 BP网络的学习算法 158

6.2.1最速下降法 158

6.2.2最速下降BP法 159

6.2.3串行和批量训练方式 162

6.2.4最速下降BP法的改进 163

6.3设计BP网络的方法 164

6.4 BP神经网络的局限性 166

6.5 BP网络相关函数详解 166

6.5.1 logsig——Log-Sigmoid传输函数 167

6.5.2 tansig——Tan-Sigmoid传输函数 168

6.5.3 newff——创建一个BP网络 169

6.5.4 feedforwardnet——创建一个BP网络 172

6.5.5 newcf——级联的前向神经网络 173

6.5.6 cascadeforwardnet——新版级联前向网络 174

6.5.7 newfftd——前馈输入延迟的BP网络 175

6.5.8 dlogsig/dtansig——Sigmoid函数的导数 176

6.6 BP神经网络应用实例 177

6.6.1基于BP网络的性别识别 177

6.6.2实现二值逻辑——异或 191

第7章 径向基函数网络 196

7.1径向基神经网络的两种结构 196

7.1.1径向基函数 196

7.1.2正则化网络 198

7.1.3广义网络 199

7.2径向基神经网络的学习算法 200

7.2.1随机选取固定中心 200

7.2.2自组织选取中心 201

7.2.3有监督选取中心 202

7.2.4正交最小二乘法 203

7.3径向基神经网络与多层感知器的比较 204

7.4概率神经网络 205

7.4.1模式分类的贝叶斯决策理论 205

7.4.2概率神经网络的结构 206

7.4.3概率神经网络的优点 207

7.5广义回归神经网络 208

7.5.1广义回归神经网络的理论基础 208

7.5.2广义回归神经网络的结构 209

7.6径向基神经网络相关函数详解 210

7.6.1 newrb——设计一个径向基函数网络 210

7.6.2 newrbe——设计一个严格的径向基网络 212

7.6.3 radbas径向基函数 213

7.6.4 dist——欧几里得距离权函数 215

7.6.5 netprod——乘积网络输入函数 215

7.6.6 dotprod——内积权函数 216

7.6.7 netsum——求和网络输入函数 217

7.6.8 newpnn——设计概率神经网络 217

7.6.9 compet——竞争性传输函数 218

7.6.10 ind2vec/vec2ind——向量-下标转换函数 220

7.6.11 newgrnn——设计广义回归神经网络 220

7.6.12 normprod——归一化点积权函数 221

7.7径向基网络应用实例 222

7.7.1异或问题 222

7.7.2 RBF网络曲线拟合 227

7.7.3 GRNN网络曲线拟合 234

7.7.4 PNN网络用于坐标点分类 237

第8章 自组织竞争神经网络 243

8.1竞争神经网络 243

8.2竞争神经网络的学习算法 243

8.2.1 Kohonen学习规则 244

8.2.2阈值学习规则 245

83自组织特征映射网络 246

8.4 SOM的学习算法 247

8.5学习矢量量化网络 249

8.5.1 LVQ1学习规则 250

8.5.2 LVQ2规则 250

8.6自组织竞争网络相关函数详解 251

8.6.1 gridtop——网格拓扑函数 251

8.6.2 hextop——六边形拓扑函数 252

8.6.3 randtop——随机拓扑结构函数 253

8.6.4 tritop——三角拓扑函数 253

8.6.5 dist、 boxdist、 linkdist、 mandist——距离函数 255

8.6.6 newc——竞争网络 258

8.6.7 competlayer——新版竞争网络函数 260

8.6.8 newsom——自组织特征映射网络 261

8.6.9 selforgmap——新版自组织映射网络函数 262

8.6.10 newlvq——学习矢量量化网络 265

8.6.11 lvqnet——新版学习矢量量化网络函数 267

8.6.12 mapminmax——归一化函数 268

8.7自组织竞争神经网络应用实例 269

8.7.1坐标点的分类(竞争神经网络) 269

8.7.2坐标点的分类(自组织映射网络) 275

第9章 反馈神经网络 278

9.1离散Hopfield神经网络 278

9.1.1 Hopfield网络的结构 278

9.1.2 Hopfield网络的稳定性 279

9.1.3设计离散Hopfield网络 282

9.2连续Hopfield神经网络 284

9.3 Elman神经网络 285

9.4盒中脑模型 286

9.5反馈神经网络相关函数详解 288

9.5.1 newhop——生成一个离散Hopfield网络 289

9.5.2 satlin饱和线性传递函数 290

9.5.3 satlins——对称饱和线性传递函数 291

9.5.4 nnt2hop——更新Hopfield网络 291

9.5.5 newelm——创建Elman反馈网络 292

9.5.6 elmannet——创建Elman反馈网络(新版本) 294

9.6反馈神经网络应用实例 296

9.6.1二维平面上的联想记忆网络 296

9.6.2 Elman股价预测 303

第10章 随机神经网络 308

10.1模拟退火算法 308

10.1.1模拟退火算法的引出 308

10.1.2退火算法的参数控制 310

10.2 Boltzmann机 311

10.2.1 Boltzmann机基本原理 312

10.2.2 Boltzmann机的学习规则 314

10.2.3 Boltzmann机的运行步骤 316

10.3 Sigmoid置信度网络 316

10.4 MATLAB模拟退火算法工具 317

10.4.1 MATLAB优化工具箱 318

10.4.2模拟退火算法相关函数 322

10.5模拟退火算法求解TSP问题 327

第11章 用GUI设计神经网络 334

11.1神经网络工具(nntool) 334

11.1.1 nntool界面介绍 334

11.1.2使用nntool建立神经网络 337

11.2神经网络分类/聚类工具(nctool) 340

11.3神经网络拟合工具(nftool) 348

11.4神经网络模式识别工具(nprtool) 353

11.5神经网络时间序列工具(ntstool) 359

11.6 nntraintool与view 365

第3篇 实战篇 368

第12章 Simulink 368

12.1 Simulink中的神经网络模块 368

12.2用gensim生成模块 371

12.2.1相关函数介绍 371

12.2.2 gensim使用实例 374

第13章 神经网络应用实例 377

13.1 BP神经网络实现图像压缩 377

13.1.1问题背景 377

13.1.2神经网络建模 378

13.1.3神经网络压缩的实现 380

13.2 Elman网络预测上证股市开盘价 387

13.2.1问题背景 387

13.2.2神经网络建模 387

13.2.3 Elman网络预测股价的实现 388

13.3径向基网络预测地下水位 395

13.3.1问题背景 395

13.3.2神经网络建模 395

13.3.3径向基网络预测的实现 397

13.4基于BP网络的个人信贷信用评估 402

13.4.1问题背景 402

13.4.2神经网络建模 402

13.4.3个人信贷信用评估的实现 404

13.5基于概率神经网络的手写体数字识别 411

13.5.1问题背景 411

13.5.2神经网络建模 412

13.5.3手写体数字识别的实现 414

13.6基于概率神经网络的柴油机故障诊断 420

13.6.1问题背景 420

13.6.2神经网络建模 421

13.6.3柴油机故障诊断的实现 422

13.7基于自组织特征映射网络的亚洲足球水平聚类 425

13.7.1问题背景 426

13.7.2神经网络建模 426

13.7.3足球水平聚类的实现 428

相关图书
作者其它书籍
返回顶部