《MATLAB R2015b神经网络技术》PDF下载

  • 购买积分:14 如何计算积分?
  • 作  者:何正风编著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2016
  • ISBN:9787302438229
  • 页数:406 页
图书介绍:本书以最新版MATLAB R2015b为平台编写,全面、系统地介绍了MATLAB神经网络技术。重点给定了MATLAB在各种神经网络的应用,并在讲解各实现方法中给出相应的实例,使得本书应用性更强,实用价值更高。全书共10章,主要介绍了MATLABR2015b软件、神经网络的理论、神经网络的通用函数、感知器神经网络、线性神经网络、BP神经网络、径向基神经网络、竞争型神经网络、反馈型神经网络、其他神经网络等内容。

第1章 MATLAB R2015b介绍 1

1.1 MATLAB概述 1

1.1.1 MATLAB的优势 1

1.1.2 MATLAB R2015b的新增功能 2

1.1.3 MATLAB常用工具箱 4

1.2 MATLAB R2015b的安装 5

1.3 MATLAB工作环境 11

1.4 MATLAB联机帮助 14

1.5 用户路径设置 17

1.6 数据类型和运算 18

1.6.1 常量、变量 18

1.6.2 数据类型 20

1.6.3 数值类型 21

1.6.4 逻辑类型 26

1.6.5 结构体类型 27

1.6.6 数组类型 29

1.6.7 单元数组类型 31

1.7 矩阵的基本操作 33

1.7.1 矩阵和数组的概念 33

1.7.2 数值矩阵的生成 34

1.7.3 符号矩阵 36

1.7.4 特殊矩阵 37

1.8 矩阵运算 39

1.9 基本绘图 40

1.10 建立函数文件 43

1.11 控制流程 44

1.11.1 顺序结构 44

1.11.2 分支结构 45

1.11.3 循环结构 49

第2章 神经网络的理论 52

2.1 生物神经元 52

2.2 人工神经网络 54

2.3 神经元的数学模型 58

2.4 神经网络的类型 59

2.4.1 单层前向网络 59

2.4.2 多层前向网络 59

2.4.3 反馈网络 60

2.4.4 随机神经网络 60

2.4.5 竞争神经网络 61

2.5 神经网络学习 61

2.5.1 Hebb学习规则 63

2.5.2 离散感知器学习规则 64

2.5.3 记忆学习规则 64

2.5.4 连续感知器学习规则 65

2.5.5 相关学习规则 65

2.5.6 竞争学习规则 66

2.6 人工神经网络信息处理能力 66

2.7 神经网络的特点与优点 68

2.7.1 神经网络的特点 68

2.7.2 神经网络的优点 69

2.8 神经网络控制系统 70

2.8.1 神经网络控制系统组成 71

2.8.2 实时控制 71

2.8.3 智能控制分支 72

2.9 神经网络的应用 73

2.10 人工神经网络与智能神经网络 73

2.10.1 人工智能的概述 73

2.10.2 人工神经元与人工智能相比较 75

第3章 神经网络的通用函数 76

3.1 神经网络仿真函数 79

3.2 神经网络训练函数 79

3.3 神经网络学习函数 83

3.4 神经网络初始化函数 85

3.5 神经网络输入函数 88

3.6 神经网络传递函数 89

3.7 其他函数 91

第4章 感知器神经网络 93

4.1 单层感知器 93

4.1.1 单层感知器模型 93

4.1.2 单层感知器功能 94

4.1.3 感知器的学习 96

4.1.4 单感知器的训练 97

4.1.5 感知器的局部性 99

4.2 标准化感知器学习规则 99

4.3 多层感知器 100

4.3.1 多层感知器的理论 100

4.3.2 多层感知器的实现 101

4.4 感知器神经网络函数 103

4.5 感知器的应用 107

4.6 感知器应用于线性分类问题 113

4.6.1 决策函数与决策边界 113

4.6.2 感知器的决策函数与决策边界 114

第5章 线性神经网络 116

5.1 线性神经元模型及结构 116

5.1.1 神经元模型 116

5.1.2 线性神经网络结构 117

5.2 LMS学习算法 117

5.3 LMS学习率的选择 118

5.3.1 稳定收敛的学习率 118

5.3.2 学习率逐渐下降 119

5.4 线性神经网络的构建 119

5.4.1 生成线性神经元 119

5.4.2 线性滤波器 120

5.4.3 自适应线性滤波 121

5.5 线性神经网络的训练 122

5.6 线性神经网络与感知器的对比 122

5.7 线性神经网络函数 123

5.7.1 创建函数 123

5.7.2 传输函数 127

5.7.3 学习函数 128

5.7.4 均方误差性能函数 131

5.8 线性神经网络的局限性 132

5.8.1 线性相关向量 132

5.8.2 学习速率过大 134

5.8.3 不定系统 138

5.9 线性神经网络的应用 142

5.9.1 逻辑与 142

5.9.2 逻辑异或 145

5.9.3 在噪声对消中的应用 149

5.9.4 在信号预测中的应用 153

第6章 BP神经网络 156

6.1 BP神经网络模型 156

6.2 BP网络学习算法 158

6.3 BP网络设计 159

6.3.1 输入和输出层的设计 159

6.3.2 隐层的设计 160

6.3.3 初始值选取 160

6.4 BP网络的局限性 160

6.5 BP网络学习的改进 161

6.5.1 增加动量项 161

6.5.2 自适应调节学习率 162

6.5.3 弹性梯度下降法 162

6.6 BP算法设计多层感知器 163

6.6.1 信息容量与训练样本数 163

6.6.2 准备训练数据 163

6.6.3 设计初值 167

6.6.4 多层感知器结构设计 167

6.6.5 网络训练与测试 168

6.7 BP网络的函数 169

6.7.1 创建函数 169

6.7.2 传递函数 174

6.7.3 学习函数 178

6.7.4 训练函数 179

6.7.5 性能函数 183

6.7.6 显示函数 184

6.8 BP神经网络的应用 188

6.8.1 BP神经网络在分类中的应用 188

6.8.2 BP网络去除噪声 190

6.8.3 BP网络识别性别 195

6.9 BP网络泛化能力的提高 202

6.9.1 归一化法 203

6.9.2 提前终止法 205

第7章 径向基神经网络 208

7.1 RBF神经网络模型 208

7.1.1 RBF神经元模型 208

7.1.2 RBF网络模型 209

7.2 径向基常用学习算法 210

7.2.1 数据中心聚类法 211

7.2.2 数据中主监督法 212

7.2.3 正交最小二乘法 213

7.3 RBF内插值 214

7.4 广义神经网络 215

7.5 概率神经网络 216

7.5.1 贝叶斯决策理论 216

7.5.2 概率神经网络结构 217

7.5.3 概率神经网络的优缺点 218

7.6 径向基神经网络与多层感知器比较 218

7.7 径向基神经网络的优缺点 219

7.7.1 径向基神经网络的优点 219

7.7.2 径向基神经网络的缺点 220

7.8 径向基神经网络的函数 220

7.8.1 创建函数 220

7.8.2 传递函数 225

7.8.3 转换函数 226

7.8.4 权函数 227

7.8.5 竞争性传输函数 229

7.9 径向基函数神经网络的应用 230

第8章 竞争型神经网络 239

8.1 竞争神经网络的概述 239

8.2 竞争神经网络的概念 240

8.3 竞争神经网络的学习规则 242

8.3.1 Kohonen学习规则 242

8.3.2 阈值学习规则 243

8.4 竞争型神经网络存在的问题 244

8.5 自组织特征映射网络 245

8.5.1 SOM网络拓扑结构 245

8.5.2 SOM网络学习算法 246

8.5.3 SOFM网络的训练 248

8.6 学习向量量化网络 249

8.6.1 LVQ网络结构 250

8.6.2 LVQ网络学习算法 251

8.6.3 LVQ网络特点 253

8.7 ART神经网络 253

8.7.1 ART-1型网络 253

8.7.2 ART-1网络学习 255

8.8 对向传播网络 256

8.8.1 对向传播网络的概述 256

8.8.2 CPN网络学习规则 257

8.9 竞争神经网络的函数 258

8.9.1 创建函数 258

8.9.2 学习函数 265

8.9.3 传递函数 272

8.9.4 初始化函数 273

8.9.5 结构函数 273

8.9.6 距离函数 276

8.9.7 距离函数 279

8.9.8 归一化函数 282

8.10 自组织竞争神经网络的应用 284

8.10.1 对应传播网络的应用 284

8.10.2 ART网络的应用 287

8.10.3 学习向量量化网络的应用 289

8.10.4 自组织映射网络的应用 293

第9章 反馈型神经网络 298

9.1 反馈型神经网络的概述 298

9.1.1 前馈型与反馈型的比较 298

9.1.2 反馈型神经网络与静态网络 299

9.1.3 反馈型神经网络的模型 300

9.1.4 反馈型神经网络的状态 301

9.2 离散Hopfield神经网络 301

9.2.1 离散Hopfield神经网络结构 301

9.2.2 Hopfield网络的稳定性 304

9.2.3 离散Hopfield神经网络权值学习 307

9.2.4 离散Hopfield神经网络的联想记忆 308

9.3 连续Hopfield神经网络 311

9.3.1 连续Hopfield神经网络结构 312

9.3.2 连续Hopfield神经网络的稳定性 313

9.3.3 连续型Hopfield神经网络的特点 313

9.4 Elman神经网络 313

9.4.1 Elman神经网络结构 314

9.4.2 Elman神经网络的训练 314

9.5 双向联想记忆神经网络 315

9.5.1 BAM网络结构与原理 315

9.5.2 能量函数与稳定性分析 316

9.5.3 BAM网的权值设计 317

9.6 Boltzmann神经网络 317

9.6.1 BM网络的基本结构 317

9.6.2 BM模型的学习 317

9.7 反馈神经网络的函数 320

9.7.1 创建函数 320

9.7.2 传递函数 326

9.8 反馈神经网络的应用 328

9.8.1 离散Hopfield神经网络识别数字 328

9.8.2 连续Hopfield神经网络联想记忆功能应用 330

9.8.3 Elman神经网络预测股价 332

9.8.4 双联想记忆网络应用 337

9.8.5 Boltzmann神经网络的应用 338

第10章 其他神经网络 340

10.1 模糊神经网络 340

10.1.1 模糊神经网络的动向 340

10.1.2 模糊神经网络的基本形式 341

10.1.3 模糊神经网络的用途 342

10.2 几种常用模型的模糊神经网络 342

10.2.1 Mamdani模型模糊神经网络 342

10.2.2 Takagi-Sugeno模型的模糊神经网络 343

10.2.3 模糊神经网络的函数 345

10.2.4 模糊神经网络的应用 348

10.2.5 神经模糊系统的图形界面 360

10.3 小波神经网络 370

10.3.1 小波变换概述 370

10.3.2 小波神经网络的定义 371

10.3.3 小波神经网络的理论 372

10.3.4 小波神经网络的结构 373

10.3.5 小波神经网络应用交通流量预测 374

10.4 Simulink神经网络 378

10.4.1 Simulink神经网络仿真模型库 378

10.4.2 Simulink神经网络的应用 383

10.5 自定义神经网络 387

10.5.1 自定义一个复杂的网络 389

10.5.2 自定义网络的训练 400

参考文献 405