目錄
第1章 MATLAB R2020a基礎(chǔ)\t1
1．1 MATLAB的功能\t1
1．1．1 MATLAB的基本功能\t1
1．1．2 MATLAB的重要功能\t2
1．2 MATLAB的特點(diǎn)\t2
1．3 MATLAB的發(fā)展史\t4
1．4 MATLAB R2020a的新功能\t5
1．5 MATLAB的啟動(dòng)\t6
1．6 MATLAB的語(yǔ)言基礎(chǔ)\t6
1．6．1 常量和變量\t7
1．6．2 運(yùn)算符\t8
1．7 MATLAB的工具箱\t9
1．7．1 符號(hào)計(jì)算工具箱\t9
1．7．2 統(tǒng)計(jì)工具箱\t9
1．7．3 最優(yōu)化工具箱\t9
1．8 MATLAB的幫助系統(tǒng)\t10
1．8．1 命令行幫助\t10
1．8．2 幫助導(dǎo)航/瀏覽器\t11
1．8．3 DEMO幫助系統(tǒng)\t11
1．8．4 網(wǎng)絡(luò)資源幫助\t13
第2章 神經(jīng)網(wǎng)絡(luò)概述\t14
2．1 神經(jīng)網(wǎng)絡(luò)的相關(guān)概念\t14
2．1．1 生物神經(jīng)元\t14
2．1．2 生物神經(jīng)元的信息處理機(jī)制\t15
2．1．3 人工神經(jīng)元的模型\t17
2．2 神經(jīng)網(wǎng)絡(luò)的發(fā)展史\t18
2．3 神經(jīng)網(wǎng)絡(luò)的研究方向\t19
2．4 神經(jīng)網(wǎng)絡(luò)的基本特征和主要功能\t20
2．5 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性\t21
2．6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法\t21
2．7 神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t22
2．8 神經(jīng)網(wǎng)絡(luò)的工具箱\t22
2．8．1 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t22
2．8．2 神經(jīng)網(wǎng)絡(luò)的對(duì)象與屬性\t26
第3章 感知器及其應(yīng)用\t33
3．1 感知器典型案例分析\t33
3．2 單層感知器\t39
3．2．1 單層感知器的結(jié)構(gòu)\t39
3．2．2 單層感知器的功能\t40
3．2．3 感知器的學(xué)習(xí)\t42
3．2．4 感知器的訓(xùn)練\t42
3．2．5 使用單層感知器解決邏輯運(yùn)算\t43
3．3 多層感知器\t44
3．3．1 多層感知器的模型\t44
3．3．2 多層感知器的設(shè)計(jì)\t45
3．4 感知器的局限性\t46
3．5 感知器網(wǎng)絡(luò)的工具箱函數(shù)\t46
3．5．1 創(chuàng)建函數(shù)\t46
3．5．2 訓(xùn)練函數(shù)\t47
3．5．3 網(wǎng)絡(luò)仿真\t50
3．5．4 傳遞函數(shù)\t50
3．5．5 初始化函數(shù)\t51
3．5．6 自適應(yīng)函數(shù)\t52
3．5．7 性能函數(shù)\t53
3．5．8 學(xué)習(xí)函數(shù)\t55
3．5．9 顯示函數(shù)\t56
3．6 感知器的應(yīng)用\t58
第4章 線性神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t 68
4．1 線性神經(jīng)網(wǎng)絡(luò)典型案例分析\t68
4．2 線性神經(jīng)網(wǎng)絡(luò)概述\t71
4．2．1 線性神經(jīng)元的結(jié)構(gòu)\t72
4．2．2 初始化線性神經(jīng)網(wǎng)絡(luò)\t74
4．2．3 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則\t74
4．2．4 學(xué)習(xí)率的選擇\t76
4．2．5 自適應(yīng)線性濾波\t77
4．2．6 網(wǎng)絡(luò)的訓(xùn)練\t78
4．3 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t79
4．3．1 創(chuàng)建函數(shù)\t79
4．3．2 學(xué)習(xí)函數(shù)\t83
4．3．3 傳遞函數(shù)\t86
4．3．4 初始化函數(shù)\t86
4．3．5 性能函數(shù)\t87
4．4 網(wǎng)絡(luò)的局限性\t87
4．4．1 相關(guān)向量\t88
4．4．2 學(xué)習(xí)率過(guò)大\t89
4．5 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t91
第5章 BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t100
5．1 BP神經(jīng)網(wǎng)絡(luò)典型案例分析\t100
5．2 BP神經(jīng)網(wǎng)絡(luò)概述\t102
5．2．1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t103
5．2．2 神經(jīng)元模型\t103
5．3 BP神經(jīng)網(wǎng)絡(luò)算法\t105
5．3．1 梯度下降法\t105
5．3．2 最速下降BP算法\t106
5．3．3 動(dòng)量BP算法\t108
5．3．4 VLBP算法\t112
5．3．5 擬牛頓算法\t114
5．3．6 RPROP算法\t114
5．3．7 LM算法\t115
5．3．8 CGBP算法\t116
5．4 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)\t117
5．5 BP神經(jīng)網(wǎng)絡(luò)的局限性\t120
5．6 BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t120
5．6．1 創(chuàng)建函數(shù)\t120
5．6．2 傳遞函數(shù)\t124
5．6．3 學(xué)習(xí)函數(shù)\t126
5．6．4 訓(xùn)練函數(shù)\t127
5．6．5 性能函數(shù)\t131
5．6．6 顯示函數(shù)\t132
5．7 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t134
第6章 RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t155
6．1 RBF神經(jīng)網(wǎng)絡(luò)典型案例分析\t155
6．2 RBF神經(jīng)網(wǎng)絡(luò)概述\t157
6．2．1 徑向基函數(shù)\t158
6．2．2 正則化RBF神經(jīng)網(wǎng)絡(luò)\t160
6．2．3 廣義RBF神經(jīng)網(wǎng)絡(luò)\t161
6．3 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t162
6．3．1 隨機(jī)選取中心法\t163
6．3．2 自組織選取中心法\t163
6．3．3 有監(jiān)督選取中心法\t164
6．3．4 正交最小二乘法\t165
6．4 RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)\t166
6．4．1 創(chuàng)建函數(shù)\t167
6．4．2 徑向基傳遞函數(shù)\t169
6．4．3 轉(zhuǎn)換函數(shù)\t170
6．4．4 權(quán)函數(shù)\t171
6．4．5 輸入函數(shù)\t174
6．4．6 競(jìng)爭(zhēng)傳遞函數(shù)\t174
6．5 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和缺點(diǎn)\t175
6．5．1 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)\t175
6．5．2 RBF神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)\t176
6．6 徑向基函數(shù)的應(yīng)用\t176
6．7 RBF神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用\t183
6．7．1 RBF神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)監(jiān)督中的應(yīng)用\t183
6．7．2 RBF自校正控制\t186
6．8 廣義回歸神經(jīng)網(wǎng)絡(luò)\t190
6．8．1 GRNN的結(jié)構(gòu)\t190
6．8．2 GRNN的實(shí)現(xiàn)\t191
6．9 概率神經(jīng)網(wǎng)絡(luò)\t194
第7章 反饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t199
7．1 反饋神經(jīng)網(wǎng)絡(luò)典型案例分析\t199
7．2 Hopfield神經(jīng)網(wǎng)絡(luò)\t203
7．2．1 單層全反饋型神經(jīng)網(wǎng)絡(luò)\t204
7．2．2 狀態(tài)軌跡\t204
7．2．3 狀態(tài)軌跡發(fā)散\t205
7．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)\t206
7．3．1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t206
7．3．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性\t207
7．3．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)\t211
7．4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)\t212
7．4．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性\t213
7．4．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的特點(diǎn)\t214
7．4．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)求解TSP問(wèn)題\t214
7．5 Elman神經(jīng)網(wǎng)絡(luò)\t220
7．5．1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t220
7．5．2 Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t220
7．5．3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值的穩(wěn)定性\t221
7．5．4 對(duì)角遞歸穩(wěn)定學(xué)習(xí)率的確定\t223
7．6 反饋神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t223
7．6．1 創(chuàng)建函數(shù)\t223
7．6．2 傳遞函數(shù)\t229
7．7 反饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t230
第8章 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t244
8．1 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)案例分析\t244
8．2 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)\t247
8．2．1 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t248
8．2．2 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t248
8．2．3 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題\t252
8．3 SOM神經(jīng)網(wǎng)絡(luò)\t253
8．3．1 SOM神經(jīng)網(wǎng)絡(luò)的特點(diǎn)\t253
8．3．2 SOM神經(jīng)網(wǎng)絡(luò)的基本原理\t254
8．3．3 SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)\t254
8．3．4 SOM神經(jīng)網(wǎng)絡(luò)算法\t 255
8．3．5 SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程\t257
8．4 LVQ神經(jīng)網(wǎng)絡(luò)\t258
8．4．1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t258
8．4．2 LVQ1算法的基本步驟\t260
8．4．3 LVQ2算法的基本步驟\t261
8．5 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t262
8．5．1 創(chuàng)建函數(shù)\t262
8．5．2 學(xué)習(xí)函數(shù)\t268
8．5．3 傳遞函數(shù)\t274
8．5．4 距離函數(shù)\t275
8．5．5 歸一化函數(shù)\t278
8．5．6 初始化函數(shù)\t280
8．5．7 拓?fù)浜瘮?shù)\t280
8．5．8 訓(xùn)練函數(shù)\t282
8．5．9 權(quán)值函數(shù)\t282
8．5．10 顯示函數(shù)\t283
8．6 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t284
第9章 其他神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t301
9．1 盒中腦神經(jīng)網(wǎng)絡(luò)\t301
9．2 隨機(jī)神經(jīng)網(wǎng)絡(luò)\t304
9．2．1 模擬退火算法的原理\t304
9．2．2 BM網(wǎng)絡(luò)的結(jié)構(gòu)\t304
9．2．3 BM網(wǎng)絡(luò)的規(guī)則\t305
9．2．4 模擬退火算法的特點(diǎn)\t306
9．2．5 模擬退火算法的相關(guān)函數(shù)\t306
9．2．6 BM網(wǎng)絡(luò)的應(yīng)用\t311
9．3 對(duì)偶傳播神經(jīng)網(wǎng)絡(luò)\t316
9．3．1 CPN網(wǎng)絡(luò)概述\t317
9．3．2 CPN網(wǎng)絡(luò)的功能分析\t317
9．3．3 CPN網(wǎng)絡(luò)的應(yīng)用\t318
9．4 小波神經(jīng)網(wǎng)絡(luò)\t322
9．4．1 小波理論\t322
9．4．2 小波神經(jīng)網(wǎng)絡(luò)概述\t323
9．4．3 小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t325
9．5 模糊神經(jīng)網(wǎng)絡(luò)\t329
9．5．1 模糊數(shù)學(xué)知識(shí)\t329
9．5．2 模糊邏輯系統(tǒng)\t330
9．5．3 T-S模糊神經(jīng)網(wǎng)絡(luò)\t332
9．5．4 T-S模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法\t333
9．5．5 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t335
9．6 混沌神經(jīng)網(wǎng)絡(luò)\t342
9．6．1 混沌神經(jīng)網(wǎng)絡(luò)的發(fā)展\t342
9．6．2 混沌神經(jīng)網(wǎng)絡(luò)的模型\t343
9．6．3 混沌通信技術(shù)\t346
9．6．4 混沌神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t347
第10章 神經(jīng)網(wǎng)絡(luò)的GUI應(yīng)用\t353
10．1 神經(jīng)網(wǎng)絡(luò)工具\(yùn)t353
10．2 神經(jīng)網(wǎng)絡(luò)工具的GUI應(yīng)用\t358
10．3 擬合工具的GUI應(yīng)用\t360
10．4 分類/聚類工具的GUI應(yīng)用\t366
10．5 模式識(shí)別工具的GUI應(yīng)用\t373
10．6 時(shí)間序列工具的GUI應(yīng)用\t380
第11章 神經(jīng)網(wǎng)絡(luò)的經(jīng)典應(yīng)用\t387
11．1 實(shí)現(xiàn)圖像壓縮\t387
11．1．1 案例背景\t387
11．1．2 BP神經(jīng)網(wǎng)絡(luò)壓縮建模\t387
11．1．3 BP神經(jīng)網(wǎng)絡(luò)壓縮的實(shí)現(xiàn)\t390
11．2 預(yù)測(cè)地下水水位\t394
11．2．1 案例背景\t395
11．2．2 神經(jīng)網(wǎng)絡(luò)的建模\t395
11．2．3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的實(shí)現(xiàn)\t396
11．3 BP_Adaboost設(shè)計(jì)公司賬務(wù)預(yù)警\t399
11．3．1 Adaboost算法\t399
11．3．2 Adaboost模型\t400
11．3．3 賬務(wù)預(yù)警系統(tǒng)介紹\t400
11．3．4 建立預(yù)警模型\t400
11．3．5 利用BP_Adaboost模型實(shí)現(xiàn)公司賬務(wù)預(yù)警\t401
11．4 概率神經(jīng)網(wǎng)絡(luò)在遙感圖像中的應(yīng)用\t406
11．5 PID神經(jīng)網(wǎng)絡(luò)控制\t411
11．6 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t418
11．6．1 在分類中的應(yīng)用\t418
11．6．2 在估計(jì)中的應(yīng)用\t420
參考文獻(xiàn)\t424