《神經計算原理及其套用技術》是2012年科學出版社出版的圖書，作者是曾喆昭。
基本介紹
- 書名：神經計算原理及其套用技術
- 作者：曾喆昭
- ISBN：9787030351340
- 頁數：236
- 出版社：科學出版社
- 出版時間：2012-10-01
- 開本：16開
圖書簡介,編輯推薦,目錄,
圖書簡介
《神經計算原理及其套用技術》從信息科學的角度出發，涉及了目前國內外神經計算的研究成果，綜合了作者曾喆昭的科研成果和主持國家自然科學基金項目取得的研究成果，取材新穎，內容豐富，注重理論與套用相結合，論述深入淺出，力求使讀者較快掌握和套用這門高新技術。全書共分9章，內容包括：神經網路基本概念、神經網路研究歷史、意義以及套用前景；神經網路最佳化方法線上性系統求解、非線性方程與非線性方程組求解、數值積分、微分方程初值問題求解以及FIR數字濾波器最佳化設計、頻譜分析、感測器非線性補償、PID神經網路控制器等領域的套用研究。
編輯推薦
《神經計算原理及其套用技術》可作為電子工程、自動化、計算機套用、電氣工程、人工智慧、智慧型信息處理與智慧型控制等專業高年級本科生或研究生的教材和參考書，也可供有關工程技術人員和科研工作者參考。
目錄
前言
第1章 緒論
1.1 研究背景及意義
1.2 神經網路的發展歷史
1.2.1 早期階段
1.2.2 低潮階段
1.2.3 黃金時期
1.3 神經網路研究內容
1.3.1 神經網路理論研究
1.3.2 神經網路實現技術研究
1.3.3 神經網路套用研究
1.4 神經網路研究歷史及意義
1.5 神經網路的套用前景
1.5.1 模式識別
1.5.2 最最佳化問題計算
1.5.3 自動控制
1.5.4 信號處理
L 5.5 圖像處理
1.5.6 人工智慧
1.6 神經網路基本概念
1.6.1 人工神經元模型
1.6.2 神經元常用的基函式與激勵函式類型
1.6.3 神經元學習算法
1.6.4 典型的神經網路結構
1.6.5 基本BP算法的局限性
1.7 主要研究成果
第2章 基於神經網路最佳化算法的線性系統求解研究
2.1 問題背景：電阻網路
2.2 基於梯度下降法的神經網路算法的線性方程組求解
2.2.1 神經網路模型
2.2.2 神經網路算法
2.2.3 神經網路算法收斂性研究
2.2.4 局部極小討論
2.2.5 神經網路算法步驟
2.2.6 套用實例
2.3 神經網路最佳化計算方法
2.3.1 遞推最小二乘法（RLS）
2.3.2 共軛梯度法
2.3.3 數值分析實例
2.4 小結
第3章 解非線性系統的神經網路算法研究
3.1 問題背景——人口增長問題
3.1.1 代數方程
3.1.2 超越方程
3.1.3 單根
3.1.4 重根
3.2 二分法
3.2.1 二分法基本思想
3.2.2 二分法算法的源程式（bisection.m）
3.2.3 總結
3.2.4 仿真實例
3.3 疊代法
3.3.1 疊代法的基本思路
3.3.2 線性疊代函式的啟示
3.3.3 壓縮映像原理
3.3.4 定點疊代法源程式（fixedp.m）
3.3.5 仿真實例
3.3.6 疊代過程的收斂速度
3.4 疊代過程的加速收斂方法
3.4.1 疊代公式的加工
3.4.2 仿真實例
3.4.3 埃特金算法
3.4.4 埃特金加速算法的源程式（aitke n.m）
3.5 牛頓疊代法
3.5.1 牛頓疊代公式的導出
3.5.2 牛頓法的收斂性
3.5.3 牛頓疊代法源程式（newtoniter.m）
3.5.4 仿真實例
3.5.5 牛頓下山法
3.6 弦截法
3.6.1 用差商替代導數
3.6.2 弦截法的收斂性
3.6.3 仿真實例
3.7 解非線性方程的神經網路算法
3.7.1 解非線性方程的神經網路模型
3.7.2 解非線性方程的神經網路算法
3.7.3 神經網路算法收斂性分析
3.7.4 神經網路算法步驟
3.7.5 仿真實例
3.7.6 小結
3.8 解非線性方程的其他算法
3.9 解非線性方程組的神經網路算法
3.9.1 解非線性方程組的神經網路模型
3.9.2 解非線性方程組的神經網路算法
3.9.3 神經網路算法收斂性分析
3.9.4 神經網路算法步驟
3.9.5 解非線性方程組的數值試驗
3.10 解非線性方程或代數方程重根的方法
3.10.1 算法描述
3.10.2 數值實例
第4章 基於神經網路算法的數值積分方法
4.1 問題背景：PID調節器
4.2 餘弦基函式神經網路模型描述
4.2.1 餘弦基函式神經網路模型
4.2.2 神經網路算法收斂性分析
4.2.3 基於神經網路權值的數值積分方法
4.2.4 神經網路算法訓練步驟
4.2.5 數值積分實例
4.2.6 小結
4.3 基於向量空間的神經網路模型描述
4.3.1 基於向量空間的神經網路模型
4.3.2 基於向量空間的神經網路訓練步驟
4.3.3 神經計算與最佳化
4.3.4 數值積分實例
4.3.5 小結
4.4 基於傅立葉基函式的神經網路模型描述
4.4.1 基於傅立葉基函式的神經網路模型
4.4.2 神經網路訓練步驟
4.4.3 基於神經網路權值向量的數值積分方法
4.4.4 數值積分算例
4.4.5 小結
4.5 基於遞推最小二乘法的神經網路方法
4.5.1 神經網路模型描述
4.5.2 算法步驟
4.5.3 數值實例
第5章 微分方程初值問題的神經網路算法
5.1 神經網路算法描述
5.1.1 神經網路模型
5.1.2 神經網路算法
5.1.3 神經網路算法步驟
5.1.4 算例
5.2 小結
第6章 FIR線性相位數字濾波器最佳化設計
6.1 FIR線性相位濾波器的幅頻特性
6.2 神經網路算法描述
6.2.1 神經網路算法模型
6.2.2 神經網路算法
6.2.3 神經網路收斂性分析
6.2.4 神經網路訓練步驟
6.2.5 最佳化設計實例
6.3 基於遞推最小二乘法（RLS）的FIR濾波器最佳化設計方法
6.3.1 神經網路算法描述
6.3.2 神經網路算法步驟
6.3.3 最佳化設計實例
6.4 基於共軛梯度法的FIR數字濾波器最佳化設計
6.4.1 共軛梯度法描述
6.4.2 基於共軛梯度法的FIR濾波器最佳化設計
6.4.3 算法步驟
6.4.4 最佳化設計實例
第7章 基於神經網路算法的頻譜分析方法
7.1 國內外頻譜分析方法
7.1.1 離散頻譜校正方法
7.1.2 細化選帶頻譜分析方法
7.1.3 包絡分析方法（解調分析方法）
7.1.4 高階譜分析方法
7.1.5 非平穩振動信號的頻譜分析方法
7.1.6 國內外其他頻譜分析方法
7.2 頻譜分析的神經網路模型
7.2.1 周期信號的連續時間傅立葉級數
7.2.2 基於傅立葉基函式的神經網路模型
7.2.3 神經網路算法收斂性分析
7.2.4 神經網路訓練步驟
7.2.5 信號的頻譜特性分析
7.2.6 頻譜分析實例
7.3 基於RLS的神經網路頻譜分析方法
7.3.1 神經網路算法改進
7.3.2 神經網路算法步驟
7.3.3 信號頻譜分析實例
7.4 基於共軛梯度算法的神經網路頻譜分析方法
7.4.1 基於共軛梯度法的神經網路訓練方法
7.4.2 算法步驟
7.4.3 頻譜分析實例
第8章 神經網路算法在感測器中的套用研究
8.1 感測器溫度特性曲線的傅立葉基神經網路擬合方法
8.1.1 周期信號的傅立葉級數
8.1.2 神經網路模型算法
8.1.3 感測器特性曲線擬合實例
8.2 感測器溫度特性曲線的多項式基神經網路擬合方法
8.2.1 多項式基函式神經網路模型
8.2.2 神經網路算法步驟
8.2.3 仿真實例
8.3 多項式基神經網路擬合曲線的共軛梯度方法
8.3.1 共軛梯度算法
8.3.2 算法步驟
8.3.3 仿真實例
8.4 基於正交基神經網路算法的感測器誤差補償方法
8.4.1 正交基神經網路模型
8.4.2 基於梯度下降法的神經網路算法
8.4.3 神經網路算法收斂性分析
8.4.4 磁感測器誤差補償實例
8.4.5 基於RLS算法的磁感測器誤差補償方法
8.5 基於正交基神經網路算法的多感測器數據融合方法
8.5.1 多感測器信息融合模型
8.5.2 神經網路算法描述
8.5.3 仿真實例
8.6 熱敏電阻溫度感測器非線性補償原理
8.6.1 熱敏電阻溫度感測器
8.6.2 非線性補償原理
8.6.3 收斂性分析
8.6.4 仿真實例
第9章 神經網路算法在PID控制器中的套用研究
9.1 PID控制器的參數線上整定原理
9.1.1 經典PID控制器
9.1.2 基於神經計算的PID參數實時線上整定原理
9.2 基於神經計算的PID控制器學習算法
9.2.1 神經網路PlD結構
9.2.2 神經網路算法
9.2.3 神經網路算法收斂性研究
9.2.4 神經網路算法步驟
9.2.5 仿真實例
9.2.6 小結
9.3 基於神經計算的增量式PID控制器學習算法
9.3.1 增量式數字控制律
9.3.2 增量式PID參數線上實時整定原理
9.3.3 基於神經元的智慧型PID控制器學習算法
9.3.4 收斂性分析
9.3.5 算法步驟
9.3.6 仿真實例
9.4 基於神經網路算法的非線性PID控制器
9.4.1 非線性PID控制策略研究現狀
9.4.2 非線性PID控制器模型
9.4.3 動態非線性PID神經網路控制器模型算法
9.4.4 算法步驟
9.4.5 仿真實例
第1章 緒論
1.1 研究背景及意義
1.2 神經網路的發展歷史
1.2.1 早期階段
1.2.2 低潮階段
1.2.3 黃金時期
1.3 神經網路研究內容
1.3.1 神經網路理論研究
1.3.2 神經網路實現技術研究
1.3.3 神經網路套用研究
1.4 神經網路研究歷史及意義
1.5 神經網路的套用前景
1.5.1 模式識別
1.5.2 最最佳化問題計算
1.5.3 自動控制
1.5.4 信號處理
L 5.5 圖像處理
1.5.6 人工智慧
1.6 神經網路基本概念
1.6.1 人工神經元模型
1.6.2 神經元常用的基函式與激勵函式類型
1.6.3 神經元學習算法
1.6.4 典型的神經網路結構
1.6.5 基本BP算法的局限性
1.7 主要研究成果
第2章 基於神經網路最佳化算法的線性系統求解研究
2.1 問題背景：電阻網路
2.2 基於梯度下降法的神經網路算法的線性方程組求解
2.2.1 神經網路模型
2.2.2 神經網路算法
2.2.3 神經網路算法收斂性研究
2.2.4 局部極小討論
2.2.5 神經網路算法步驟
2.2.6 套用實例
2.3 神經網路最佳化計算方法
2.3.1 遞推最小二乘法（RLS）
2.3.2 共軛梯度法
2.3.3 數值分析實例
2.4 小結
第3章 解非線性系統的神經網路算法研究
3.1 問題背景——人口增長問題
3.1.1 代數方程
3.1.2 超越方程
3.1.3 單根
3.1.4 重根
3.2 二分法
3.2.1 二分法基本思想
3.2.2 二分法算法的源程式（bisection.m）
3.2.3 總結
3.2.4 仿真實例
3.3 疊代法
3.3.1 疊代法的基本思路
3.3.2 線性疊代函式的啟示
3.3.3 壓縮映像原理
3.3.4 定點疊代法源程式（fixedp.m）
3.3.5 仿真實例
3.3.6 疊代過程的收斂速度
3.4 疊代過程的加速收斂方法
3.4.1 疊代公式的加工
3.4.2 仿真實例
3.4.3 埃特金算法
3.4.4 埃特金加速算法的源程式（aitke n.m）
3.5 牛頓疊代法
3.5.1 牛頓疊代公式的導出
3.5.2 牛頓法的收斂性
3.5.3 牛頓疊代法源程式（newtoniter.m）
3.5.4 仿真實例
3.5.5 牛頓下山法
3.6 弦截法
3.6.1 用差商替代導數
3.6.2 弦截法的收斂性
3.6.3 仿真實例
3.7 解非線性方程的神經網路算法
3.7.1 解非線性方程的神經網路模型
3.7.2 解非線性方程的神經網路算法
3.7.3 神經網路算法收斂性分析
3.7.4 神經網路算法步驟
3.7.5 仿真實例
3.7.6 小結
3.8 解非線性方程的其他算法
3.9 解非線性方程組的神經網路算法
3.9.1 解非線性方程組的神經網路模型
3.9.2 解非線性方程組的神經網路算法
3.9.3 神經網路算法收斂性分析
3.9.4 神經網路算法步驟
3.9.5 解非線性方程組的數值試驗
3.10 解非線性方程或代數方程重根的方法
3.10.1 算法描述
3.10.2 數值實例
第4章 基於神經網路算法的數值積分方法
4.1 問題背景：PID調節器
4.2 餘弦基函式神經網路模型描述
4.2.1 餘弦基函式神經網路模型
4.2.2 神經網路算法收斂性分析
4.2.3 基於神經網路權值的數值積分方法
4.2.4 神經網路算法訓練步驟
4.2.5 數值積分實例
4.2.6 小結
4.3 基於向量空間的神經網路模型描述
4.3.1 基於向量空間的神經網路模型
4.3.2 基於向量空間的神經網路訓練步驟
4.3.3 神經計算與最佳化
4.3.4 數值積分實例
4.3.5 小結
4.4 基於傅立葉基函式的神經網路模型描述
4.4.1 基於傅立葉基函式的神經網路模型
4.4.2 神經網路訓練步驟
4.4.3 基於神經網路權值向量的數值積分方法
4.4.4 數值積分算例
4.4.5 小結
4.5 基於遞推最小二乘法的神經網路方法
4.5.1 神經網路模型描述
4.5.2 算法步驟
4.5.3 數值實例
第5章 微分方程初值問題的神經網路算法
5.1 神經網路算法描述
5.1.1 神經網路模型
5.1.2 神經網路算法
5.1.3 神經網路算法步驟
5.1.4 算例
5.2 小結
第6章 FIR線性相位數字濾波器最佳化設計
6.1 FIR線性相位濾波器的幅頻特性
6.2 神經網路算法描述
6.2.1 神經網路算法模型
6.2.2 神經網路算法
6.2.3 神經網路收斂性分析
6.2.4 神經網路訓練步驟
6.2.5 最佳化設計實例
6.3 基於遞推最小二乘法（RLS）的FIR濾波器最佳化設計方法
6.3.1 神經網路算法描述
6.3.2 神經網路算法步驟
6.3.3 最佳化設計實例
6.4 基於共軛梯度法的FIR數字濾波器最佳化設計
6.4.1 共軛梯度法描述
6.4.2 基於共軛梯度法的FIR濾波器最佳化設計
6.4.3 算法步驟
6.4.4 最佳化設計實例
第7章 基於神經網路算法的頻譜分析方法
7.1 國內外頻譜分析方法
7.1.1 離散頻譜校正方法
7.1.2 細化選帶頻譜分析方法
7.1.3 包絡分析方法（解調分析方法）
7.1.4 高階譜分析方法
7.1.5 非平穩振動信號的頻譜分析方法
7.1.6 國內外其他頻譜分析方法
7.2 頻譜分析的神經網路模型
7.2.1 周期信號的連續時間傅立葉級數
7.2.2 基於傅立葉基函式的神經網路模型
7.2.3 神經網路算法收斂性分析
7.2.4 神經網路訓練步驟
7.2.5 信號的頻譜特性分析
7.2.6 頻譜分析實例
7.3 基於RLS的神經網路頻譜分析方法
7.3.1 神經網路算法改進
7.3.2 神經網路算法步驟
7.3.3 信號頻譜分析實例
7.4 基於共軛梯度算法的神經網路頻譜分析方法
7.4.1 基於共軛梯度法的神經網路訓練方法
7.4.2 算法步驟
7.4.3 頻譜分析實例
第8章 神經網路算法在感測器中的套用研究
8.1 感測器溫度特性曲線的傅立葉基神經網路擬合方法
8.1.1 周期信號的傅立葉級數
8.1.2 神經網路模型算法
8.1.3 感測器特性曲線擬合實例
8.2 感測器溫度特性曲線的多項式基神經網路擬合方法
8.2.1 多項式基函式神經網路模型
8.2.2 神經網路算法步驟
8.2.3 仿真實例
8.3 多項式基神經網路擬合曲線的共軛梯度方法
8.3.1 共軛梯度算法
8.3.2 算法步驟
8.3.3 仿真實例
8.4 基於正交基神經網路算法的感測器誤差補償方法
8.4.1 正交基神經網路模型
8.4.2 基於梯度下降法的神經網路算法
8.4.3 神經網路算法收斂性分析
8.4.4 磁感測器誤差補償實例
8.4.5 基於RLS算法的磁感測器誤差補償方法
8.5 基於正交基神經網路算法的多感測器數據融合方法
8.5.1 多感測器信息融合模型
8.5.2 神經網路算法描述
8.5.3 仿真實例
8.6 熱敏電阻溫度感測器非線性補償原理
8.6.1 熱敏電阻溫度感測器
8.6.2 非線性補償原理
8.6.3 收斂性分析
8.6.4 仿真實例
第9章 神經網路算法在PID控制器中的套用研究
9.1 PID控制器的參數線上整定原理
9.1.1 經典PID控制器
9.1.2 基於神經計算的PID參數實時線上整定原理
9.2 基於神經計算的PID控制器學習算法
9.2.1 神經網路PlD結構
9.2.2 神經網路算法
9.2.3 神經網路算法收斂性研究
9.2.4 神經網路算法步驟
9.2.5 仿真實例
9.2.6 小結
9.3 基於神經計算的增量式PID控制器學習算法
9.3.1 增量式數字控制律
9.3.2 增量式PID參數線上實時整定原理
9.3.3 基於神經元的智慧型PID控制器學習算法
9.3.4 收斂性分析
9.3.5 算法步驟
9.3.6 仿真實例
9.4 基於神經網路算法的非線性PID控制器
9.4.1 非線性PID控制策略研究現狀
9.4.2 非線性PID控制器模型
9.4.3 動態非線性PID神經網路控制器模型算法
9.4.4 算法步驟
9.4.5 仿真實例
參考文獻
