面向MATLAB工具箱的神經網路理論與套用

《面向MATLAB工具箱的神經網路理論與套用》是2009年中國科學技術大學出版社出版的圖書，作者是叢爽。

基本介紹

• 書名：面向MATLAB工具箱的神經網路理論與套用
• 作者：叢爽
• 出版社： 中國科學技術大學出版社
• 出版時間： 2009年04月

圖書信息

書 名: 面向MATLAB工具箱的神經網路理論與套用

作　者：叢爽

出版社： 中國科學技術大學出版社

出版時間： 2009年04月

ISBN: 9787312024313

開本： 16開

定價: 38元

內容簡介

《面向MATLAB工具箱的神經網路理論與套用》利用目前國際上流行通用的MATLAB 7.0環境，結合神經網路工具箱4.0.6版本，分別從網路構造、基本原理、學習規則以及訓練過程和套用局限性幾個方面，通過多層次、多方面的分析與綜合，深入淺出地介紹了人工神經網路中的各種典型網路，以及各種不同神經網路之間在原理和特性等方面的不同點與相同點。本書可作為計算機、電子學、信息科學、通訊以及自動控制等專業的高年級本科生、研究生以及其他專業科技人員學習神經網路或MATLAB環境下神經網路工具箱時的教材或參考書。

圖書目錄

第3版前言

第2版前言

前言

第1章 概述

1.1 人工神經網路概念的提出

1.2 神經細胞以及人工神經元的組成

1.3 人工神經網路套用領域

1.4 人工神經網路發展的回顧

1.5 人工神經網路的基本結構與模型

1.5.1 人工神經元的模型

1.5.2 激活轉移函式

1.5.3 單層神經元網路模型結構

1.5.4 多層神經網路

1.5.5 遞歸神經網路

1.6 用MATLAB計算人工神經網路輸出

1.7 本章小結

習題

第2章 前向神經網路

2.1 感知器

2.1.1 感知器的網路結構

2.1.2 感知器的圖形解釋

2.1.3 感知器的學習規則

2.1.4 網路的訓練

2.1.5 感知器的局限性

2.1.6 “異或”問題

2.1.7 解決線性可分性限制的辦法

2.1.8 本節小結

2.2 自適應線性元件

2.2.1 自適應線性神經元模型和結構

2.2.2 W-H學習規則

2.2.3 網路訓練

2.2.4 例題與分析

2.2.5 對比與分析

2.2.6 單步延時線及其自適應濾波器的實現

2.2.7 自適應線性網路的套用

2.2.8 本節小結

2.3 反向傳播網路

2.3.1 BP網路模型與結構

2.3.2 BP學習規則

2.3.3 BP網路的訓練及其設計過程

2.3.4 BP網路的設計

2.3.5 限制與不足

2.3.6 反向傳播法的改進方法

2.3.7 基於數值最佳化方法的網路訓練算法

2.3.8 數值實例對比

2.3.9 本節小結

習題

第3章 遞歸神經網路

3.1 各種遞歸神經網路

3.1.1 全局反饋型遞歸神經網路

3.1.2 前向遞歸神經網路

3.1.3 混合型網路

3.1.4 本節小結

3.2 全局反饋遞歸網路

3.2.1 霍普菲爾德網路模型

3.2.2 狀態軌跡

3.2.3 離散型霍普菲爾德網路

3.2.4 連續型霍普菲爾德網路

3.2.5 本節小結

3.3 Elman網路

3.3.1 網路結構及其輸入輸出關係式

3.3.2 修正網路權值的學習算法

3.3.3 穩定性推導

3.3.4 對穩定性結論的分析

3.3.5 對角遞歸網路穩定時學習速率的確定

3.3.6 本節小結

3.4 對角遞歸神經網路

3.4.1 網路結構及其輸入輸出關係式

3.4.2 網路的穩定性分析

3.4.3 進一步的討論

3.4.4 數值實例

3.4.5 本節小結

3.5 局部遞歸神經網路

3.5.1 PIDNNC的設計

3.5.2 閉環控制系統穩定性分析

3.5.3 實時線上控制策略的設計步驟

3.5.4 數值套用

3.5.5 本節小結

習題

第4章 局部連線神經網路

4.1 徑向基函式網路

4.1.1 徑向基函式及其網路分析

4.1.2 網路的訓練與設計

4.1.3 廣義徑向基函式網路

4.1.4 數字套用對比及性能分析

4.1.5 本節小結

4.2 B樣條基函式及其網路

4.3 CMAC神經網路

4.3.1 CMAC網路基本結構

4.3.2 CMAC的學習算法

4.4局 部神經網路的性能對比分析

4.4.1 CMAC、B樣條和RBF共有的結構特點

4.4.2 CMAC、B樣條和RBF的不同之處

4.5 K型局部連線神經網路

4.5.1 網路結構與權值修正法

4.5.2 網路特性分析

4.5.3 數字套用對比及性能分析

4.5.4 本節小結

習題

第5章 自組織競爭神經網路

5.1 幾種聯想學習規則

5.1.1 內星學習規則

5.1.2 外星學習規則

5.1.3 科荷倫學習規則

5.2 自組織競爭網路

5.2.1 網路結構

5.2.2 競爭學習規則

5.2.3 競爭網路的訓練過程

5.3 科荷倫自組織映射網路

5.3.1 科荷倫網路拓撲結構

5.3.2 網路的訓練過程

5.4 自適應共振理論

5.4.1 ART-1網路結構

5.4.2 ART-1的運行過程

5.4.3 ART-2神經網路

5.5 本章小結

習題

第6章 隨機神經網路

6.1 概述

6.1.1 隨機神經網路的發展

6.1.2 GNN模型描述

6.1.3 RNN的學習算法

6.1.4 RNN的套用

6.1.5 其他隨機網路

6.1.6 研究前景

6.2 用Boltzmann機求解典型NP最佳化問題TSP

6.2.1 Boltzmann機網路模型及其權值修正規則

6.2.2 用Boltzmann機網路解TSP

6.2.3 Boltzmann機與Hopfield網路解TSP的對比

6.2.4 本節小結

6.3 隨機神經網路算法改進及其套用

6.3.1 DRNN解TSP的參數推導和改進方法

6.3.2 DRNN網路解TSP改進方法的實驗對比

6.3.3 本節小結

6.4 採用DRNN網路最佳化求解的對比研究

6.4.1 DRNN與Hopfield網路求解TSP的理論分析

6.4.2 DRNN與Hopfield網路解TSP的實驗對比

6.4.3 本節小結

習題

第7章 面向工具箱的神經網路實際套用

7.1 綜述

7.1.1 神經網路技術的選用

7.1.2 神經網路各種模型的套用範圍

7.1.3 網路設計的基本原則

7.2 神經網路在控制系統中的套用

7.2.1 反饋線性化

7.2.2 問題的提出

7.2.3 神經網路設計

7.3 利用神經網路進行字母的模式識別

7.3.1 問題的闡述

7.3.2神經網路的設計

7.4 用於字元識別的三種人工神經網路的性能對比

7.4.1 用於字母識別的感知器網路

7.4.2 用於字母識別的霍普菲爾德網路

7.4.3 字母識別實驗及其結果分析

附錄A MATLAB 7.1神經網路工具箱4.0.6函式一覽表

附錄B 程式目錄

參考文獻

……