MATLAB R2015b神經網路技術

《MATLAB R2015b神經網路技術》是2016年9月清華大學出版社出版的圖書，作者是何正風。

基本介紹

• 中文名：MATLAB R2015b神經網路技術
• 作者：何正風
• 出版社：清華大學出版社
• 出版時間：2016年9月
• 定價：69 元
• ISBN：9787302438229

內容簡介

本書以MATLAB R2015b為平台而編寫，全面、系統地介紹了MATLAB神經網路技術； 重點給出了MATLAB在各種神經網路的套用，並在講解各實現方法的過程中給出相應的實例，使得本書套用性更強，實用價值更高。全書共10章，主要介紹了MATLAB R2015b軟體、神經網路的理論、神經網路的通用函式、感知器神經網路、線性神經網路、BP神經網路、徑向基神經網路、競爭型神經網路、反饋型神經網路、其他神經網路等內容。本書在編寫過程中力求系統性、實用性與先進性相結合，理論與實踐相交融，使讀者在閱讀本書中快速掌握MATLAB軟體的同時，利用MATLAB實現解決各種神經網路問題，幫助讀者學以致用。

本書可以作為神經網路的初學人員和提高者的學習資料，也可作為廣大在校本科生和研究生的學習用書，還可以作為廣大科研人員、工程技術人員的參考用書。

圖書目錄

第1章MATLAB R2015b介紹

1.1MATLAB概述

1.1.1MATLAB的優勢

1.1.2MATLAB R2015b的新增功能

1.1.3MATLAB常用工具箱

1.2MATLAB R2015b的安裝

1.3MATLAB工作環境

1.4MATLAB在線上幫助

1.5用戶路徑設定

1.6數據類型和運算

1.6.1常量、變數

1.6.2數據類型

1.6.3數值類型

1.6.4邏輯類型

1.6.5結構體類型

1.6.6數組類型

1.6.7單元數組類型

1.7矩陣的基本操作

1.7.1矩陣和數組的概念

1.7.2數值矩陣的生成

1.7.3符號矩陣

1.7.4特殊矩陣

1.8矩陣運算

1.9基本繪圖

1.10建立函式檔案

1.11控制流程

1.11.1順序結構

1.11.2分支結構

1.11.3循環結構

第2章神經網路的理論

2.1生物神經元

2.2人工神經網路

2.3神經元的數學模型

2.4神經網路的類型

2.4.1單層前向網路

2.4.2多層前向網路

2.4.3反饋網路

2.4.4隨機神經網路

2.4.5競爭神經網路

2.5神經網路學習

2.5.1Hebb學習規則

2.5.2離散感知器學習規則

2.5.3記憶學習規則

2.5.4連續感知器學習規則

2.5.5相關學習規則

2.5.6競爭學習規則

2.6人工神經網路信息處理能力

2.7神經網路的特點與優點

2.7.1神經網路的特點

2.7.2神經網路的優點

2.8神經網路控制系統

2.8.1神經網路控制系統組成

2.8.2實時控制

2.8.3智慧型控制分支

2.9神經網路的套用

2.10人工神經網路與智慧型神經網路

2.10.1人工智慧的概述

2.10.2人工神經元與人工智慧相比較

第3章神經網路的通用函式

3.1神經網路仿真函式

3.2神經網路訓練函式

3.3神經網路學習函式

3.4神經網路初始化函式

3.5神經網路輸入函式

3.6神經網路傳遞函式

3.7其他函式

第4章感知器神經網路

4.1單層感知器

4.1.1單層感知器模型

4.1.2單層感知器功能

4.1.3感知器的學習

4.1.4單感知器的訓練

4.1.5感知器的局部性

4.2標準化感知器學習規則

4.3多層感知器

4.3.1多層感知器的理論

4.3.2多層感知器的實現

4.4感知器神經網路函式

4.5感知器的套用

4.6感知器套用於線性分類問題

4.6.1決策函式與決策邊界

4.6.2感知器的決策函式與決策邊界

第5章線性神經網路

5.1線性神經元模型及結構

5.1.1神經元模型

5.1.2線性神經網路結構

5.2LMS學習算法

5.3LMS學習率的選擇

5.3.1穩定收斂的學習率

5.3.2學習率逐漸下降

5.4線性神經網路的構建

5.4.1生成線性神經元

5.4.2線性濾波器

5.4.3自適應線性濾波

5.5線性神經網路的訓練

5.6線性神經網路與感知器的對比

5.7線性神經網路函式

5.7.1創建函式

5.7.2傳輸函式

5.7.3學習函式

5.7.4均方誤差性能函式

5.8線性神經網路的局限性

5.8.1線性相關向量

5.8.2學習速率過大

5.8.3不定系統

5.9線性神經網路的套用

5.9.1邏輯與

5.9.2邏輯異或

5.9.3在噪聲對消中的套用

5.9.4在信號預測中的套用

第6章BP神經網路

6.1BP神經網路模型

6.2BP網路學習算法

6.3BP網路設計

6.3.1輸入和輸出層的設計

6.3.2隱層的設計

6.3.3初始值選取

6.4BP網路的局限性

6.5BP網路學習的改進

6.5.1增加動量項

6.5.2自適應調節學習率

6.5.3彈性梯度下降法

6.6BP算法設計多層感知器

6.6.1信息容量與訓練樣本數

6.6.2準備訓練數據

6.6.3設計初值

6.6.4多層感知器結構設計

6.6.5網路訓練與測試

6.7BP網路的函式

6.7.1創建函式

6.7.2傳遞函式

6.7.3學習函式

6.7.4訓練函式

6.7.5性能函式

6.7.6顯示函式

6.8BP神經網路的套用

6.8.1BP神經網路在分類中的套用

6.8.2BP網路去除噪聲

6.8.3BP網路識別性別

6.9BP網路泛化能力的提高

6.9.1歸一化法

6.9.2提前終止法

第7章徑向基神經網路

7.1RBF神經網路模型

7.1.1RBF神經元模型

7.1.2RBF網路模型

7.2徑向基常用學習算法

7.2.1數據中心聚類法

7.2.2數據中主監督法

7.2.3正交最小二乘法

7.3RBF內插值

7.4廣義神經網路

7.5機率神經網路

7.5.1貝葉斯決策理論

7.5.2機率神經網路結構

7.5.3機率神經網路的優缺點

7.6徑向基神經網路與多層感知器比較

7.7徑向基神經網路的優缺點

7.7.1徑向基神經網路的優點

7.7.2徑向基神經網路的缺點

7.8徑向基神經網路的函式

7.8.1創建函式

7.8.2傳遞函式

7.8.3轉換函式

7.8.4權函式

7.8.5競爭性傳輸函式

7.9徑向基函式神經網路的套用

第8章競爭型神經網路

8.1競爭神經網路的概述

8.2競爭神經網路的概念

8.3競爭神經網路的學習規則

8.3.1Kohonen學習規則

8.3.2閾值學習規則

8.4競爭型神經網路存在的問題

8.5自組織特徵映射網路

8.5.1SOM網路拓撲結構

8.5.2SOM網路學習算法

8.5.3SOFM網路的訓練

8.6學習向量量化網路

8.6.1LVQ網路結構

8.6.2LVQ網路學習算法

8.6.3LVQ網路特點

8.7ART神經網路

8.7.1ART1型網路

8.7.2ART1網路學習

8.8對向傳播網路

8.8.1對向傳播網路的概述

8.8.2CPN網路學習規則

8.9競爭神經網路的函式

8.9.1創建函式

8.9.2學習函式

8.9.3傳遞函式

8.9.4初始化函式

8.9.5結構函式

8.9.6距離函式

8.9.7距離函式

8.9.8歸一化函式

8.10自組織競爭神經網路的套用

8.10.1對應傳播網路的套用

8.10.2ART網路的套用

8.10.3學習向量量化網路的套用

8.10.4自組織映射網路的套用

第9章反饋型神經網路

9.1反饋型神經網路的概述

9.1.1前饋型與反饋型的比較

9.1.2反饋型神經網路與靜態網路

9.1.3反饋型神經網路的模型

9.1.4反饋型神經網路的狀態

9.2離散Hopfield神經網路

9.2.1離散Hopfield神經網路結構

9.2.2Hopfield網路的穩定性

9.2.3離散Hopfield神經網路權值學習

9.2.4離散Hopfield神經網路的聯想記憶

9.3連續Hopfield神經網路

9.3.1連續Hopfield神經網路結構

9.3.2連續Hopfield神經網路的穩定性

9.3.3連續型Hopfield神經網路的特點

9.4Elman神經網路

9.4.1Elman神經網路結構

9.4.2Elman神經網路的訓練

9.5雙向聯想記憶神經網路

9.5.1BAM網路結構與原理

9.5.2能量函式與穩定性分析

9.5.3BAM網的權值設計

9.6Boltzmann神經網路

9.6.1BM網路的基本結構

9.6.2BM模型的學習

9.7反饋神經網路的函式

9.7.1創建函式

9.7.2傳遞函式

9.8反饋神經網路的套用

9.8.1離散Hopfield神經網路識別數字

9.8.2連續Hopfield神經網路聯想記憶功能套用

9.8.3Elman神經網路預測股價

9.8.4雙聯想記憶網路套用

9.8.5Boltzmann神經網路的套用

第10章其他神經網路

10.1模糊神經網路

10.1.1模糊神經網路的動向

10.1.2模糊神經網路的基本形式

10.1.3模糊神經網路的用途

10.2幾種常用模型的模糊神經網路

10.2.1Mamdani模型模糊神經網路

10.2.2TakagiSugeno模型的模糊神經網路

10.2.3模糊神經網路的函式

10.2.4模糊神經網路的套用

10.2.5神經模糊系統的圖形界面

10.3小波神經網路

10.3.1小波變換概述

10.3.2小波神經網路的定義

10.3.3小波神經網路的理論

10.3.4小波神經網路的結構

10.3.5小波神經網路套用交通流量預測

10.4Simulink神經網路

10.4.1Simulink神經網路仿真模型庫

10.4.2Simulink神經網路的套用

10.5自定義神經網路

10.5.1自定義一個複雜的網路

10.5.2自定義網路的訓練

參考文獻