MATLAB R2016a神經網路設計與套用28個案例分析

基本介紹

  • 書名：MATLAB R2016a神經網路設計與套用28個案例分析
  • 作者：方清城
MATLAB R2016a神經網路設計與套用28個案例分析
作者：方清城
定價：99元
印次：1-1
ISBN：9787302477884
出版日期：2018.01.01
印刷日期：2017.12.14
    本書以MATLAB R2016a為平台編寫。全書共分28個案例，主要介紹神經網路工具箱函式、前向型神經網路、反饋型神經網路、競爭型神經網路、神經網路的控制系統預測及診斷、神經網路圖形用戶接口、神經網路的Simulink、自定義神經網路等內容，可使讀者全面了解MATLAB在神經網路中的套用。
    目錄
    目錄
    第1章線性神經網路的工程套用
    1.1系統辨識的MATLAB實現
    1.2自適應系統辨識的MATLAB實現
    1.3線性系統預測的MATLAB實現
    1.4線性神經網路用於消噪處理的MATLAB實現
    第2章神經網路預測的實例分析
    2.1地震預報的MATLAB實現
    2.1.1概述
    2.1.2地震預報的MATLAB實例分析
    2.2交通運輸能力預測的MATLAB實現
    2.2.1概述
    2.2.2交通運輸能力預測的MATLAB實例分析
    2.3農作物蟲情預測的MATLAB實現
    2.3.1概述
    2.3.2農作物蟲情預測的MATLAB實例分析
    2.4基於機率神經網路的故障診斷
    2.4.1概述
    2.4.2基於PNN的故障診斷實例分析
    2.5基於BP網路和Elman網路的齒輪箱故障診斷
    2.5.1概述
    2.5.2基於BP網路的齒輪箱故障診斷實例分析
    2.5.3基於Elman網路的齒輪箱故障診斷實例分析
    2.6基於RBF網路的船用柴油機故障診斷
    2.6.1概述
    2.6.2基於RBF網路的船用柴油機故障診斷實例分析
    第3章BP網路算法分析與工程套用
    3.1數值最佳化的BP網路訓練算法
    3.1.1擬牛頓法
    3.1.2共軛梯度法
    3.1.3LevenbergMarquardt法
    3.2BP網路的工程套用
    3.2.1BP網路在分類中的套用
    3.2.2函式逼近
    3.2.3BP網路用於膽固醇含量的估計
    3.2.4模式識別
    第4章神經網路算法分析與實現
    4.1Elman神經網路
    4.1.1Elman神經網路結構
    4.1.2Elman神經網路的訓練
    4.1.3Elman神經網路的MATLAB實現
    4.2Boltzmann機網路
    4.2.1BM網路結構
    4.2.2BM網路的規則
    4.2.3用BM網路解TSP
    4.2.4BM網路的MATLAB實現
    4.3BSB模型
    4.3.1BSB神經模型概述
    4.3.2BSB的MATLAB實現
    第5章預測控制算法分析與實現
    5.1系統辨識
    5.2自校正控制
    5.2.1單步輸出預測
    5.2.2最小方差控制
    5.2.3最小方差間接自校正控制
    5.2.4最小方差直接自校正控制
    5.3自適應控制
    5.3.1MIT自適應律
    5.3.2MIT歸一化算法
    第6章改進的廣義預測控制算法分析與實現
    6.1預測控制
    6.1.1基於CARIMA模型的JGPC
    6.1.2基於CARMA模型的JGPC
    6.2神經網路預測控制的MATLAB實現
    第7章SOFM網路算法分析與套用
    7.1SOFM網路的生物學基礎
    7.2SOFM網路的拓撲結構
    7.3SOFM網路學習算法
    7.4SOFM網路的訓練過程
    7.5SOFM網路的MATLAB實現
    7.6SOFM網路在實際工程中的套用
    7.6.1SOFM網路在人口分類中的套用
    7.6.2SOFM網路在土壤分類中的套用
    第8章幾種網路算法分析與套用
    8.1競爭型神經網路的概念與原理
    8.1.1競爭型神經網路的概念
    8.1.2競爭型神經網路的原理
    8.2幾種聯想學習規則
    8.2.1內星學習規則
    8.2.2外星學習規則
    8.2.3科荷倫學習規則
    第9章Hopfield神經網路算法分析與實現
    9.1離散Hopfield神經網路
    9.1.1網路的結構與工作方式
    9.1.2吸引子與能量函式
    9.1.3網路的權值設計
    9.2連續Hopfield神經網路
    9.3聯想記憶
    9.3.1聯想記憶網路
    9.3.2聯想記憶網路的改進
    9.4Hopfield神經網路的MATLAB實現
    第10章學習向量量化與對向傳播網路算法分析與實現
    10.1學習向量量化網路
    10.1.1LVQ網路模型
    10.1.2LVQ網路學習算法
    10.1.3LVQ網路學習的MATLAB實現
    10.2對向傳播網路
    10.2.1對向傳播網路概述
    10.2.2CPN網路學習及規則
    10.2.3對向傳播網路的實際套用
    第11章NARMAL2控制算法分析與實現
    11.1反饋線性化控制系統原理
    11.2反饋線性控制的MATLAB實現
    11.3NARMAL2控制器原理及實例分析
    11.3.1NARMAL2控制器原理
    11.3.2NARMAL2控制器實例分析
    第12章神經網路函式及其導函式
    12.1神經網路的學習函式
    12.2神經網路的輸入函式及其導函式
    12.3神經網路的性能函式及其導函式
    12.3.1性能函式
    12.3.2性能函式的導函式
    第13章Simulink神經網路設計
    13.1Simulink互動式仿真集成環境
    13.1.1Simulink模型創建
    13.1.2Simulink建模操作
    13.1.3Simulink參數設定
    13.1.4簡單的Simulink例子
    13.2Simulink神經網路模組
    13.2.1傳遞函式模組庫
    13.2.2網路輸入模組庫
    13.2.3權值設定模組庫
    13.2.4處理模組庫
    13.2.5控制系統模組庫
    13.3Simulink神經網路設計
    13.3.1模型構建
    13.3.2模型仿真
    13.3.3修改信號源
    第14章BP神經元模型與套用案例
    14.1BP神經元及其模型
    14.2BP網路的學習
    14.2.1BP網路學習算法
    14.2.2BP網路學習算法的比較
    14.3BP網路的局限性
    14.4BP網路的MATLAB程式套用舉例
    14.4.1BP網路設計的基本方法
    14.4.2BP網路套用舉例
    第15章自適應共振網路算法分析與套用
    15.1ART1網路
    15.1.1網路系統結構
    15.1.2ATR1網路運行過程
    15.1.3ATR1學習算法
    15.1.4ART1網路套用
    15.2ART2網路
    15.2.1網路結構與運行原理
    15.2.2網路的數學模型與學習算法
    15.2.3ART2網路在系統辨識中的套用
    第16章徑向基網路算法分析與套用
    16.1正則化理論及正則化RBF網路
    16.1.1正則化理論
    16.1.2正則化RBF網路
    16.2徑向基神經網路結構
    16.2.1徑向基神經元模型
    16.2.2徑向基神經網路模型
    16.3徑向基神經網路學習
    16.4徑向基神經網路的工程套用
    16.4.1函式逼近
    16.4.2散布常數對徑向基網路的影響
    16.5廣義回歸神經網路
    16.5.1GRNN網路結構
    16.5.2GRNN網路工作原理
    16.6機率神經網路
    16.6.1PNN網路結構
    16.6.2PNN網路工作原理
    16.6.3套用PNN進行變數分類
    第17章感知器算法分析與實現
    17.1單層感知器模型
    17.2單層感知器的學習算法
    17.3感知器的局限性
    17.4單層感知器神經網路的MATLAB仿真
    17.4.1感知器神經網路設計的基本方法
    17.4.2單層感知器神經網路的套用舉例
    17.5多層感知器神經網路及其MATLAB仿真
    17.5.1多層感知器神經網路的設計方法
    17.5.2多層感知器神經網路的套用舉例
    17.6用於線性分類問題的進一步討論
    17.6.1決策函式與決策邊界
    17.6.2感知器的決策函式與決策邊界
    第18章線性網路與BP網路工具箱函式及其套用
    18.1線性神經網路工具箱函式
    18.1.1創建函式及其套用
    18.1.2學習函式及其套用
    18.1.3性能函式及其套用
    18.1.4權積函式及其套用
    18.1.5初始化函式
    18.2BP神經網路工具箱函式
    18.2.1創建函式及其套用
    18.2.2傳遞函式及其套用
    18.2.3學習函式及其套用
    18.2.4性能函式及其套用
    18.2.5訓練函式及其套用
    18.2.6顯示函式及其套用
    第19章BP網路算法分析與實現
    19.1BP神經網路模型
    19.2BP神經網路算法
    19.2.1SDBP算法
    19.2.2MOBP算法
    19.2.3VLBP算法
    19.2.4RPROP算法
    19.2.5CGBP算法
    19.3BP網路設計
    19.4BP神經網路局限性
    19.5BP神經網路算法改進
    19.5.1附加動量法
    19.5.2有自適應lr的梯度下降法
    19.5.3彈性梯度下降法
    第20章自組織網路工具箱函式及其套用
    20.1創建函式
    20.2傳遞函式
    20.3距離函式
    20.4學習函式
    20.5初始化函式
    20.6訓練函式
    20.7顯示函式
    20.8權值函式
    20.9結構函式
    第21章線性網路算法分析與實現
    21.1線性神經網路結構
    21.2線性神經網路學習
    21.3線性神經網路訓練
    21.4線性神經網路的MATLAB實現
    21.5線性神經網路的局限性
    21.5.1超定系統
    21.5.2不定系統
    21.5.3線性相關向量
    21.5.4學習速率過大
    第22章神經網路工具箱函式及其套用
    22.1徑向基神經網路工具箱函式
    22.1.1創建函式
    22.1.2變換函式
    22.1.3傳遞函式
    22.1.4距離函式
    22.2Hopfield神經網路工具箱函式
    22.2.1傳輸函式
    22.2.2學習函式
    22.3Elman神經網路工具箱函式
    22.4學習向量量化網路工具箱函式
    22.4.1創建函式
    22.4.2顯示函式
    第23章感知器網路算法分析與實現
    23.1單層感知器
    23.1.1單層感知器模型
    23.1.2感知器功能
    23.1.3網路結構
    23.1.4感知器算法
    23.1.5網路的訓練
    23.1.6單層感知器實現
    23.1.7感知器局限性
    23.2多層感知器
    23.2.1多層感知器介紹
    23.2.2多層感知器實現
    23.3感知器神經網路的MATLAB實現
    第24章神經網路工具箱函式分析與套用
    24.1權值和閾值初始化函式
    24.2訓練和自適應調整函式
    第25章自組織競爭網路算法分析與套用
    25.1自組織競爭網路結構
    25.2自組織競爭網路學習規則
    25.2.1Kohonen權值學習規則
    25.2.2閾值學習規則
    25.3網路訓練
    25.4競爭型網路存在的問題
    25.5競爭型網路的工程套用
    第26章小波神經網路在交通流量預測中的套用
    26.1小波變換概述
    26.2小波神經網路的定義
    26.3小波神經網路的理論
    26.4小波神經網路的結構
    26.5小波神經網路用於交通流量預測
    第27章模糊神經網路算法分析與套用
    27.1模糊神經網路
    27.2幾種常用模型的模糊神經網路
    27.2.1Mamdani模型模糊神經網路
    27.2.2TakagiSugeno模型模糊神經網路
    27.2.3模糊神經網路的函式
    27.2.4模糊神經網路的套用
    27.2.5神經模糊系統的圖形界面
    第28章感知器網路工具箱函式及其套用
    28.1創建函式
    28.2初始化函式
    28.3顯示函式
    28.4仿真函式
    28.5性能函式
    28.6訓練函式
    28.7學習函式
    28.8傳遞函式
    附錄AMATLABR2016a安裝說明
    參考文獻

    相關詞條

    熱門詞條

    聯絡我們