MATLAB R2016a神經網路設計與套用28個案例分析

《MATLAB R2016a神經網路設計與套用28個案例分析》是2018年清華大學出版社出版的圖書，作者是方清城。

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
• 出版社：清華大學出版社
• 出版時間：2018年1月
• 定價：99 元
• ISBN：9787302477884
• 印次：1-1
• 印刷日期：2017.12.14

內容簡介

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。

圖書目錄

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