MATLAB R2020a神經網路典型案例分析

《MATLAB R2020a神經網路典型案例分析》是2021年6月電子工業出版社出版的圖書，作者是張德豐。本書主要講述了MATLAB R2020a神經網路的典型案例分析，可以作為相關專業本科生和研究生的學習用書。

基本介紹

• 中文名：MATLAB R2020a神經網路典型案例分析
• 作者：張德豐
• 出版時間：2021年6月 
• 出版社：電子工業出版社 
• 頁數：432 頁
• ISBN：9787121412349
• 定價：89 元
• 開本：16 開

內容簡介

本書既可以作為相關專業本科生和研究生的學習用書，也可以作為廣大科研人員、學者、工程技術人員的參考用書。

圖書目錄

第1章 MATLAB R2020a基礎 1

1．1 MATLAB的功能 1

1．1．1 MATLAB的基本功能 1

1．1．2 MATLAB的重要功能 2

1．2 MATLAB的特點 2

1．3 MATLAB的發展史 4

1．4 MATLAB R2020a的新功能 5

1．5 MATLAB的啟動 6

1．6 MATLAB的語言基礎 6

1．6．1 常量和變數 7

1．6．2 運算符 8

1．7 MATLAB的工具箱 9

1．7．1 符號計算工具箱 9

1．7．2 統計工具箱 9

1．7．3 最最佳化工具箱 9

1．8 MATLAB的幫助系統 10

1．8．1 命令行幫助 10

1．8．2 幫助導航/瀏覽器 11

1．8．3 DEMO幫助系統 11

1．8．4 網路資源幫助 13

第2章 神經網路概述 14

2．1 神經網路的相關概念 14

2．1．1 生物神經元 14

2．1．2 生物神經元的信息處理機制 15

2．1．3 人工神經元的模型 17

2．2 神經網路的發展史 18

2．3 神經網路的研究方向 19

2．4 神經網路的基本特徵和主要功能 20

2．5 神經網路的特點和優越性 21

2．6 神經網路的學習方法 21

2．7 神經網路的套用 22

2．8 神經網路的工具箱 22

2．8．1 神經網路工具箱函式 22

2．8．2 神經網路的對象與屬性 26

第3章 感知器及其套用 33

3．1 感知器典型案例分析 33

3．2 單層感知器 39

3．2．1 單層感知器的結構 39

3．2．2 單層感知器的功能 40

3．2．3 感知器的學習 42

3．2．4 感知器的訓練 42

3．2．5 使用單層感知器解決邏輯運算 43

3．3 多層感知器 44

3．3．1 多層感知器的模型 44

3．3．2 多層感知器的設計 45

3．4 感知器的局限性 46

3．5 感知器網路的工具箱函式 46

3．5．1 創建函式 46

3．5．2 訓練函式 47

3．5．3 網路仿真 50

3．5．4 傳遞函式 50

3．5．5 初始化函式 51

3．5．6 自適應函式 52

3．5．7 性能函式 53

3．5．8 學習函式 55

3．5．9 顯示函式 56

3．6 感知器的套用 58

第4章 線性神經網路及其套用 68

4．1 線性神經網路典型案例分析 68

4．2 線性神經網路概述 71

4．2．1 線性神經元的結構 72

4．2．2 初始化線性神經網路 74

4．2．3 網路的學習規則 74

4．2．4 學習率的選擇 76

4．2．5 自適應線性濾波 77

4．2．6 網路的訓練 78

4．3 線性神經網路工具箱函式 79

4．3．1 創建函式 79

4．3．2 學習函式 83

4．3．3 傳遞函式 86

4．3．4 初始化函式 86

4．3．5 性能函式 87

4．4 網路的局限性 87

4．4．1 相關向量 88

4．4．2 學習率過大 89

4．5 線性神經網路的套用 91

第5章 BP神經網路及其套用 100

5．1 BP神經網路典型案例分析 100

5．2 BP神經網路概述 102

5．2．1 BP神經網路的結構 103

5．2．2 神經元模型 103

5．3 BP神經網路算法 105

5．3．1 梯度下降法 105

5．3．2 最速下降BP算法 106

5．3．3 動量BP算法 108

5．3．4 VLBP算法 112

5．3．5 擬牛頓算法 114

5．3．6 RPROP算法 114

5．3．7 LM算法 115

5．3．8 CGBP算法 116

5．4 BP神經網路的設計 117

5．5 BP神經網路的局限性 120

5．6 BP神經網路工具箱函式 120

5．6．1 創建函式 120

5．6．2 傳遞函式 124

5．6．3 學習函式 126

5．6．4 訓練函式 127

5．6．5 性能函式 131

5．6．6 顯示函式 132

5．7 BP神經網路的套用 134

第6章 RBF神經網路及其套用 155

6．1 RBF神經網路典型案例分析 155

6．2 RBF神經網路概述 157

6．2．1 徑向基函式 158

6．2．2 正則化RBF神經網路 160

6．2．3 廣義RBF神經網路 161

6．3 RBF神經網路的學習算法 162

6．3．1 隨機選取中心法 163

6．3．2 自組織選取中心法 163

6．3．3 有監督選取中心法 164

6．3．4 正交最小二乘法 165

6．4 RBF神經網路的函式 166

6．4．1 創建函式 167

6．4．2 徑向基傳遞函式 169

6．4．3 轉換函式 170

6．4．4 權函式 171

6．4．5 輸入函式 174

6．4．6 競爭傳遞函式 174

6．5 RBF神經網路的優點和缺點 175

6．5．1 RBF神經網路的優點 175

6．5．2 RBF神經網路的缺點 176

6．6 徑向基函式的套用 176

6．7 RBF神經網路在控制領域中的套用 183

6．7．1 RBF神經網路在網路監督中的套用 183

6．7．2 RBF自校正控制 186

6．8 廣義回歸神經網路 190

6．8．1 GRNN的結構 190

6．8．2 GRNN的實現 191

6．9 機率神經網路 194

第7章 反饋神經網路及其套用 199

7．1 反饋神經網路典型案例分析 199

7．2 Hopfield神經網路 203

7．2．1 單層全反饋型神經網路 204

7．2．2 狀態軌跡 204

7．2．3 狀態軌跡發散 205

7．3 離散型Hopfield神經網路 206

7．3．1 離散型Hopfield神經網路的結構 206

7．3．2 離散型Hopfield神經網路的穩定性 207

7．3．3 離散型Hopfield神經網路的設計 211

7．4 連續型Hopfield神經網路 212

7．4．1 連續型Hopfield神經網路的穩定性 213

7．4．2 連續型Hopfield神經網路的特點 214

7．4．3 連續型Hopfield神經網路求解TSP問題 214

7．5 Elman神經網路 220

7．5．1 Elman神經網路的結構 220

7．5．2 Elman神經網路的學習算法 220

7．5．3 Elman神經網路權值的穩定性 221

7．5．4 對角遞歸穩定學習率的確定 223

7．6 反饋神經網路工具箱函式 223

7．6．1 創建函式 223

7．6．2 傳遞函式 229

7．7 反饋神經網路的套用 230

第8章 自組織競爭神經網路及其套用 244

8．1 自組織競爭神經網路案例分析 244

8．2 競爭神經網路 247

8．2．1 競爭神經網路的結構 248

8．2．2 競爭神經網路的學習算法 248

8．2．3 競爭神經網路存在的問題 252

8．3 SOM神經網路 253

8．3．1 SOM神經網路的特點 253

8．3．2 SOM神經網路的基本原理 254

8．3．3 SOM神經網路的拓撲結構 254

8．3．4 SOM神經網路算法 255

8．3．5 SOM神經網路的訓練過程 257

8．4 LVQ神經網路 258

8．4．1 LVQ神經網路的結構 258

8．4．2 LVQ1算法的基本步驟 260

8．4．3 LVQ2算法的基本步驟 261

8．5 自組織競爭神經網路工具箱函式 262

8．5．1 創建函式 262

8．5．2 學習函式 268

8．5．3 傳遞函式 274

8．5．4 距離函式 275

8．5．5 歸一化函式 278

8．5．6 初始化函式 280

8．5．7 拓撲函式 280

8．5．8 訓練函式 282

8．5．9 權值函式 282

8．5．10 顯示函式 283

8．6 自組織競爭神經網路的套用 284

第9章 其他神經網路及其套用 301

9．1 盒中腦神經網路 301

9．2 隨機神經網路 304

9．2．1 模擬退火算法的原理 304

9．2．2 BM網路的結構 304

9．2．3 BM網路的規則 305

9．2．4 模擬退火算法的特點 306

9．2．5 模擬退火算法的相關函式 306

9．2．6 BM網路的套用 311

9．3 對偶傳播神經網路 316

9．3．1 CPN網路概述 317

9．3．2 CPN網路的功能分析 317

9．3．3 CPN網路的套用 318

9．4 小波神經網路 322

9．4．1 小波理論 322

9．4．2 小波神經網路概述 323

9．4．3 小波神經網路的套用 325

9．5 模糊神經網路 329

9．5．1 模糊數學知識 329

9．5．2 模糊邏輯系統 330

9．5．3 T-S模糊神經網路 332

9．5．4 T-S模糊神經網路學習算法 333

9．5．5 模糊神經網路的套用 335

9．6 混沌神經網路 342

9．6．1 混沌神經網路的發展 342

9．6．2 混沌神經網路的模型 343

9．6．3 混沌通信技術 346

9．6．4 混沌神經網路的套用 347

第10章 神經網路的GUI套用 353

10．1 神經網路工具 353

10．2 神經網路工具的GUI套用 358

10．3 擬合工具的GUI套用 360

10．4 分類/聚類工具的GUI套用 366

10．5 模式識別工具的GUI套用 373

10．6 時間序列工具的GUI套用 380

第11章 神經網路的經典套用 387

11．1 實現圖像壓縮 387

11．1．1 案例背景 387

11．1．2 BP神經網路壓縮建模 387

11．1．3 BP神經網路壓縮的實現 390

11．2 預測地下水水位 394

11．2．1 案例背景 395

11．2．2 神經網路的建模 395

11．2．3 RBF神經網路預測的實現 396

11．3 BP_Adaboost設計公司賬務預警 399

11．3．1 Adaboost算法 399

11．3．2 Adaboost模型 400

11．3．3 賬務預警系統介紹 400

11．3．4 建立預警模型 400

11．3．5 利用BP_Adaboost模型實現公司賬務預警 401

11．4 機率神經網路在遙感圖像中的套用 406

11．5 PID神經網路控制 411

11．6 自組織競爭神經網路的套用 418

11．6．1 在分類中的套用 418

11．6．2 在估計中的套用 420

參考文獻 424

作者簡介

張德豐，佛山科學技術學院教授，主要從事智慧型算法、光電感測等方面的科研與教學工作。主持和參與省部級、市級項目4項，課題涉及到計算機套用、自動控制、光學等領域。獲校級優秀青年教師獎、教學成果獎、教學評估優秀及教學質量獎等多個獎項。指導學生參加“挑戰杯・創青春”大學生創業大賽，獲省級金獎。出版《MATLAB R2017a模式識別》《Python機器學習及實踐》《TensorFlow深度學習及實踐》等書籍。