應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

第1章 神經(jīng)網(wǎng)絡(luò)概述及MATLAB介紹
1.1 人工神經(jīng)網(wǎng)絡(luò)基本知識(shí)
1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
1.3 神經(jīng)網(wǎng)絡(luò)研究及其應(yīng)用
1.4 神經(jīng)細(xì)胞與人工神經(jīng)元
1.4.1 生物神經(jīng)元的特點(diǎn)
1.4.2 人工神經(jīng)元模型
1.5 神經(jīng)網(wǎng)絡(luò)的分類
1.6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練
1.7 MATIAB入門學(xué)習(xí)
1.7.1 MATLAB的發(fā)展史
1.7.2 MATLAB的功能
1.7.3 MATLAB的語言特點(diǎn)
1.8 MATIAB用戶界面
1.8.1 MATLAB的啟動(dòng)和退出
1.8.2 MATIAB工作環(huán)境
1.9 MATLAB的數(shù)值與變量
1.9.1 MATLAB的數(shù)值
1.9.2 MATLAB的變量
第2章 感知器神經(jīng)網(wǎng)絡(luò)
2.1 單層感知器
2.1.1 單層感知器模型
2.1.2 單層感知器功能
2.1.3 單層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.2 多層感知器
2.2.1 多層感知器模型
2.2.2 多層感知器設(shè)計(jì)
2.3 感知器的學(xué)習(xí)算法
2.4 感知器神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
2.4.1 感知器創(chuàng)建函數(shù)
2.4.2 感知器初始化函數(shù)
2.4.3 感知器顯示函數(shù)
2.4.4 感知器仿真函數(shù)
2.4.5 感知器性能函數(shù)
2.4.6 感知器的訓(xùn)練函數(shù)
2.4.7 感知器的學(xué)習(xí)函數(shù)
2.4.8 感知器的傳遞函數(shù)
2.5 感知器的局限性
2.6 感知器神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例分析
2.6.1 判斷氣體污染物的分類
2.6.2 奇異樣本對(duì)感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練的影響
第3章 線性神經(jīng)網(wǎng)絡(luò)
3.1 線性神經(jīng)網(wǎng)絡(luò)模型及結(jié)構(gòu)
3.1.1 神經(jīng)元模型
3.1.2 線性神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.2 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
3.3 線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建
3.3.1 生成線性神經(jīng)元
3.3.2 線性濾波器
3.4 線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
3.5 線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
3.5.1 線性網(wǎng)絡(luò)的創(chuàng)建函數(shù)
3.5.2 線性網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)
3.5.3 線性網(wǎng)絡(luò)的傳輸函數(shù)
3.5.4 線性網(wǎng)絡(luò)的權(quán)積函數(shù)
3.5.5 線性網(wǎng)絡(luò)的初始化函數(shù)
3.6 線性神經(jīng)網(wǎng)絡(luò)的局限性
3.6.1 線性相關(guān)向量
3.6.2 學(xué)習(xí)速率過大
3.7 線性神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例分析
3.7.1 線性網(wǎng)絡(luò)在噪聲對(duì)消中的應(yīng)用
3.7.2 線性網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用
3.7.3 線性網(wǎng)絡(luò)實(shí)現(xiàn)異或的應(yīng)用
第4章 BP神經(jīng)網(wǎng)絡(luò)
4.1 BP神經(jīng)網(wǎng)絡(luò)模型及結(jié)構(gòu)
4.1.1 神經(jīng)元模型
4.1.2 前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.2 BP神經(jīng)網(wǎng)絡(luò)的算法與BP網(wǎng)絡(luò)推導(dǎo)
4.2.1 BP神經(jīng)網(wǎng)絡(luò)算法
4.2.2 BP神經(jīng)網(wǎng)絡(luò)的推導(dǎo)
4.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
4.3.1 BP網(wǎng)絡(luò)創(chuàng)建函數(shù)
4.3.2 BP網(wǎng)絡(luò)神經(jīng)元上的傳遞函數(shù)
4.3.3 BP網(wǎng)絡(luò)學(xué)習(xí)函數(shù)
4.3.4 BP網(wǎng)絡(luò)訓(xùn)練函數(shù)
4.3.5 BP網(wǎng)絡(luò)性能函數(shù)
4.3.6 BP網(wǎng)絡(luò)顯示函數(shù)
4.4 BP神經(jīng)網(wǎng)絡(luò)的局限性
4.5 BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)
4.6 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例分析
4.6.1 利用BP網(wǎng)絡(luò)去除有關(guān)噪聲的問題
4.6.2 基于BP網(wǎng)絡(luò)的性別識(shí)別
第5章 反饋型神經(jīng)網(wǎng)絡(luò)
5.1 反饋神經(jīng)網(wǎng)絡(luò)的概述
5.2 離散Hopfield神經(jīng)網(wǎng)絡(luò)
5.2.1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)模型
5.2.2 離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性
5.2.3 離散Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)
5.2.4 離散：Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶
5.3 連續(xù)Hopfielcl神經(jīng)網(wǎng)絡(luò)
5.3.1 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
5.3.2 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)穩(wěn)定性
5.3.3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
5.4 Hopfield神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
5.4.1 Hopfield網(wǎng)絡(luò)的創(chuàng)建函數(shù)
5.4.2 Hopfield網(wǎng)絡(luò)的傳遞函數(shù)
5.4.3 Hopfield網(wǎng)絡(luò)的輔助函數(shù)
5.5 Hopfielcl神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例分析
5.5.1 二神經(jīng)元Hopfield網(wǎng)絡(luò)設(shè)計(jì)問題
5.5.2 Hopfield網(wǎng)絡(luò)的偽平衡點(diǎn)問題
5.5.3 三神經(jīng)元的：Hopfield網(wǎng)絡(luò)問題
5.6 Elman神經(jīng)網(wǎng)絡(luò)
5.6.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5.6.2 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值修正的學(xué)習(xí)算法
5.6.3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)穩(wěn)定性
5.6.4 對(duì)角遞歸網(wǎng)絡(luò)穩(wěn)定時(shí)學(xué)習(xí)速率的確定
5.7 Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
5.8 Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例分析
第6章 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
6.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)基本原理
6.1.1 徑向基函數(shù)的結(jié)構(gòu)模型
6.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
6.2.1 隨機(jī)選取固定中心法
6.2.2 自組織選取中心
6.2.3 正交最小二乘法
6.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
6.3.1 徑向基函數(shù)網(wǎng)絡(luò)創(chuàng)建函數(shù)
6.3.2 徑向基函數(shù)網(wǎng)絡(luò)傳遞函數(shù)
6.3.3 徑向基函數(shù)網(wǎng)絡(luò)轉(zhuǎn)換函數(shù)
6.3.4 徑向基函數(shù)網(wǎng)絡(luò)權(quán)函數(shù)
6.3.5 徑向基函數(shù)網(wǎng)絡(luò)輸入函數(shù)
6.4 其他徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
6.4.1 廣義回歸神經(jīng)網(wǎng)絡(luò)
6.4.2 概率神經(jīng)網(wǎng)絡(luò)
6.5 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
6.6 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例分析
6.6.1 徑向基函數(shù)網(wǎng)絡(luò)用于曲線擬合的問題
6.6.2 徑向基函數(shù)網(wǎng)絡(luò)用于非線性函數(shù)回歸的問題
第7章 自組織競爭型神經(jīng)網(wǎng)絡(luò)
7.1 自組織競爭型神經(jīng)網(wǎng)絡(luò)的模型及結(jié)構(gòu)
7.2 自組織競爭型神經(jīng)網(wǎng)絡(luò)的原理
7.2.1 自組織競爭網(wǎng)絡(luò)的學(xué)習(xí)策略
7.2.2 自組織競爭網(wǎng)絡(luò)的學(xué)習(xí)原理
7.3 幾種常用的聯(lián)想學(xué)習(xí)規(guī)則
7.4 自組織競爭型神經(jīng)網(wǎng)絡(luò)存在的問題
7.5 SOM神經(jīng)網(wǎng)絡(luò)
7.5.1 SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
7.5.2 SOM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
7.5.3 SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
7.6 LVQ神經(jīng)網(wǎng)絡(luò)
7.6.1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
7.6.2 LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
7.7 自組織競爭神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
7.7.1 自組織競爭神經(jīng)網(wǎng)絡(luò)創(chuàng)建函數(shù)
7.7.2 自組織競爭神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)
7.7.3 自組織競爭神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)
7.7.4 自組織競爭神經(jīng)網(wǎng)絡(luò)初始化函數(shù)
7.7.5 自組織競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)函數(shù)
7.7.6 自組織競爭神經(jīng)網(wǎng)絡(luò)距離函數(shù)
7.7.7 自組織競爭神經(jīng)網(wǎng)絡(luò)顯示函數(shù)
7.8 自組織競爭神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例分析
7.8.1 基于LVQ神經(jīng)網(wǎng)絡(luò)的人臉朝向識(shí)別問題
7.8.2 基于SOM神經(jīng)網(wǎng)絡(luò)的故障診斷分析
第8章 MATLAB編程實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的應(yīng)用
8.1 基于HBF網(wǎng)絡(luò)的自適應(yīng)狀態(tài)觀測(cè)器設(shè)計(jì)
8.1.1 HBF網(wǎng)絡(luò)
8.1.2 觀測(cè)器設(shè)計(jì)
8.1.3 仿真驗(yàn)證
8.2 基于RBF網(wǎng)絡(luò)的船用柴油機(jī)故障診斷
8.2.1 故障樣本集的收集與設(shè)計(jì)
8.2.2 網(wǎng)絡(luò)輸出向量設(shè)計(jì)
8.3 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)
8.3.1 BP網(wǎng)絡(luò)及算法的不足
8.3.2 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)
8.3.3 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)規(guī)則的數(shù)學(xué)推導(dǎo)
8.3.4 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)診斷模型的建立
8.4 基于FCM優(yōu)化的RBF網(wǎng)絡(luò)自適應(yīng)狀態(tài)觀測(cè)器設(shè)計(jì)
8.4.1 FCM優(yōu)化的RBF網(wǎng)絡(luò)
8.4.2 自適應(yīng)狀態(tài)觀測(cè)器設(shè)計(jì)
8.4.3 仿真驗(yàn)證。
8.5 基于泛函模糊神經(jīng)網(wǎng)絡(luò)的GPS／INS組合導(dǎo)航系統(tǒng)的軟故障診斷
8.5.1 狀態(tài)X2檢驗(yàn)原理
8.5.2 泛函模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
8.5.3 仿真驗(yàn)證
第9章 神經(jīng)網(wǎng)絡(luò)工具箱的使用
9.1 自定義神經(jīng)網(wǎng)絡(luò)
9.1.1 自定義一個(gè)簡單的網(wǎng)絡(luò)
9.1.2 自定義一個(gè)復(fù)雜的網(wǎng)絡(luò)
9.1.3 自定義網(wǎng)絡(luò)的訓(xùn)練
9.2 自定義神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)
9.3 自定義神經(jīng)網(wǎng)絡(luò)實(shí)用的工具箱函數(shù)
參考文獻(xiàn)