MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計

前言
第1章 神經(jīng)網(wǎng)絡(luò)概述 1
1.1 神經(jīng)網(wǎng)絡(luò)的基本概念 1
1.1.1 生物神經(jīng)元的結(jié)構(gòu)與功能特點 1
1.1.2 人工神經(jīng)元模型 1
1.1.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及工作方式 3
1.1.4 神經(jīng)網(wǎng)絡(luò)的學習 4
1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展和應(yīng)用 7
1.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展 7
1.2.2 神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容 8
1.2.3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 8
1.3 神經(jīng)網(wǎng)絡(luò)的特點 8
1.4 MATLAB語言及入門 9
1.4.1 MATLAB概述 9
1.4.2 MATLAB語言特點 11
1.4.3 MATLAB快速入門 12
1.5 神經(jīng)網(wǎng)絡(luò)工具箱 23
第2章 感知神經(jīng)網(wǎng)絡(luò) 24
2.1 單層感知器 24
2.1.1 感知器模型 24
2.1.2 感知器的功能 25
2.1.3 感知器的局限性 27
2.1.4 感知器的學習算法 27
2.1.5 單層感知器的MATLAB實現(xiàn) 29
2.2 多層感知器 35
2.3 感知器神經(jīng)網(wǎng)絡(luò)的學習和訓練 36
2.3.1 學習規(guī)則 36
2.3.2 網(wǎng)絡(luò)訓練 37
2.4 基于BP算法的多層感知器設(shè)計基礎(chǔ) 39
2.4.1 網(wǎng)絡(luò)信息容量與訓練樣本基礎(chǔ) 39
2.4.2 訓練樣本集的設(shè)計 40
2.4.3 初始權(quán)值的設(shè)計 43
2.4.4 多層感知器的結(jié)構(gòu)設(shè)計 44
2.4.5 網(wǎng)絡(luò)訓練與測試 45
2.5 感知器設(shè)計實例 46
2.5.1 二輸入感知器分類問題 46
2.5.2 輸入奇異樣本對網(wǎng)絡(luò)訓練的影響 47
2.5.3 線性不可分輸入量 48
第3章 自組織競爭神經(jīng)網(wǎng)絡(luò) 50
3.1 競爭學習的概念與原理 50
3.1.1 基本概念 50
3.1.2 競爭學習原理 52
3.2 自組織神經(jīng)網(wǎng)絡(luò)模型 54
3.2.1 自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 55
3.2.2 自組織特征映射網(wǎng)絡(luò)學習算法 55
3.3 自組織競爭網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 56
3.3.1 神經(jīng)網(wǎng)絡(luò)創(chuàng)建函數(shù) 57
3.3.2 顯示函數(shù) 58
3.3.3 變換函數(shù) 58
3.3.4 傳遞函數(shù) 60
3.3.5 距離函數(shù) 61
3.3.6 初始化函數(shù) 64
3.3.7 權(quán)值函數(shù) 64
3.3.8 學習函數(shù) 65
3.3.9 結(jié)構(gòu)函數(shù) 66
3.4 實例分析 71
3.4.1 自組織競爭網(wǎng)絡(luò)在模式分類中的應(yīng)用 71
3.4.2 一維自組織特征映射網(wǎng)絡(luò)設(shè)計 73
3.4.3 二維自組織特征映射網(wǎng)絡(luò)設(shè)計 75
3.4.4 LVQ模式分類網(wǎng)絡(luò)設(shè)計 77
3.5 自適應(yīng)共振理論網(wǎng)絡(luò) 79
3.5.1 ART I型網(wǎng)絡(luò) 80
3.5.2 ART II型網(wǎng)絡(luò) 87
第4章 BP神經(jīng)網(wǎng)絡(luò) 92
4.1 BP網(wǎng)絡(luò)模型結(jié)構(gòu) 92
4.1.1 神經(jīng)元模型 92
4.1.2 前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 93
4.2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建與算法 94
4.2.1 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 94
4.2.2 BP網(wǎng)絡(luò)的學習算法 95
4.3 BP網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 98
4.3.1 BP網(wǎng)絡(luò)創(chuàng)建函數(shù) 99
4.3.2 神經(jīng)元上的傳遞函數(shù) 100
4.3.3 BP網(wǎng)絡(luò)學習函數(shù) 103
4.3.4 BP網(wǎng)絡(luò)訓練函數(shù) 104
4.3.5 性能函數(shù) 106
4.3.6 顯示函數(shù) 107
4.4 BP網(wǎng)絡(luò)的局限性 112
4.5 BP網(wǎng)絡(luò)的應(yīng)用實例分析 113
4.5.1 函數(shù)逼近 113
4.5.2 模式識別 119
第5章 線性神經(jīng)網(wǎng)絡(luò) 129
5.1 線性神經(jīng)網(wǎng)絡(luò)構(gòu)建 129
5.1.1 生成線性神經(jīng)元 129
5.1.2 線性神經(jīng)元系統(tǒng)設(shè)計 130
5.1.3 線性濾波器 131
5.2 線性神經(jīng)網(wǎng)絡(luò)學習算法 132
5.2.1 線性神經(jīng)元網(wǎng)絡(luò)模型 132
5.2.2 線性神經(jīng)網(wǎng)絡(luò)的學習算法 133
5.3 線性網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 134
5.3.1 線性網(wǎng)絡(luò)創(chuàng)建及設(shè)計函數(shù) 134
5.3.2 學習函數(shù) 135
5.3.3 傳輸及均方誤差函數(shù) 139
5.4 線性網(wǎng)絡(luò)的局限性 140
5.4.1 不定系統(tǒng) 140
5.4.2 超定系統(tǒng) 143
5.4.3 線性相關(guān)向量 145
5.4.4 學習速率過大 146
5.5 線性神經(jīng)網(wǎng)絡(luò)應(yīng)用實例分析 148
5.5.1 線性系統(tǒng)辨識 148
5.5.2 應(yīng)用線性網(wǎng)絡(luò)進行預測 150
5.5.3 自適應(yīng)預測 152
5.5.4 自適應(yīng)系統(tǒng)辨識 154
第6章 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 157
6.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型與學習算法 157
6.1.1 RBF神經(jīng)網(wǎng)絡(luò)模型 157
6.1.2 RBF網(wǎng)絡(luò)的學習算法 158
6.2 徑向基網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)函數(shù) 159
6.2.1 神經(jīng)網(wǎng)絡(luò)的創(chuàng)建函數(shù) 160
6.2.2 轉(zhuǎn)換函數(shù) 162
6.2.3 傳遞函數(shù) 162
6.3 基于徑向基函數(shù)技術(shù)的函數(shù)逼近與內(nèi)插 163
6.3.1 插值問題描述 163
6.3.2 徑向基函數(shù)技術(shù)解決插值問題 163
6.3.3 完全內(nèi)插存在的問題 165
6.4 概率神經(jīng)網(wǎng)絡(luò) 166
6.4.1 PNN網(wǎng)絡(luò)結(jié)構(gòu) 166
6.4.2 PNN網(wǎng)絡(luò)的工作原理 167
6.4.3 概率神經(jīng)網(wǎng)絡(luò)的設(shè)計 167
6.5 正則化理論與正則化RBF網(wǎng)絡(luò) 168
6.5.1 正則化理論 168
6.5.2 正則化RBF網(wǎng)絡(luò) 170
6.6 模式可分性觀點與廣義的RBF網(wǎng)絡(luò) 171
6.6.1 模式的可分性 171
6.6.2 廣義RBF網(wǎng)絡(luò) 172
6.7 徑向基函數(shù)的網(wǎng)絡(luò)應(yīng)用實例 173
6.7.1 函數(shù)逼近 173
6.7.2 散布常數(shù)對徑向基函數(shù)網(wǎng)絡(luò)設(shè)計的影響 175
6.7.3 應(yīng)用PNN進行變量分類 177
6.7.4 應(yīng)用GRNN進行函數(shù)逼近 179
第7章 反饋神經(jīng)網(wǎng)絡(luò)及 MATLAB實現(xiàn) 182
7.1 Hopfield神經(jīng)網(wǎng)絡(luò)及MATLAB實現(xiàn) 182
7.1.1 離散型Hopfield神經(jīng)網(wǎng)絡(luò) 182
7.1.2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò) 187
7.1.3 Hopfield網(wǎng)絡(luò)的MATLAB開發(fā) 189
7.2 Elman神經(jīng)網(wǎng)絡(luò)及應(yīng)用 191
7.2.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 191
7.2.2 Elman神經(jīng)網(wǎng)絡(luò)的學習過程 192
7.2.3 Elman神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用 192
7.2.4 基于Elman網(wǎng)絡(luò)的空調(diào)負荷預測 196
7.3 雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò) 198
7.3.1 BAM網(wǎng)絡(luò)結(jié)構(gòu)與原理 199
7.3.2 能量函數(shù)與穩(wěn)定性分析 199
7.3.3 BAM網(wǎng)的權(quán)值設(shè)計 200
7.3.4 BAM網(wǎng)的應(yīng)用 201
7.4 反饋網(wǎng)絡(luò)應(yīng)用實例分析 202
7.4.1 Hopfield網(wǎng)絡(luò)的不穩(wěn)定性 202
7.4.2 三神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)設(shè)計 204
7.4.3 應(yīng)用CHNN網(wǎng)解決優(yōu)化計算問題 206
7.5 Boltzmann機網(wǎng)絡(luò)及仿真 209
7.5.1 BM網(wǎng)絡(luò)的基本結(jié)構(gòu) 209
7.5.2 BM模型的工作規(guī)則和學習規(guī)則 209
7.5.3 BM網(wǎng)絡(luò)的MATLAB仿真 212
第8章 神經(jīng)網(wǎng)絡(luò)預測與控制 214
8.1 電力系統(tǒng)負荷預報的MATLAB實現(xiàn) 214
8.1.1 問題描述 214
8.1.2 輸入/輸出向量設(shè)計 215
8.1.3 BP網(wǎng)絡(luò)設(shè)計 216
8.1.4 網(wǎng)絡(luò)訓練 216
8.2 地震預報的MATLAB實現(xiàn) 218
8.2.1 概述 219
8.2.2 BP網(wǎng)絡(luò)設(shè)計 220
8.2.3 BP網(wǎng)絡(luò)訓練與測試 220
8.2.4 地震預測的競爭網(wǎng)絡(luò)模型 224
8.3 交通運輸能力預測的MATLAB實現(xiàn) 226
8.3.1 背景概述 227
8.3.2 網(wǎng)絡(luò)創(chuàng)建與訓練 227
8.3.3 結(jié)論與分析 231
8.4 河道淺灘演變預測的MATLAB實現(xiàn) 233
8.4.1 基于BP網(wǎng)絡(luò)的演變預測 233
8.4.2 基于RBF網(wǎng)絡(luò)的演變預測 239
8.5 農(nóng)作物蟲情預測的MATLAB實現(xiàn) 239
8.5.1 基于神經(jīng)網(wǎng)絡(luò)的蟲情預測原理 240
8.5.2 BP網(wǎng)絡(luò)設(shè)計 241
8.6 用水測量的MATLAB實現(xiàn) 243
8.6.1 問題概述 244
8.6.2 RBF網(wǎng)絡(luò)設(shè)計 244
8.7 神經(jīng)網(wǎng)絡(luò)模型預測控制 246
8.7.1 系統(tǒng)辨識 246
8.7.2 預測控制 247
8.7.3 神經(jīng)網(wǎng)絡(luò)模型預測控制器實例分析 247
8.8 NARMA？L2（反饋線性化）控制 252
8.8.1 NARMA？L2模型辨識 252
8.8.2 NARMA？L2控制器 253
8.8.3 NARMA？L2控制器實例分析 254
第9章 神經(jīng)網(wǎng)絡(luò)優(yōu)化及故障診斷 259
9.1 BP網(wǎng)絡(luò)學習算法的改進 259
9.1.1 消除樣本輸入順序影響的改進算法 259
9.1.2 附加動量的改進算法 260
9.1.3 采用自適應(yīng)調(diào)整參數(shù)的改進算法 260
9.1.4 使用彈性方法的改進算法 261
9.1.5 基于共軛梯度法的改進算法 261
9.1.6 基于Levenberg-Marquardt法的改進算法 261
9.2 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 262
9.2.1 概述 262
9.2.2 遺傳算法簡介 263
9.2.3 遺傳算法工具箱 264
9.2.4 用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的學習過程 265
9.3 小波神經(jīng)網(wǎng)絡(luò) 266
9.3.1 概述 266
9.3.2 小波神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)整算法 267
9.3.3 小波神經(jīng)網(wǎng)絡(luò)的MATLAB函數(shù) 270
9.4 神經(jīng)網(wǎng)絡(luò)與故障模式識別 270
9.4.1 常用的模式識別方法 271
9.4.2 神經(jīng)網(wǎng)絡(luò)在故障模式識別中的應(yīng)用 271
9.5 基于概率神經(jīng)網(wǎng)絡(luò)的故障診斷 273
9.5.1 概述 273
9.5.2 基于PNN的故障診斷 273
9.5.3 結(jié)論 275
9.6 基于BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)的齒輪箱故障診斷 276
9.6.1 工程描述 276
9.6.2 輸入和目標向量設(shè)計 277
9.6.3 BP網(wǎng)絡(luò)設(shè)計 277
9.6.4 Elman網(wǎng)絡(luò)設(shè)計 280
9.7 基于RBF網(wǎng)絡(luò)的船用柴油機故障診斷 282
9.7.1 問題描述 282
9.7.2 渦輪增壓系統(tǒng)的故障診斷 282
9.7.3 網(wǎng)絡(luò)設(shè)計 284
第10章 圖形用戶界面設(shè)計 288
10.1 事件處理 288
10.2 回調(diào)函數(shù) 289
10.2.1 中斷回調(diào)規(guī)則 291
10.2.2 回調(diào)函數(shù)原形 291
10.3 回調(diào)處理 293
10.3.1 遞歸函數(shù)調(diào)用 293
10.3.2 M文件調(diào)用 295
10.3.3 函數(shù)句柄調(diào)用 297
10.4 網(wǎng)絡(luò)的創(chuàng)建 298
10.4.1 設(shè)置輸入和期望輸出 298
10.4.2 網(wǎng)絡(luò)生成 300
10.5 網(wǎng)絡(luò)訓練與仿真 302
10.5.1 網(wǎng)絡(luò)訓練 302
10.5.2 網(wǎng)絡(luò)仿真 302
10.6 GUI的數(shù)據(jù)處理 303
10.6.1 GUI導出數(shù)據(jù)到MATLAB工作空間 304
10.6.2 GUI的數(shù)據(jù)清除 305
10.6.3 GUI從MATLAB工作空間導入數(shù)據(jù) 305
10.6.4 GUI數(shù)據(jù)文件的存取 307
10.7 M文件編程設(shè)計 309
10.7.1 界面設(shè)計 309
10.7.2 函數(shù)回調(diào) 316
參考文獻 320