面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用（第3版）

第3版前言
第2版前言
前言
第1章 概述
1.1 人工神經(jīng)網(wǎng)絡概念的提出
1.2 神經(jīng)細胞以及人工神經(jīng)元的組成
1.3 人工神經(jīng)網(wǎng)絡應用領域
1.4 人工神經(jīng)網(wǎng)絡發(fā)展的回顧
1.5 人工神經(jīng)網(wǎng)絡的基本結構與模型
1.5.1 人工神經(jīng)元的模型
1.5.2 激活轉移函數(shù)
1.5.3 單層神經(jīng)元網(wǎng)絡模型結構
1.5.4 多層神經(jīng)網(wǎng)絡
1.5.5 遞歸神經(jīng)網(wǎng)絡
1.6 用MATLAB計算人工神經(jīng)網(wǎng)絡輸出
1.7 本章小結
習題
第2章 前向神經(jīng)網(wǎng)絡
2.1 感知器
2.1.1 感知器的網(wǎng)絡結構
2.1.2 感知器的圖形解釋
2.1.3 感知器的學習規(guī)則
2.1.4 網(wǎng)絡的訓練
2.1.5 感知器的局限性
2.1.6 “異或”問題
2.1.7 解決線性可分性限制的辦法
2.1.8 本節(jié)小結
2.2 自適應線性元件
2.2.1 自適應線性神經(jīng)元模型和結構
2.2.2 W-H學習規(guī)則
2.2.3 網(wǎng)絡訓練
2.2.4 例題與分析
2.2.5 對比與分析
2.2.6 單步延時線及其自適應濾波器的實現(xiàn)
2.2.7 自適應線性網(wǎng)絡的應用
2.2.8 本節(jié)小結
2.3 反向傳播網(wǎng)絡
2.3.1 BP網(wǎng)絡模型與結構
2.3.2 BP學習規(guī)則
2.3.3 BP網(wǎng)絡的訓練及其設計過程
2.3.4 BP網(wǎng)絡的設計
2.3.5 限制與不足
2.3.6 反向傳播法的改進方法
2.3.7 基于數(shù)值優(yōu)化方法的網(wǎng)絡訓練算法
2.3.8 數(shù)值實例對比
2.3.9 本節(jié)小結
習題
第3章 遞歸神經(jīng)網(wǎng)絡
3.1 各種遞歸神經(jīng)網(wǎng)絡
3.1.1 全局反饋型遞歸神經(jīng)網(wǎng)絡
3.1.2 前向遞歸神經(jīng)網(wǎng)絡
3.1.3 混合型網(wǎng)絡
3.1.4 本節(jié)小結
3.2 全局反饋遞歸網(wǎng)絡
3.2.1 霍普菲爾德網(wǎng)絡模型
3.2.2 狀態(tài)軌跡
3.2.3 離散型霍普菲爾德網(wǎng)絡
3.2.4 連續(xù)型霍普菲爾德網(wǎng)絡
3.2.5 本節(jié)小結
3.3 Elman網(wǎng)絡
3.3.1 網(wǎng)絡結構及其輸入輸出關系式
3.3.2 修正網(wǎng)絡權值的學習算法
3.3.3 穩(wěn)定性推導
3.3.4 對穩(wěn)定性結論的分析
3.3.5 對角遞歸網(wǎng)絡穩(wěn)定時學習速率的確定
3.3.6 本節(jié)小結
3.4 對角遞歸神經(jīng)網(wǎng)絡
3.4.1 網(wǎng)絡結構及其輸入輸出關系式
3.4.2 網(wǎng)絡的穩(wěn)定性分析
3.4.3 進一步的討論
3.4.4 數(shù)值實例
3.4.5 本節(jié)小結
3.5 局部遞歸神經(jīng)網(wǎng)絡
3.5.1 PIDNNC的設計
3.5.2 閉環(huán)控制系統(tǒng)穩(wěn)定性分析
3.5.3 實時在線控制策略的設計步驟
3.5.4 數(shù)值應用
3.5.5 本節(jié)小結
習題
第4章 局部連接神經(jīng)網(wǎng)絡
4.1 徑向基函數(shù)網(wǎng)絡
4.1.1 徑向基函數(shù)及其網(wǎng)絡分析
4.1.2 網(wǎng)絡的訓練與設計
4.1.3 廣義徑向基函數(shù)網(wǎng)絡
4.1.4 數(shù)字應用對比及性能分析
4.1.5 本節(jié)小結
4.2 B樣條基函數(shù)及其網(wǎng)絡
4.3 CMAC神經(jīng)網(wǎng)絡
4.3.1 CMAC網(wǎng)絡基本結構
4.3.2 CMAC的學習算法
4.4局 部神經(jīng)網(wǎng)絡的性能對比分析
4.4.1 CMAC、B樣條和RBF共有的結構特點
4.4.2 CMAC、B樣條和RBF的不同之處
4.5 K型局部連接神經(jīng)網(wǎng)絡
4.5.1 網(wǎng)絡結構與權值修正法
4.5.2 網(wǎng)絡特性分析
4.5.3 數(shù)字應用對比及性能分析
4.5.4 本節(jié)小結
習題
第5章 自組織競爭神經(jīng)網(wǎng)絡
5.1 幾種聯(lián)想學習規(guī)則
5.1.1 內(nèi)星學習規(guī)則
5.1.2 外星學習規(guī)則
5.1.3 科荷倫學習規(guī)則
5.2 自組織競爭網(wǎng)絡
5.2.1 網(wǎng)絡結構
5.2.2 競爭學習規(guī)則
5.2.3 競爭網(wǎng)絡的訓練過程
5.3 科荷倫自組織映射網(wǎng)絡
5.3.1 科荷倫網(wǎng)絡拓撲結構
5.3.2 網(wǎng)絡的訓練過程
5.4 自適應共振理論
5.4.1 ART-1網(wǎng)絡結構
5.4.2 ART-1的運行過程
5.4.3 ART-2神經(jīng)網(wǎng)絡
5.5 本章小結
習題
第6章 隨機神經(jīng)網(wǎng)絡
6.1 概述
6.1.1 隨機神經(jīng)網(wǎng)絡的發(fā)展
6.1.2 GNN模型描述
6.1.3 RNN的學習算法
6.1.4 RNN的應用
6.1.5 其他隨機網(wǎng)絡
6.1.6 研究前景
6.2 用Boltzmann機求解典型NP優(yōu)化問題TSP
6.2.1 Boltzmann機網(wǎng)絡模型及其權值修正規(guī)則
6.2.2 用Boltzmann機網(wǎng)絡解TSP
6.2.3 Boltzmann機與Hopfield網(wǎng)絡解TSP的對比
6.2.4 本節(jié)小結
6.3 隨機神經(jīng)網(wǎng)絡算法改進及其應用
6.3.1 DRNN解TSP的參數(shù)推導和改進方法
6.3.2 DRNN網(wǎng)絡解TSP改進方法的實驗對比
6.3.3 本節(jié)小結
6.4 采用DRNN網(wǎng)絡優(yōu)化求解的對比研究
6.4.1 DRNN與Hopfield網(wǎng)絡求解TSP的理論分析
6.4.2 DRNN與Hopfield網(wǎng)絡解TSP的實驗對比
6.4.3 本節(jié)小結
習題
第7章 面向工具箱的神經(jīng)網(wǎng)絡實際應用
7.1 綜述
7.1.1 神經(jīng)網(wǎng)絡技術的選用
7.1.2 神經(jīng)網(wǎng)絡各種模型的應用范圍
7.1.3 網(wǎng)絡設計的基本原則
7.2 神經(jīng)網(wǎng)絡在控制系統(tǒng)中的應用
7.2.1 反饋線性化
7.2.2 問題的提出
7.2.3 神經(jīng)網(wǎng)絡設計
7.3 利用神經(jīng)網(wǎng)絡進行字母的模式識別
7.3.1 問題的闡述
7.3.2神經(jīng)網(wǎng)絡的設計
7.4 用于字符識別的三種人工神經(jīng)網(wǎng)絡的性能對比
7.4.1 用于字母識別的感知器網(wǎng)絡
7.4.2 用于字母識別的霍普菲爾德網(wǎng)絡
7.4.3 字母識別實驗及其結果分析
附錄A MATLAB 7.1神經(jīng)網(wǎng)絡工具箱4.0.6函數(shù)一覽表
附錄B 程序目錄
參考文獻