MATLAB神經(jīng)網(wǎng)絡(luò)編程

第1章 MATLAB基本知識
　1.1 MATLAB概述
　　1.1.1 MATLAB的發(fā)展史及影響
　　1.1.2 MATLAB的功能特點
　　1.1.3 MATLABR2010a的新特點
　1.2 MATLAB初步應(yīng)用
　　1.2.1 MATLAB的啟動和關(guān)閉
　　1.2.2 MATLAB的工具條與菜單
　　1.2.3 MATLAB命令窗口
　　1.2.4 MATLAB工作空間
　　1.2.5 MATLAB命令歷史窗口
　　1.2.6 MATLAB的當(dāng)前目錄
　1.3 MATLAB的變量與符號
　　1.3.1 特殊變量
　　1.3.2 標(biāo)點符號
　1.4 向量的創(chuàng)建法
　　1.4.1 直接輸入法
　　1.4.2 用冒號生成法
　　1.4.3 用函數(shù)生成法
　　1.4.4 向量的連接法
　1.5 矩陣的表示
　　1.5.1 矩陣的建立
　　1.5.2 矩陣的拆分
　1.6 矩陣元素的排列與替換
　　1.6.1 下標(biāo)與索引
　　1.6.2 元素的提取與替換
　　1.6.3 矩陣中行與列的相關(guān)操作
　　1.6.4 end函數(shù)的使用
　1.7 矩陣和數(shù)組的基本運算
　　1.7.1 矩陣和數(shù)組的運算
　　1.7.2 矩陣的函數(shù)運算
　1.8 MATLAB的幫助功能
　　1.8.1 幫助命令
　　1.8.2 查詢命令
　　1.8.3 聯(lián)機(jī)幫助
　　1.8.4 演示幫助
　　
第2章 MATLAB基本的程序及繪圖功能
　2.1 MATLAB的控制語句
　　2.1.1 條件控制
　　2.1.2 循環(huán)控制
　　2.1.3 程序的流程控制
　2.2 M文件
　　2.2.1 腳本文件
　　2.2.2 M函數(shù)
　2.3 二維圖形
　　2.3.1 基本的二維繪圖函數(shù)
　　2.3.2 線型、點型、色彩
　　2.3.3 窗口控制
　　2.3.4 坐標(biāo)軸控制
　　2.3.5 圖形標(biāo)注
　2.4 三維圖形
　　2.4.1 三維曲線繪圖
　　2.4.2 三維曲面繪圖
　　
第3章 神經(jīng)網(wǎng)絡(luò)緒論
　3.1 人工神經(jīng)網(wǎng)絡(luò)概念的提出
　3.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史及其研究的內(nèi)容
　　3.2.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史
　　3.2.2 人工神經(jīng)網(wǎng)絡(luò)研究的內(nèi)容
　3.3 神經(jīng)細(xì)胞以及人工神經(jīng)元的組成
　3.4 人工神經(jīng)元的模型
　3.5 神經(jīng)元的結(jié)構(gòu)
　3.6 神經(jīng)網(wǎng)絡(luò)的特點與優(yōu)點
　3.7 人工神經(jīng)元的應(yīng)用
　3.8 人工神經(jīng)元與人工智能
　　3.8.1 人工智能的概述
　　3.8.2 人工神經(jīng)元與人工智能的比較
　3.9 用MATLAB計算人工神經(jīng)網(wǎng)絡(luò)輸出
　　
第4章 前向型神經(jīng)網(wǎng)絡(luò)
　4.1 感知器網(wǎng)絡(luò)
　　4.1.1 感知器的結(jié)構(gòu)
　　4.1.2 感知器的學(xué)習(xí)
　　4.1.3 感知器的局限性
　　4.1.4 感知器的“異域”問題
　　4.1.5 感知器的神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)
　　4.1.6 感知器網(wǎng)絡(luò)的實現(xiàn)
　　4.1.7 線性分類問題的擴(kuò)展討論
　　4.1.8 線性可分限制的解決方法
　4.2 線性神經(jīng)網(wǎng)絡(luò)
　　4.2.1 線性神經(jīng)網(wǎng)絡(luò)的模型
　　4.2.2 W-H學(xué)習(xí)規(guī)則
　　4.2.3 線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　4.2.4 線性神經(jīng)網(wǎng)絡(luò)的構(gòu)建
　　4.2.5 網(wǎng)絡(luò)訓(xùn)練
　　4.2.6 線性神經(jīng)網(wǎng)絡(luò)的實現(xiàn)
　　4.2.7 線性神經(jīng)網(wǎng)絡(luò)的局限性
　　4.2.8 系統(tǒng)辨識
　4.3 BP傳播網(wǎng)絡(luò)
　　4.3.1 BP網(wǎng)絡(luò)模型結(jié)構(gòu)
　　4.3.2 BP學(xué)習(xí)規(guī)則
　　4.3.3 BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　4.3.4 BP網(wǎng)絡(luò)的實現(xiàn)
　　4.3.5 BP網(wǎng)絡(luò)的限制
　　4.3.6 BP方法的改進(jìn)
　　
第5章 局部型神經(jīng)網(wǎng)絡(luò)
　5.1 徑向基函數(shù)網(wǎng)絡(luò)
　　5.1.1 徑向神經(jīng)元與徑向基函數(shù)網(wǎng)絡(luò)模型
　　5.1.2 徑向基函數(shù)網(wǎng)絡(luò)的學(xué)習(xí)算法
　　5.1.3 廣義回歸神經(jīng)網(wǎng)絡(luò)
　　5.1.4 徑向基函數(shù)網(wǎng)絡(luò)的訓(xùn)練函數(shù)
　　5.1.5 徑向基函數(shù)網(wǎng)絡(luò)的實現(xiàn)
　　5.1.6 基于RBF網(wǎng)絡(luò)的非線性濾波
　　5.1.7 RBF網(wǎng)絡(luò)與多層感知器的比較
　5.2 B樣條基函數(shù)
　5.3 概率神經(jīng)網(wǎng)絡(luò)
　　5.3.1 PNN網(wǎng)絡(luò)結(jié)構(gòu)
　　5.3.2 PNN網(wǎng)絡(luò)的工作原理
　　5.3.3 PNN網(wǎng)絡(luò)的設(shè)計
　5.4 CMAC網(wǎng)絡(luò)
　　5.4.1 CMAC網(wǎng)絡(luò)基本結(jié)構(gòu)
　　5.4.2 CMAC的學(xué)習(xí)算法
　5.5 GMDH網(wǎng)絡(luò)
　　5.5.1 GMDH網(wǎng)絡(luò)的概述
　　5.5.2 GMDH網(wǎng)絡(luò)的訓(xùn)練
　5.6 CMAC、B樣條和RBF的異同
　　5.6.1 CMAC、B樣條和RBF的相同之處
　　5.6.2 CMAC、B樣條和RBF的不同之處
　　
第6章 反饋型神經(jīng)網(wǎng)絡(luò)
　6.1 Hopfield網(wǎng)絡(luò)
　　6.1.1 離散Hopfield網(wǎng)絡(luò)
　　6.1.2 連續(xù)Hopfield網(wǎng)絡(luò)
　　6.1.3 聯(lián)想記憶
　　6.1.4 Hopfield網(wǎng)絡(luò)結(jié)構(gòu)
　　6.1.5 Hopfield網(wǎng)絡(luò)模型學(xué)習(xí)過程
　　6.1.6 幾個重要結(jié)論
　　6.1.7 Hopfield網(wǎng)絡(luò)的應(yīng)用
　6.2 Elman網(wǎng)絡(luò)
　　6.2.1 Elman網(wǎng)絡(luò)結(jié)構(gòu)
　　6.2.2 修正網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法
　　6.2.3 穩(wěn)定性推導(dǎo)
　　6.2.4 對角遞歸網(wǎng)絡(luò)穩(wěn)定時學(xué)習(xí)速率的確定
　　6.2.5 Elman網(wǎng)絡(luò)與訓(xùn)練
　　6.2.6 Elman網(wǎng)絡(luò)的應(yīng)用
　6.3 雙向聯(lián)想記憶網(wǎng)絡(luò)
　　6.3.1 BAM網(wǎng)絡(luò)結(jié)構(gòu)與原理
　　6.3.2 能量函數(shù)與穩(wěn)定性分析
　　6.3.3 BAM網(wǎng)絡(luò)的權(quán)值設(shè)計
　　6.3.4 BAM網(wǎng)絡(luò)的應(yīng)用
　6.4 盒中腦模型
　　6.4.1 盒中腦模型的描述
　　6.4.2 盒中腦模型的實現(xiàn)
　6.5 局部遞歸神經(jīng)網(wǎng)絡(luò)
　　6.5.1 PIDNNC的設(shè)計
　　6.5.2 閉環(huán)控制系統(tǒng)穩(wěn)定性分析
　　
第7章 競爭型神經(jīng)網(wǎng)絡(luò)
　7.1 自組織神經(jīng)網(wǎng)絡(luò)的基本函數(shù)
　　7.1.1 創(chuàng)建函數(shù)
　　7.1.2 學(xué)習(xí)函數(shù)
　　7.1.3 競爭傳遞函數(shù)
　　7.1.4 初始化函數(shù)
　　7.1.5 距離函數(shù)
　　7.1.6 訓(xùn)練競爭層函數(shù)
　　7.1.7 繪圖函數(shù)
　　7.1.8 結(jié)構(gòu)函數(shù)
　7.2 自組織競爭神經(jīng)網(wǎng)絡(luò)
　　7.2.1 常用的幾種聯(lián)想學(xué)習(xí)規(guī)則
　　7.2.2 自組織競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.2.3 自組織競爭神經(jīng)網(wǎng)絡(luò)的設(shè)計
　　7.2.4 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　7.3 自組織特征映射網(wǎng)絡(luò)
　　7.3.1 自組織特征映射網(wǎng)絡(luò)模型
　　7.3.2 自組織特征映射網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.3.3 自組織特征映射網(wǎng)絡(luò)的設(shè)計
　　7.3.4 自組織特征映射網(wǎng)絡(luò)的應(yīng)用
　7.4 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)
　　7.4.1 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.4.2 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
　　7.4.3 學(xué)習(xí)向量量化的學(xué)習(xí)算法的改進(jìn)
　　7.4.4 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　7.5 主分量分析
　　7.5.1 主分量分析方法
　　7.5.2 主分量分析網(wǎng)絡(luò)的算法
　　7.5.3 非線性主分量分析及其網(wǎng)絡(luò)模型
　　
第8章 神經(jīng)網(wǎng)絡(luò)控制的綜合應(yīng)用
　8.1 神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)
　　8.1.1 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制
　　8.1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測控制
　　8.1.3 神經(jīng)網(wǎng)絡(luò)自適應(yīng)評判控制
　8.2 最小方差自校正控制
　　8.2.1 最小方差控制
　　8.2.2 最小方差間接自校正控制
　　8.2.3 最小方差直接自校正控制
　8.3 模型預(yù)測控制
　　8.3.1 系統(tǒng)辨識
　　8.3.2 廣義預(yù)測控制
　8.4 農(nóng)作物蟲情預(yù)測
　　8.4.1 基于神經(jīng)網(wǎng)絡(luò)的蟲情預(yù)測原理
　　8.4.2 BP網(wǎng)絡(luò)設(shè)計
　8.5 模型參考控制
　　8.5.1 模型參考控制概念
　　8.5.2 模型參考控制實例分析
　8.6 神經(jīng)網(wǎng)絡(luò)控制的應(yīng)用
　　8.6.1 機(jī)器人神經(jīng)網(wǎng)絡(luò)數(shù)字控制
　　8.6.2 神經(jīng)網(wǎng)絡(luò)的跟蹤迭代學(xué)習(xí)控制
　　
第9章 神經(jīng)網(wǎng)絡(luò)在Simulink中的應(yīng)用
　9.1 Simulink交互式仿真集成環(huán)境
　　9.1.1 Simulink模型的創(chuàng)建
　　9.1.2 Simulink仿真
　　9.1.3 Simulink簡單示例
　9.2 Simulink神經(jīng)網(wǎng)絡(luò)模塊
　　9.2.1 傳遞函數(shù)模塊
　　9.2.2 網(wǎng)絡(luò)輸入模塊
　　9.2.3 權(quán)值設(shè)置模塊
　　9.2.4 控制系統(tǒng)模塊
　9.3 Simulink應(yīng)用示例
　　
第10章 神經(jīng)網(wǎng)絡(luò)的模糊控制及其自定義網(wǎng)絡(luò)
　10.1 神經(jīng)網(wǎng)絡(luò)的模糊控制
　　10.1.1 神經(jīng)網(wǎng)絡(luò)控制的結(jié)構(gòu)
　　10.1.2 神經(jīng)網(wǎng)絡(luò)的特征
　　10.1.3 神經(jīng)網(wǎng)絡(luò)模糊控制器的應(yīng)用
　　10.1.4 神經(jīng)網(wǎng)絡(luò)模糊控制應(yīng)用于洗衣機(jī)中
　10.2 神經(jīng)網(wǎng)絡(luò)的自定義網(wǎng)絡(luò)
　　10.2.1 定制網(wǎng)絡(luò)
　　10.2.2 網(wǎng)絡(luò)設(shè)計
　　10.2.3 網(wǎng)絡(luò)訓(xùn)練
參考文獻(xiàn)