MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解

第1篇 入門篇
　第1章 神經(jīng)網(wǎng)絡(luò)概述（ 教學(xué)視頻：10分鐘）
　　1.1 人工神經(jīng)網(wǎng)絡(luò)簡介
　　1.2 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及應(yīng)用
　　1.2.1 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
　　1.2.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　　1.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
　　1.4 神經(jīng)網(wǎng)絡(luò)模型
　　1.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式
　第2章 matlab快速入門（ 教學(xué)視頻：48分鐘）
　　2.1 matlab功能及歷史
　　2.1.1 matlab的功能和特點(diǎn)
　　2.1.2 matlab發(fā)展歷史
　　2.2 matlab r2011b集成開發(fā)環(huán)境
　　2.2.1 matlab的安裝
　　2.2.2 matlab集成開發(fā)環(huán)境
　　2.2.3 搜索路徑設(shè)定
　　2.3 matlab語言基礎(chǔ)
　　2.3.1 標(biāo)識符與數(shù)組
　　2.3.2 數(shù)據(jù)類型
　　2.3.3 運(yùn)算符
　　2.3.4 流程控制
　　2.3.5 m文件
　第3章 matlab函數(shù)與神經(jīng)網(wǎng)絡(luò)工具箱（ 教學(xué)視頻：62分鐘）
　　3.1 matlab常用命令
　　3.2 矩陣生成和基本運(yùn)算
　　3.2.1 zeros 生成全零矩陣
　　3.2.2 ones 生成全1矩陣
　　3.2.3 magic 生成魔方矩陣
　　3.2.4 eye 生成單位矩陣
　　3.2.5 rand 生成均勻分布隨機(jī)數(shù)
　　3.2.6 randn 生成正態(tài)分布隨機(jī)數(shù)
　　3.2.7 linspace 產(chǎn)生線性等分向量
　　3.2.8 logspace 產(chǎn)生對數(shù)等分向量
　　3.2.9 randperm 生成隨機(jī)整數(shù)排列
　　3.2.10 randi 生成整數(shù)隨機(jī)數(shù)
　　3.2.11 range 向量的最大/最小值之差
　　3.2.12 minmax求最大/最小值
　　3.2.13 min/max/mean求最大/最小值
　　3.2.14 size/length/numel/ndims 矩陣維度相關(guān)
　　3.2.15 sum/prod 求和或積
　　3.2.16 var/std 求方差與標(biāo)準(zhǔn)差
　　3.2.17 diag 生成對角矩陣
　　3.2.18 repmat 矩陣復(fù)制和平鋪
　　3.2.19 reshape 矩陣變維
　　3.2.20 inv/pinv 矩陣求逆/求偽逆
　　3.2.21 rank/det 求矩陣的秩/行列式
　　3.2.22 eig 矩陣的特征值分解
　　3.2.23 svd 矩陣的奇異值分解
　　3.2.24 trace 求矩陣的跡
　　3.2.25 norm 求向量或矩陣的范數(shù)
　　3.3 數(shù)學(xué)函數(shù)
　　3.3.1 abs 求絕對值
　　3.3.2 exp/log 指數(shù)函數(shù)/對數(shù)函數(shù)
　　3.3.3 log10/log2 常用對數(shù)/以2為底的對數(shù)
　　3.3.4 fix/round/ceil/floor 取整函數(shù)
　　3.3.5 mod/rem 取模數(shù)/余數(shù)
　　3.4 圖形相關(guān)函數(shù)
　　3.4.1 plot 繪制二維圖像
　　3.4.2 坐標(biāo)軸設(shè)置函數(shù)
　　3.4.3 subplot 同一窗口分區(qū)繪圖
　　3.4.4 figure/hold 創(chuàng)建窗口/圖形保持
　　3.4.5 semilogx/semilogy 單對數(shù)坐標(biāo)圖
　　3.4.6 contour/ clabel曲面等高線/等高線標(biāo)簽
　　3.4.7 gcf/gca/gco 返回當(dāng)前圖形/坐標(biāo)/對象句柄
　　3.4.8 mesh 繪制三維網(wǎng)格圖
　　3.5 神經(jīng)網(wǎng)絡(luò)工具箱
　　3.5.1 工具箱函數(shù)基本介紹
　　3.5.2 神經(jīng)網(wǎng)絡(luò)對象與屬性
第2篇 原理篇
　第4章 單層感知器（ 教學(xué)視頻：27分鐘）
　　4.1 單層感知器的結(jié)構(gòu)
　　4.2 單層感知器的學(xué)習(xí)算法
　　4.3 感知器的局限性
　　4.4 單層感知器相關(guān)函數(shù)詳解
　　4.4.1 newp——創(chuàng)建一個感知器
　　4.4.2 train——訓(xùn)練感知器網(wǎng)絡(luò)
　　4.4.3 sim——對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真
　　4.4.4 hardlim/hardlims——感知器傳輸函數(shù)
　　4.4.5 init——神經(jīng)網(wǎng)絡(luò)初始化函數(shù)
　　4.4.6 adapt——神經(jīng)網(wǎng)絡(luò)的自適應(yīng)
　　4.4.7 mae——平均絕對誤差性能函數(shù)
　　4.5 單層感知器應(yīng)用實(shí)例——坐標(biāo)點(diǎn)的二類模式分類
　　4.5.1 手算
　　4.5.2 使用工具箱函數(shù)
　第5章 線性神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：41分鐘）
　　5.1 線性神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　5.2 lms學(xué)習(xí)算法
　　5.3 lms算法中學(xué)習(xí)率的選擇
　　5.3.1 確保網(wǎng)絡(luò)穩(wěn)定收斂的學(xué)習(xí)率
　　5.3.2 學(xué)習(xí)率逐漸下降
　　5.4 線性神經(jīng)網(wǎng)絡(luò)與感知器的對比
　　5.4.1 網(wǎng)絡(luò)傳輸函數(shù)
　　5.4.2 學(xué)習(xí)算法
　　5.5 線性神經(jīng)網(wǎng)絡(luò)相關(guān)函數(shù)詳解
　　5.5.1 newlind——設(shè)計(jì)一個線性層
　　5.5.2 newlin——構(gòu)造一個線性層
　　5.5.3 purelin——線性傳輸函數(shù)
　　5.5.4 learnwh——lms學(xué)習(xí)函數(shù)
　　5.5.5 maxlinlr——計(jì)算最大學(xué)習(xí)率
　　5.5.6 mse——均方誤差性能函數(shù)
　　5.5.7 linearlayer——構(gòu)造線性層的函數(shù)
　　5.6 線性神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例
　　5.6.1 實(shí)現(xiàn)二值邏輯——與
　　5.6.2 實(shí)現(xiàn)二值邏輯——異或
　第6章 bp神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：49分鐘）
　　6.1 bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　6.2 bp網(wǎng)絡(luò)的學(xué)習(xí)算法
　　6.2.1 最速下降法
　　6.2.2 最速下降bp法
　　6.2.3 串行和批量訓(xùn)練方式
　　6.2.4 最速下降bp法的改進(jìn)
　　6.3 設(shè)計(jì)bp網(wǎng)絡(luò)的方法
　　6.4 bp神經(jīng)網(wǎng)絡(luò)的局限性
　　6.5 bp網(wǎng)絡(luò)相關(guān)函數(shù)詳解
　　6.5.1 logsig——log-sigmoid傳輸函數(shù)
　　6.5.2 tansig——tan-sigmoid傳輸函數(shù)
　　6.5.3 newff——創(chuàng)建一個bp網(wǎng)絡(luò)
　　6.5.4 feedforwardnet——創(chuàng)建一個bp網(wǎng)絡(luò)
　　6.5.5 newcf——級聯(lián)的前向神經(jīng)網(wǎng)絡(luò)
　　6.5.6 cascadeforwardnet——新版級聯(lián)前向網(wǎng)絡(luò)
　　6.5.7 newfftd——前饋輸入延遲的bp網(wǎng)絡(luò)
　　6.5.8 dlogsig/dtansig——sigmoid函數(shù)的導(dǎo)數(shù)
　　6.6 bp神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例
　　6.6.1 基于bp網(wǎng)絡(luò)的性別識別
　　6.6.2 實(shí)現(xiàn)二值邏輯——異或
　第7章 徑向基函數(shù)網(wǎng)絡(luò)（ 教學(xué)視頻：62分鐘）
　　7.1 徑向基神經(jīng)網(wǎng)絡(luò)的兩種結(jié)構(gòu)
　　7.1.1 徑向基函數(shù)
　　7.1.2 正則化網(wǎng)絡(luò)
　　7.1.3 廣義網(wǎng)絡(luò)
　　7.2 徑向基神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
　　7.2.1 隨機(jī)選取固定中心
　　7.2.2 自組織選取中心
　　7.2.3 有監(jiān)督選取中心
　　7.2.4 正交最小二乘法
　　7.3 徑向基神經(jīng)網(wǎng)絡(luò)與多層感知器的比較
　　7.4 概率神經(jīng)網(wǎng)絡(luò)
　　7.4.1 模式分類的貝葉斯決策理論
　　7.4.2 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.4.3 概率神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)
　　7.5 廣義回歸神經(jīng)網(wǎng)絡(luò)
　　7.5.1 廣義回歸神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
　　7.5.2 廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　　7.6 徑向基神經(jīng)網(wǎng)絡(luò)相關(guān)函數(shù)詳解
　　7.6.1 newrb——設(shè)計(jì)一個徑向基函數(shù)網(wǎng)絡(luò)
　　7.6.2 newrbe——設(shè)計(jì)一個嚴(yán)格的徑向基網(wǎng)絡(luò)
　　7.6.3 radbas——徑向基函數(shù)
　　7.6.4 dist——?dú)W幾里得距離權(quán)函數(shù)
　　7.6.5 netprod——乘積網(wǎng)絡(luò)輸入函數(shù)
　　7.6.6 dotprod——內(nèi)積權(quán)函數(shù)
　　7.6.7 netsum——求和網(wǎng)絡(luò)輸入函數(shù)
　　7.6.8 newpnn——設(shè)計(jì)概率神經(jīng)網(wǎng)絡(luò)
　　7.6.9 compet——競爭性傳輸函數(shù)
　　7.6.10 ind2vec/vec2ind——向量-下標(biāo)轉(zhuǎn)換函數(shù)
　　7.6.11 newgrnn——設(shè)計(jì)廣義回歸神經(jīng)網(wǎng)絡(luò)
　　7.6.12 normprod——?dú)w一化點(diǎn)積權(quán)函數(shù)
　　7.7 徑向基網(wǎng)絡(luò)應(yīng)用實(shí)例
　　7.7.1 異或問題
　　7.7.2 rbf網(wǎng)絡(luò)曲線擬合
　　7.7.3 grnn網(wǎng)絡(luò)曲線擬合
　　7.7.4 pnn網(wǎng)絡(luò)用于坐標(biāo)點(diǎn)分類
　第8章 自組織競爭神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：52分鐘）
　　8.1 競爭神經(jīng)網(wǎng)絡(luò)
　　8.2 競爭神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
　　8.2.1 kohonen學(xué)習(xí)規(guī)則
　　8.2.2 閾值學(xué)習(xí)規(guī)則
　　8.3 自組織特征映射網(wǎng)絡(luò)
　　8.4 som的學(xué)習(xí)算法
　　8.5 學(xué)習(xí)矢量量化網(wǎng)絡(luò)
　　8.5.1 lvq1學(xué)習(xí)規(guī)則
　　8.5.2 lvq2規(guī)則
　　8.6 自組織競爭網(wǎng)絡(luò)相關(guān)函數(shù)詳解
　　8.6.1 gridtop——網(wǎng)格拓?fù)浜瘮?shù)
　　8.6.2 hextop——六邊形拓?fù)浜瘮?shù)
　　8.6.3 randtop——隨機(jī)拓?fù)浣Y(jié)構(gòu)函數(shù)
　　8.6.4 tritop——三角拓?fù)浜瘮?shù)
　　8.6.5 dist、boxdist、linkdist、mandist——距離函數(shù)
　　8.6.6 newc——競爭網(wǎng)絡(luò)
　　8.6.7 competlayer——新版競爭網(wǎng)絡(luò)函數(shù)
　　8.6.8 newsom——自組織特征映射網(wǎng)絡(luò)
　　8.6.9 selforgmap——新版自組織映射網(wǎng)絡(luò)函數(shù)
　　8.6.10 newlvq——學(xué)習(xí)矢量量化網(wǎng)絡(luò)
　　8.6.11 lvqnet——新版學(xué)習(xí)矢量量化網(wǎng)絡(luò)函數(shù)
　　8.6.12 mapminmax——?dú)w一化函數(shù)
　　8.7 自組織競爭神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例
　　8.7.1 坐標(biāo)點(diǎn)的分類（競爭神經(jīng)網(wǎng)絡(luò)）
　　8.7.2 坐標(biāo)點(diǎn)的分類（自組織映射網(wǎng)絡(luò)）
　第9章 反饋神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：51分鐘）
　　9.1 離散hopfield神經(jīng)網(wǎng)絡(luò)
　　9.1.1 hopfield網(wǎng)絡(luò)的結(jié)構(gòu)
　　9.1.2 hopfield網(wǎng)絡(luò)的穩(wěn)定性
　　9.1.3 設(shè)計(jì)離散hopfield網(wǎng)絡(luò)
　　9.2 連續(xù)hopfield神經(jīng)網(wǎng)絡(luò)
　　9.3 elman神經(jīng)網(wǎng)絡(luò)
　　9.4 盒中腦模型
　　9.5 反饋神經(jīng)網(wǎng)絡(luò)相關(guān)函數(shù)詳解
　　9.5.1 newhop——生成一個離散hopfield網(wǎng)絡(luò)
　　9.5.2 satlin——飽和線性傳遞函數(shù)
　　9.5.3 satlins——對稱飽和線性傳遞函數(shù)
　　9.5.4 nnt2hop——更新hopfield網(wǎng)絡(luò)
　　9.5.5 newelm——創(chuàng)建elman反饋網(wǎng)絡(luò)
　　9.5.6 elmannet——創(chuàng)建elman反饋網(wǎng)絡(luò)（新版本）
　　9.6 反饋神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例
　　9.6.1 二維平面上的聯(lián)想記憶網(wǎng)絡(luò)
　　9.6.2 elman股價(jià)預(yù)測
　第10章 隨機(jī)神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：40分鐘）
　　10.1 模擬退火算法
　　10.1.1 模擬退火算法的引出
　　10.1.2 退火算法的參數(shù)控制
　　10.2 boltzmann機(jī)
　　10.2.1 boltzmann機(jī)基本原理
　　10.2.2 boltzmann機(jī)的學(xué)習(xí)規(guī)則
　　10.2.3 boltzmann機(jī)的運(yùn)行步驟
　　10.3 sigmoid置信度網(wǎng)絡(luò)
　　10.4 matlab模擬退火算法工具
　　10.4.1 matlab優(yōu)化工具箱
　　10.4.2 模擬退火算法相關(guān)函數(shù)
　　10.5 模擬退火算法求解tsp問題
　第11章 用gui設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)（ 教學(xué)視頻：56分鐘）
　　11.1 神經(jīng)網(wǎng)絡(luò)工具（nntool）
　　11.1.1 nntool界面介紹
　　11.1.2 使用nntool建立神經(jīng)網(wǎng)絡(luò)
　　11.2 神經(jīng)網(wǎng)絡(luò)分類/聚類工具（nctool）
　　11.3 神經(jīng)網(wǎng)絡(luò)擬合工具（nftool）
　　11.4 神經(jīng)網(wǎng)絡(luò)模式識別工具（nprtool）
　　11.5 神經(jīng)網(wǎng)絡(luò)時間序列工具（ntstool）
　　11.6 nntraintool與view
第3篇 實(shí)戰(zhàn)篇
　第12章 simulink
　　12.1 simulink中的神經(jīng)網(wǎng)絡(luò)模塊
　　12.2 用gensim生成模塊
　　12.2.1 相關(guān)函數(shù)介紹
　　12.2.2 gensim使用實(shí)例
　第13章 神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)例（ 教學(xué)視頻：96分鐘）
　　13.1 bp神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮
　　13.1.1 問題背景
　　13.1.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.1.3 神經(jīng)網(wǎng)絡(luò)壓縮的實(shí)現(xiàn)
　　13.2 elman網(wǎng)絡(luò)預(yù)測上證股市開盤價(jià)
　　13.2.1 問題背景
　　13.2.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.2.3 elman網(wǎng)絡(luò)預(yù)測股價(jià)的實(shí)現(xiàn)
　　13.3 徑向基網(wǎng)絡(luò)預(yù)測地下水位
　　13.3.1 問題背景
　　13.3.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.3.3 徑向基網(wǎng)絡(luò)預(yù)測的實(shí)現(xiàn)
　　13.4 基于bp網(wǎng)絡(luò)的個人信貸信用評估
　　13.4.1 問題背景
　　13.4.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.4.3 個人信貸信用評估的實(shí)現(xiàn)
　　13.5 基于概率神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識別
　　13.5.1 問題背景
　　13.5.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.5.3 手寫體數(shù)字識別的實(shí)現(xiàn)
　　13.6 基于概率神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷
　　13.6.1 問題背景
　　13.6.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.6.3 柴油機(jī)故障診斷的實(shí)現(xiàn)
　　13.7 基于自組織特征映射網(wǎng)絡(luò)的亞洲足球水平聚類
　　13.7.1 問題背景
　　13.7.2 神經(jīng)網(wǎng)絡(luò)建模
　　13.7.3 足球水平聚類的實(shí)現(xiàn)