MATLAB R2015b神經(jīng)網(wǎng)絡技術（精通MATLAB）

第1章MATLAB R2015b介紹
1.1MATLAB概述
1.1.1MATLAB的優(yōu)勢
1.1.2MATLAB R2015b的新增功能
1.1.3MATLAB常用工具箱
1.2MATLAB R2015b的安裝
1.3MATLAB工作環(huán)境
1.4MATLAB聯(lián)機幫助
1.5用戶路徑設置
1.6數(shù)據(jù)類型和運算
1.6.1常量、變量
1.6.2數(shù)據(jù)類型
1.6.3數(shù)值類型
1.6.4邏輯類型
1.6.5結構體類型
1.6.6數(shù)組類型
1.6.7單元數(shù)組類型
1.7矩陣的基本操作
1.7.1矩陣和數(shù)組的概念
1.7.2數(shù)值矩陣的生成
1.7.3符號矩陣
1.7.4特殊矩陣
1.8矩陣運算
1.9基本繪圖
1.10建立函數(shù)文件
1.11控制流程
1.11.1順序結構
1.11.2分支結構
1.11.3循環(huán)結構
第2章神經(jīng)網(wǎng)絡的理論
2.1生物神經(jīng)元
2.2人工神經(jīng)網(wǎng)絡
2.3神經(jīng)元的數(shù)學模型
2.4神經(jīng)網(wǎng)絡的類型
2.4.1單層前向網(wǎng)絡
2.4.2多層前向網(wǎng)絡
2.4.3反饋網(wǎng)絡
2.4.4隨機神經(jīng)網(wǎng)絡
2.4.5競爭神經(jīng)網(wǎng)絡
2.5神經(jīng)網(wǎng)絡學習
2.5.1Hebb學習規(guī)則
2.5.2離散感知器學習規(guī)則
2.5.3記憶學習規(guī)則
2.5.4連續(xù)感知器學習規(guī)則
2.5.5相關學習規(guī)則
2.5.6競爭學習規(guī)則
2.6人工神經(jīng)網(wǎng)絡信息處理能力
2.7神經(jīng)網(wǎng)絡的特點與優(yōu)點
2.7.1神經(jīng)網(wǎng)絡的特點
2.7.2神經(jīng)網(wǎng)絡的優(yōu)點
2.8神經(jīng)網(wǎng)絡控制系統(tǒng)
2.8.1神經(jīng)網(wǎng)絡控制系統(tǒng)組成
2.8.2實時控制
2.8.3智能控制分支
2.9神經(jīng)網(wǎng)絡的應用
2.10人工神經(jīng)網(wǎng)絡與智能神經(jīng)網(wǎng)絡
2.10.1人工智能的概述
2.10.2人工神經(jīng)元與人工智能相比較
第3章神經(jīng)網(wǎng)絡的通用函數(shù)
3.1神經(jīng)網(wǎng)絡仿真函數(shù)
3.2神經(jīng)網(wǎng)絡訓練函數(shù)
3.3神經(jīng)網(wǎng)絡學習函數(shù)
3.4神經(jīng)網(wǎng)絡初始化函數(shù)
3.5神經(jīng)網(wǎng)絡輸入函數(shù)
3.6神經(jīng)網(wǎng)絡傳遞函數(shù)
3.7其他函數(shù)
第4章感知器神經(jīng)網(wǎng)絡
4.1單層感知器
4.1.1單層感知器模型
4.1.2單層感知器功能
4.1.3感知器的學習
4.1.4單感知器的訓練
4.1.5感知器的局部性
4.2標準化感知器學習規(guī)則
4.3多層感知器
4.3.1多層感知器的理論
4.3.2多層感知器的實現(xiàn)
4.4感知器神經(jīng)網(wǎng)絡函數(shù)
4.5感知器的應用
4.6感知器應用于線性分類問題
4.6.1決策函數(shù)與決策邊界
4.6.2感知器的決策函數(shù)與決策邊界
第5章線性神經(jīng)網(wǎng)絡
5.1線性神經(jīng)元模型及結構
5.1.1神經(jīng)元模型
5.1.2線性神經(jīng)網(wǎng)絡結構
5.2LMS學習算法
5.3LMS學習率的選擇
5.3.1穩(wěn)定收斂的學習率
5.3.2學習率逐漸下降
5.4線性神經(jīng)網(wǎng)絡的構建
5.4.1生成線性神經(jīng)元
5.4.2線性濾波器
5.4.3自適應線性濾波
5.5線性神經(jīng)網(wǎng)絡的訓練
5.6線性神經(jīng)網(wǎng)絡與感知器的對比
5.7線性神經(jīng)網(wǎng)絡函數(shù)
5.7.1創(chuàng)建函數(shù)
5.7.2傳輸函數(shù)
5.7.3學習函數(shù)
5.7.4均方誤差性能函數(shù)
5.8線性神經(jīng)網(wǎng)絡的局限性
5.8.1線性相關向量
5.8.2學習速率過大
5.8.3不定系統(tǒng)
5.9線性神經(jīng)網(wǎng)絡的應用
5.9.1邏輯與
5.9.2邏輯異或
5.9.3在噪聲對消中的應用
5.9.4在信號預測中的應用
第6章BP神經(jīng)網(wǎng)絡
6.1BP神經(jīng)網(wǎng)絡模型
6.2BP網(wǎng)絡學習算法
6.3BP網(wǎng)絡設計
6.3.1輸入和輸出層的設計
6.3.2隱層的設計
6.3.3初始值選取
6.4BP網(wǎng)絡的局限性
6.5BP網(wǎng)絡學習的改進
6.5.1增加動量項
6.5.2自適應調(diào)節(jié)學習率
6.5.3彈性梯度下降法
6.6BP算法設計多層感知器
6.6.1信息容量與訓練樣本數(shù)
6.6.2準備訓練數(shù)據(jù)
6.6.3設計初值
6.6.4多層感知器結構設計
6.6.5網(wǎng)絡訓練與測試
6.7BP網(wǎng)絡的函數(shù)
6.7.1創(chuàng)建函數(shù)
6.7.2傳遞函數(shù)
6.7.3學習函數(shù)
6.7.4訓練函數(shù)
6.7.5性能函數(shù)
6.7.6顯示函數(shù)
6.8BP神經(jīng)網(wǎng)絡的應用
6.8.1BP神經(jīng)網(wǎng)絡在分類中的應用
6.8.2BP網(wǎng)絡去除噪聲
6.8.3BP網(wǎng)絡識別性別
6.9BP網(wǎng)絡泛化能力的提高
6.9.1歸一化法
6.9.2提前終止法
第7章徑向基神經(jīng)網(wǎng)絡
7.1RBF神經(jīng)網(wǎng)絡模型
7.1.1RBF神經(jīng)元模型
7.1.2RBF網(wǎng)絡模型
7.2徑向基常用學習算法
7.2.1數(shù)據(jù)中心聚類法
7.2.2數(shù)據(jù)中主監(jiān)督法
7.2.3正交最小二乘法
7.3RBF內(nèi)插值
7.4廣義神經(jīng)網(wǎng)絡
7.5概率神經(jīng)網(wǎng)絡
7.5.1貝葉斯決策理論
7.5.2概率神經(jīng)網(wǎng)絡結構
7.5.3概率神經(jīng)網(wǎng)絡的優(yōu)缺點
7.6徑向基神經(jīng)網(wǎng)絡與多層感知器比較
7.7徑向基神經(jīng)網(wǎng)絡的優(yōu)缺點
7.7.1徑向基神經(jīng)網(wǎng)絡的優(yōu)點
7.7.2徑向基神經(jīng)網(wǎng)絡的缺點
7.8徑向基神經(jīng)網(wǎng)絡的函數(shù)
7.8.1創(chuàng)建函數(shù)
7.8.2傳遞函數(shù)
7.8.3轉(zhuǎn)換函數(shù)
7.8.4權函數(shù)
7.8.5競爭性傳輸函數(shù)
7.9徑向基函數(shù)神經(jīng)網(wǎng)絡的應用
第8章競爭型神經(jīng)網(wǎng)絡
8.1競爭神經(jīng)網(wǎng)絡的概述
8.2競爭神經(jīng)網(wǎng)絡的概念
8.3競爭神經(jīng)網(wǎng)絡的學習規(guī)則
8.3.1Kohonen學習規(guī)則
8.3.2閾值學習規(guī)則
8.4競爭型神經(jīng)網(wǎng)絡存在的問題
8.5自組織特征映射網(wǎng)絡
8.5.1SOM網(wǎng)絡拓撲結構
8.5.2SOM網(wǎng)絡學習算法
8.5.3SOFM網(wǎng)絡的訓練
8.6學習向量量化網(wǎng)絡
8.6.1LVQ網(wǎng)絡結構
8.6.2LVQ網(wǎng)絡學習算法
8.6.3LVQ網(wǎng)絡特點
8.7ART神經(jīng)網(wǎng)絡
8.7.1ART1型網(wǎng)絡
8.7.2ART1網(wǎng)絡學習
8.8對向傳播網(wǎng)絡
8.8.1對向傳播網(wǎng)絡的概述
8.8.2CPN網(wǎng)絡學習規(guī)則
8.9競爭神經(jīng)網(wǎng)絡的函數(shù)
8.9.1創(chuàng)建函數(shù)
8.9.2學習函數(shù)
8.9.3傳遞函數(shù)
8.9.4初始化函數(shù)
8.9.5結構函數(shù)
8.9.6距離函數(shù)
8.9.7距離函數(shù)
8.9.8歸一化函數(shù)
8.10自組織競爭神經(jīng)網(wǎng)絡的應用
8.10.1對應傳播網(wǎng)絡的應用
8.10.2ART網(wǎng)絡的應用
8.10.3學習向量量化網(wǎng)絡的應用
8.10.4自組織映射網(wǎng)絡的應用
第9章反饋型神經(jīng)網(wǎng)絡
9.1反饋型神經(jīng)網(wǎng)絡的概述
9.1.1前饋型與反饋型的比較
9.1.2反饋型神經(jīng)網(wǎng)絡與靜態(tài)網(wǎng)絡
9.1.3反饋型神經(jīng)網(wǎng)絡的模型
9.1.4反饋型神經(jīng)網(wǎng)絡的狀態(tài)
9.2離散Hopfield神經(jīng)網(wǎng)絡
9.2.1離散Hopfield神經(jīng)網(wǎng)絡結構
9.2.2Hopfield網(wǎng)絡的穩(wěn)定性
9.2.3離散Hopfield神經(jīng)網(wǎng)絡權值學習
9.2.4離散Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶
9.3連續(xù)Hopfield神經(jīng)網(wǎng)絡
9.3.1連續(xù)Hopfield神經(jīng)網(wǎng)絡結構
9.3.2連續(xù)Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性
9.3.3連續(xù)型Hopfield神經(jīng)網(wǎng)絡的特點
9.4Elman神經(jīng)網(wǎng)絡
9.4.1Elman神經(jīng)網(wǎng)絡結構
9.4.2Elman神經(jīng)網(wǎng)絡的訓練
9.5雙向聯(lián)想記憶神經(jīng)網(wǎng)絡
9.5.1BAM網(wǎng)絡結構與原理
9.5.2能量函數(shù)與穩(wěn)定性分析
9.5.3BAM網(wǎng)的權值設計
9.6Boltzmann神經(jīng)網(wǎng)絡
9.6.1BM網(wǎng)絡的基本結構
9.6.2BM模型的學習
9.7反饋神經(jīng)網(wǎng)絡的函數(shù)
9.7.1創(chuàng)建函數(shù)
9.7.2傳遞函數(shù)
9.8反饋神經(jīng)網(wǎng)絡的應用
9.8.1離散Hopfield神經(jīng)網(wǎng)絡識別數(shù)字
9.8.2連續(xù)Hopfield神經(jīng)網(wǎng)絡聯(lián)想記憶功能應用
9.8.3Elman神經(jīng)網(wǎng)絡預測股價
9.8.4雙聯(lián)想記憶網(wǎng)絡應用
9.8.5Boltzmann神經(jīng)網(wǎng)絡的應用
第10章其他神經(jīng)網(wǎng)絡
10.1模糊神經(jīng)網(wǎng)絡
10.1.1模糊神經(jīng)網(wǎng)絡的動向
10.1.2模糊神經(jīng)網(wǎng)絡的基本形式
10.1.3模糊神經(jīng)網(wǎng)絡的用途
10.2幾種常用模型的模糊神經(jīng)網(wǎng)絡
10.2.1Mamdani模型模糊神經(jīng)網(wǎng)絡
10.2.2TakagiSugeno模型的模糊神經(jīng)網(wǎng)絡
10.2.3模糊神經(jīng)網(wǎng)絡的函數(shù)
10.2.4模糊神經(jīng)網(wǎng)絡的應用
10.2.5神經(jīng)模糊系統(tǒng)的圖形界面
10.3小波神經(jīng)網(wǎng)絡
10.3.1小波變換概述
10.3.2小波神經(jīng)網(wǎng)絡的定義
10.3.3小波神經(jīng)網(wǎng)絡的理論
10.3.4小波神經(jīng)網(wǎng)絡的結構
10.3.5小波神經(jīng)網(wǎng)絡應用交通流量預測
10.4Simulink神經(jīng)網(wǎng)絡
10.4.1Simulink神經(jīng)網(wǎng)絡仿真模型庫
10.4.2Simulink神經(jīng)網(wǎng)絡的應用
10.5自定義神經(jīng)網(wǎng)絡
10.5.1自定義一個復雜的網(wǎng)絡
10.5.2自定義網(wǎng)絡的訓練
參考文獻