MATLAB R2015b神經(jīng)網(wǎng)絡(luò)技術(shù)（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(shè)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(jié)構(gòu)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(jié)構(gòu)
1.11.2分支結(jié)構(gòu)
1.11.3循環(huán)結(jié)構(gòu)
第2章神經(jīng)網(wǎng)絡(luò)的理論
2.1生物神經(jīng)元
2.2人工神經(jīng)網(wǎng)絡(luò)
2.3神經(jīng)元的數(shù)學(xué)模型
2.4神經(jīng)網(wǎng)絡(luò)的類型
2.4.1單層前向網(wǎng)絡(luò)
2.4.2多層前向網(wǎng)絡(luò)
2.4.3反饋網(wǎng)絡(luò)
2.4.4隨機神經(jīng)網(wǎng)絡(luò)
2.4.5競爭神經(jīng)網(wǎng)絡(luò)
2.5神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
2.5.1Hebb學(xué)習(xí)規(guī)則
2.5.2離散感知器學(xué)習(xí)規(guī)則
2.5.3記憶學(xué)習(xí)規(guī)則
2.5.4連續(xù)感知器學(xué)習(xí)規(guī)則
2.5.5相關(guān)學(xué)習(xí)規(guī)則
2.5.6競爭學(xué)習(xí)規(guī)則
2.6人工神經(jīng)網(wǎng)絡(luò)信息處理能力
2.7神經(jīng)網(wǎng)絡(luò)的特點與優(yōu)點
2.7.1神經(jīng)網(wǎng)絡(luò)的特點
2.7.2神經(jīng)網(wǎng)絡(luò)的優(yōu)點
2.8神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)
2.8.1神經(jīng)網(wǎng)絡(luò)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(luò)的應(yīng)用
2.10人工神經(jīng)網(wǎng)絡(luò)與智能神經(jīng)網(wǎng)絡(luò)
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(luò)的通用函數(shù)
3.1神經(jīng)網(wǎng)絡(luò)仿真函數(shù)
3.2神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)
3.3神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)
3.4神經(jīng)網(wǎng)絡(luò)初始化函數(shù)
3.5神經(jīng)網(wǎng)絡(luò)輸入函數(shù)
3.6神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)
3.7其他函數(shù)
第4章感知器神經(jīng)網(wǎng)絡(luò)
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(xué)習(xí)
4.1.4單感知器的訓(xùn)練
4.1.5感知器的局部性
4.2標(biāo)準(zhǔn)化感知器學(xué)習(xí)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(luò)函數(shù)
4.5感知器的應(yīng)用
4.6感知器應(yīng)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(luò)
5.1線性神經(jīng)元模型及結(jié)構(gòu)
5.1.1神經(jīng)元模型
5.1.2線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5.2LMS學(xué)習(xí)算法
5.3LMS學(xué)習(xí)率的選擇
5.3.1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)的構(gòu)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(yīng)線性濾波
5.5線性神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
5.6線性神經(jīng)網(wǎng)絡(luò)與感知器的對比
5.7線性神經(jīng)網(wǎng)絡(luò)函數(shù)
5.7.1創(chuàng)建函數(shù)
5.7.2傳輸函數(shù)
5.7.3學(xué)習(xí)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(luò)的局限性
5.8.1線性相關(guān)向量
5.8.2學(xué)習(xí)速率過大
5.8.3不定系統(tǒng)
5.9線性神經(jīng)網(wǎng)絡(luò)的應(yīng)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(yīng)用
5.9.4在信號預(yù)測中的應(yīng)用
第6章BP神經(jīng)網(wǎng)絡(luò)
6.1BP神經(jīng)網(wǎng)絡(luò)模型
6.2BP網(wǎng)絡(luò)學(xué)習(xí)算法
6.3BP網(wǎng)絡(luò)設(shè)計
6.3.1輸入和輸出層的設(shè)計
6.3.2隱層的設(shè)計
6.3.3初始值選取
6.4BP網(wǎng)絡(luò)的局限性
6.5BP網(wǎng)絡(luò)學(xué)習(xí)的改進(jìn)
6.5.1增加動量項
6.5.2自適應(yīng)調(diào)節(jié)學(xué)習(xí)率
6.5.3彈性梯度下降法
6.6BP算法設(shè)計多層感知器
6.6.1信息容量與訓(xùn)練樣本數(shù)
6.6.2準(zhǔn)備訓(xùn)練數(shù)據(jù)
6.6.3設(shè)計初值
6.6.4多層感知器結(jié)構(gòu)設(shè)計
6.6.5網(wǎng)絡(luò)訓(xùn)練與測試
6.7BP網(wǎng)絡(luò)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(xué)習(xí)函數(shù)
6.7.4訓(xùn)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(luò)的應(yīng)用
6.8.1BP神經(jīng)網(wǎng)絡(luò)在分類中的應(yīng)用
6.8.2BP網(wǎng)絡(luò)去除噪聲
6.8.3BP網(wǎng)絡(luò)識別性別
6.9BP網(wǎng)絡(luò)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(luò)
7.1RBF神經(jīng)網(wǎng)絡(luò)模型
7.1.1RBF神經(jīng)元模型
7.1.2RBF網(wǎng)絡(luò)模型
7.2徑向基常用學(xué)習(xí)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(luò)
7.5概率神經(jīng)網(wǎng)絡(luò)
7.5.1貝葉斯決策理論
7.5.2概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
7.5.3概率神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點
7.6徑向基神經(jīng)網(wǎng)絡(luò)與多層感知器比較
7.7徑向基神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點
7.7.1徑向基神經(jīng)網(wǎng)絡(luò)的優(yōu)點
7.7.2徑向基神經(jīng)網(wǎng)絡(luò)的缺點
7.8徑向基神經(jīng)網(wǎng)絡(luò)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(quán)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(luò)的應(yīng)用
第8章競爭型神經(jīng)網(wǎng)絡(luò)
8.1競爭神經(jīng)網(wǎng)絡(luò)的概述
8.2競爭神經(jīng)網(wǎng)絡(luò)的概念
8.3競爭神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
8.3.1Kohonen學(xué)習(xí)規(guī)則
8.3.2閾值學(xué)習(xí)規(guī)則
8.4競爭型神經(jīng)網(wǎng)絡(luò)存在的問題
8.5自組織特征映射網(wǎng)絡(luò)
8.5.1SOM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
8.5.2SOM網(wǎng)絡(luò)學(xué)習(xí)算法
8.5.3SOFM網(wǎng)絡(luò)的訓(xùn)練
8.6學(xué)習(xí)向量量化網(wǎng)絡(luò)
8.6.1LVQ網(wǎng)絡(luò)結(jié)構(gòu)
8.6.2LVQ網(wǎng)絡(luò)學(xué)習(xí)算法
8.6.3LVQ網(wǎng)絡(luò)特點
8.7ART神經(jīng)網(wǎng)絡(luò)
8.7.1ART1型網(wǎng)絡(luò)
8.7.2ART1網(wǎng)絡(luò)學(xué)習(xí)
8.8對向傳播網(wǎng)絡(luò)
8.8.1對向傳播網(wǎng)絡(luò)的概述
8.8.2CPN網(wǎng)絡(luò)學(xué)習(xí)規(guī)則
8.9競爭神經(jīng)網(wǎng)絡(luò)的函數(shù)
8.9.1創(chuàng)建函數(shù)
8.9.2學(xué)習(xí)函數(shù)
8.9.3傳遞函數(shù)
8.9.4初始化函數(shù)
8.9.5結(jié)構(gòu)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(luò)的應(yīng)用
8.10.1對應(yīng)傳播網(wǎng)絡(luò)的應(yīng)用
8.10.2ART網(wǎng)絡(luò)的應(yīng)用
8.10.3學(xué)習(xí)向量量化網(wǎng)絡(luò)的應(yīng)用
8.10.4自組織映射網(wǎng)絡(luò)的應(yīng)用
第9章反饋型神經(jīng)網(wǎng)絡(luò)
9.1反饋型神經(jīng)網(wǎng)絡(luò)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(luò)與靜態(tài)網(wǎng)絡(luò)
9.1.3反饋型神經(jīng)網(wǎng)絡(luò)的模型
9.1.4反饋型神經(jīng)網(wǎng)絡(luò)的狀態(tài)
9.2離散Hopfield神經(jīng)網(wǎng)絡(luò)
9.2.1離散Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
9.2.2Hopfield網(wǎng)絡(luò)的穩(wěn)定性
9.2.3離散Hopfield神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)
9.2.4離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶
9.3連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)
9.3.1連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
9.3.2連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性
9.3.3連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的特點
9.4Elman神經(jīng)網(wǎng)絡(luò)
9.4.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
9.4.2Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
9.5雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)
9.5.1BAM網(wǎng)絡(luò)結(jié)構(gòu)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(quán)值設(shè)計
9.6Boltzmann神經(jīng)網(wǎng)絡(luò)
9.6.1BM網(wǎng)絡(luò)的基本結(jié)構(gòu)
9.6.2BM模型的學(xué)習(xí)
9.7反饋神經(jīng)網(wǎng)絡(luò)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(luò)的應(yīng)用
9.8.1離散Hopfield神經(jīng)網(wǎng)絡(luò)識別數(shù)字
9.8.2連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶功能應(yīng)用
9.8.3Elman神經(jīng)網(wǎng)絡(luò)預(yù)測股價
9.8.4雙聯(lián)想記憶網(wǎng)絡(luò)應(yīng)用
9.8.5Boltzmann神經(jīng)網(wǎng)絡(luò)的應(yīng)用
第10章其他神經(jīng)網(wǎng)絡(luò)
10.1模糊神經(jīng)網(wǎng)絡(luò)
10.1.1模糊神經(jīng)網(wǎng)絡(luò)的動向
10.1.2模糊神經(jīng)網(wǎng)絡(luò)的基本形式
10.1.3模糊神經(jīng)網(wǎng)絡(luò)的用途
10.2幾種常用模型的模糊神經(jīng)網(wǎng)絡(luò)
10.2.1Mamdani模型模糊神經(jīng)網(wǎng)絡(luò)
10.2.2TakagiSugeno模型的模糊神經(jīng)網(wǎng)絡(luò)
10.2.3模糊神經(jīng)網(wǎng)絡(luò)的函數(shù)
10.2.4模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)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(luò)
10.3.1小波變換概述
10.3.2小波神經(jīng)網(wǎng)絡(luò)的定義
10.3.3小波神經(jīng)網(wǎng)絡(luò)的理論
10.3.4小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
10.3.5小波神經(jīng)網(wǎng)絡(luò)應(yīng)用交通流量預(yù)測
10.4Simulink神經(jīng)網(wǎng)絡(luò)
10.4.1Simulink神經(jīng)網(wǎng)絡(luò)仿真模型庫
10.4.2Simulink神經(jīng)網(wǎng)絡(luò)的應(yīng)用
10.5自定義神經(jīng)網(wǎng)絡(luò)
10.5.1自定義一個復(fù)雜的網(wǎng)絡(luò)
10.5.2自定義網(wǎng)絡(luò)的訓(xùn)練
參考文獻(xiàn)