MATLAB R2020a神經(jīng)網(wǎng)絡典型案例分析

目錄
第1章 MATLAB R2020a基礎(chǔ)\t1
1．1 MATLAB的功能\t1
1．1．1 MATLAB的基本功能\t1
1．1．2 MATLAB的重要功能\t2
1．2 MATLAB的特點\t2
1．3 MATLAB的發(fā)展史\t4
1．4 MATLAB R2020a的新功能\t5
1．5 MATLAB的啟動\t6
1．6 MATLAB的語言基礎(chǔ)\t6
1．6．1 常量和變量\t7
1．6．2 運算符\t8
1．7 MATLAB的工具箱\t9
1．7．1 符號計算工具箱\t9
1．7．2 統(tǒng)計工具箱\t9
1．7．3 最優(yōu)化工具箱\t9
1．8 MATLAB的幫助系統(tǒng)\t10
1．8．1 命令行幫助\t10
1．8．2 幫助導航/瀏覽器\t11
1．8．3 DEMO幫助系統(tǒng)\t11
1．8．4 網(wǎng)絡資源幫助\t13
第2章 神經(jīng)網(wǎng)絡概述\t14
2．1 神經(jīng)網(wǎng)絡的相關(guān)概念\t14
2．1．1 生物神經(jīng)元\t14
2．1．2 生物神經(jīng)元的信息處理機制\t15
2．1．3 人工神經(jīng)元的模型\t17
2．2 神經(jīng)網(wǎng)絡的發(fā)展史\t18
2．3 神經(jīng)網(wǎng)絡的研究方向\t19
2．4 神經(jīng)網(wǎng)絡的基本特征和主要功能\t20
2．5 神經(jīng)網(wǎng)絡的特點和優(yōu)越性\t21
2．6 神經(jīng)網(wǎng)絡的學習方法\t21
2．7 神經(jīng)網(wǎng)絡的應用\t22
2．8 神經(jīng)網(wǎng)絡的工具箱\t22
2．8．1 神經(jīng)網(wǎng)絡工具箱函數(shù)\t22
2．8．2 神經(jīng)網(wǎng)絡的對象與屬性\t26
第3章 感知器及其應用\t33
3．1 感知器典型案例分析\t33
3．2 單層感知器\t39
3．2．1 單層感知器的結(jié)構(gòu)\t39
3．2．2 單層感知器的功能\t40
3．2．3 感知器的學習\t42
3．2．4 感知器的訓練\t42
3．2．5 使用單層感知器解決邏輯運算\t43
3．3 多層感知器\t44
3．3．1 多層感知器的模型\t44
3．3．2 多層感知器的設計\t45
3．4 感知器的局限性\t46
3．5 感知器網(wǎng)絡的工具箱函數(shù)\t46
3．5．1 創(chuàng)建函數(shù)\t46
3．5．2 訓練函數(shù)\t47
3．5．3 網(wǎng)絡仿真\t50
3．5．4 傳遞函數(shù)\t50
3．5．5 初始化函數(shù)\t51
3．5．6 自適應函數(shù)\t52
3．5．7 性能函數(shù)\t53
3．5．8 學習函數(shù)\t55
3．5．9 顯示函數(shù)\t56
3．6 感知器的應用\t58
第4章 線性神經(jīng)網(wǎng)絡及其應用\t 68
4．1 線性神經(jīng)網(wǎng)絡典型案例分析\t68
4．2 線性神經(jīng)網(wǎng)絡概述\t71
4．2．1 線性神經(jīng)元的結(jié)構(gòu)\t72
4．2．2 初始化線性神經(jīng)網(wǎng)絡\t74
4．2．3 網(wǎng)絡的學習規(guī)則\t74
4．2．4 學習率的選擇\t76
4．2．5 自適應線性濾波\t77
4．2．6 網(wǎng)絡的訓練\t78
4．3 線性神經(jīng)網(wǎng)絡工具箱函數(shù)\t79
4．3．1 創(chuàng)建函數(shù)\t79
4．3．2 學習函數(shù)\t83
4．3．3 傳遞函數(shù)\t86
4．3．4 初始化函數(shù)\t86
4．3．5 性能函數(shù)\t87
4．4 網(wǎng)絡的局限性\t87
4．4．1 相關(guān)向量\t88
4．4．2 學習率過大\t89
4．5 線性神經(jīng)網(wǎng)絡的應用\t91
第5章 BP神經(jīng)網(wǎng)絡及其應用\t100
5．1 BP神經(jīng)網(wǎng)絡典型案例分析\t100
5．2 BP神經(jīng)網(wǎng)絡概述\t102
5．2．1 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)\t103
5．2．2 神經(jīng)元模型\t103
5．3 BP神經(jīng)網(wǎng)絡算法\t105
5．3．1 梯度下降法\t105
5．3．2 最速下降BP算法\t106
5．3．3 動量BP算法\t108
5．3．4 VLBP算法\t112
5．3．5 擬牛頓算法\t114
5．3．6 RPROP算法\t114
5．3．7 LM算法\t115
5．3．8 CGBP算法\t116
5．4 BP神經(jīng)網(wǎng)絡的設計\t117
5．5 BP神經(jīng)網(wǎng)絡的局限性\t120
5．6 BP神經(jīng)網(wǎng)絡工具箱函數(shù)\t120
5．6．1 創(chuàng)建函數(shù)\t120
5．6．2 傳遞函數(shù)\t124
5．6．3 學習函數(shù)\t126
5．6．4 訓練函數(shù)\t127
5．6．5 性能函數(shù)\t131
5．6．6 顯示函數(shù)\t132
5．7 BP神經(jīng)網(wǎng)絡的應用\t134
第6章 RBF神經(jīng)網(wǎng)絡及其應用\t155
6．1 RBF神經(jīng)網(wǎng)絡典型案例分析\t155
6．2 RBF神經(jīng)網(wǎng)絡概述\t157
6．2．1 徑向基函數(shù)\t158
6．2．2 正則化RBF神經(jīng)網(wǎng)絡\t160
6．2．3 廣義RBF神經(jīng)網(wǎng)絡\t161
6．3 RBF神經(jīng)網(wǎng)絡的學習算法\t162
6．3．1 隨機選取中心法\t163
6．3．2 自組織選取中心法\t163
6．3．3 有監(jiān)督選取中心法\t164
6．3．4 正交最小二乘法\t165
6．4 RBF神經(jīng)網(wǎng)絡的函數(shù)\t166
6．4．1 創(chuàng)建函數(shù)\t167
6．4．2 徑向基傳遞函數(shù)\t169
6．4．3 轉(zhuǎn)換函數(shù)\t170
6．4．4 權(quán)函數(shù)\t171
6．4．5 輸入函數(shù)\t174
6．4．6 競爭傳遞函數(shù)\t174
6．5 RBF神經(jīng)網(wǎng)絡的優(yōu)點和缺點\t175
6．5．1 RBF神經(jīng)網(wǎng)絡的優(yōu)點\t175
6．5．2 RBF神經(jīng)網(wǎng)絡的缺點\t176
6．6 徑向基函數(shù)的應用\t176
6．7 RBF神經(jīng)網(wǎng)絡在控制領(lǐng)域中的應用\t183
6．7．1 RBF神經(jīng)網(wǎng)絡在網(wǎng)絡監(jiān)督中的應用\t183
6．7．2 RBF自校正控制\t186
6．8 廣義回歸神經(jīng)網(wǎng)絡\t190
6．8．1 GRNN的結(jié)構(gòu)\t190
6．8．2 GRNN的實現(xiàn)\t191
6．9 概率神經(jīng)網(wǎng)絡\t194
第7章 反饋神經(jīng)網(wǎng)絡及其應用\t199
7．1 反饋神經(jīng)網(wǎng)絡典型案例分析\t199
7．2 Hopfield神經(jīng)網(wǎng)絡\t203
7．2．1 單層全反饋型神經(jīng)網(wǎng)絡\t204
7．2．2 狀態(tài)軌跡\t204
7．2．3 狀態(tài)軌跡發(fā)散\t205
7．3 離散型Hopfield神經(jīng)網(wǎng)絡\t206
7．3．1 離散型Hopfield神經(jīng)網(wǎng)絡的結(jié)構(gòu)\t206
7．3．2 離散型Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性\t207
7．3．3 離散型Hopfield神經(jīng)網(wǎng)絡的設計\t211
7．4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡\t212
7．4．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性\t213
7．4．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡的特點\t214
7．4．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡求解TSP問題\t214
7．5 Elman神經(jīng)網(wǎng)絡\t220
7．5．1 Elman神經(jīng)網(wǎng)絡的結(jié)構(gòu)\t220
7．5．2 Elman神經(jīng)網(wǎng)絡的學習算法\t220
7．5．3 Elman神經(jīng)網(wǎng)絡權(quán)值的穩(wěn)定性\t221
7．5．4 對角遞歸穩(wěn)定學習率的確定\t223
7．6 反饋神經(jīng)網(wǎng)絡工具箱函數(shù)\t223
7．6．1 創(chuàng)建函數(shù)\t223
7．6．2 傳遞函數(shù)\t229
7．7 反饋神經(jīng)網(wǎng)絡的應用\t230
第8章 自組織競爭神經(jīng)網(wǎng)絡及其應用\t244
8．1 自組織競爭神經(jīng)網(wǎng)絡案例分析\t244
8．2 競爭神經(jīng)網(wǎng)絡\t247
8．2．1 競爭神經(jīng)網(wǎng)絡的結(jié)構(gòu)\t248
8．2．2 競爭神經(jīng)網(wǎng)絡的學習算法\t248
8．2．3 競爭神經(jīng)網(wǎng)絡存在的問題\t252
8．3 SOM神經(jīng)網(wǎng)絡\t253
8．3．1 SOM神經(jīng)網(wǎng)絡的特點\t253
8．3．2 SOM神經(jīng)網(wǎng)絡的基本原理\t254
8．3．3 SOM神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)\t254
8．3．4 SOM神經(jīng)網(wǎng)絡算法\t 255
8．3．5 SOM神經(jīng)網(wǎng)絡的訓練過程\t257
8．4 LVQ神經(jīng)網(wǎng)絡\t258
8．4．1 LVQ神經(jīng)網(wǎng)絡的結(jié)構(gòu)\t258
8．4．2 LVQ1算法的基本步驟\t260
8．4．3 LVQ2算法的基本步驟\t261
8．5 自組織競爭神經(jīng)網(wǎng)絡工具箱函數(shù)\t262
8．5．1 創(chuàng)建函數(shù)\t262
8．5．2 學習函數(shù)\t268
8．5．3 傳遞函數(shù)\t274
8．5．4 距離函數(shù)\t275
8．5．5 歸一化函數(shù)\t278
8．5．6 初始化函數(shù)\t280
8．5．7 拓撲函數(shù)\t280
8．5．8 訓練函數(shù)\t282
8．5．9 權(quán)值函數(shù)\t282
8．5．10 顯示函數(shù)\t283
8．6 自組織競爭神經(jīng)網(wǎng)絡的應用\t284
第9章 其他神經(jīng)網(wǎng)絡及其應用\t301
9．1 盒中腦神經(jīng)網(wǎng)絡\t301
9．2 隨機神經(jīng)網(wǎng)絡\t304
9．2．1 模擬退火算法的原理\t304
9．2．2 BM網(wǎng)絡的結(jié)構(gòu)\t304
9．2．3 BM網(wǎng)絡的規(guī)則\t305
9．2．4 模擬退火算法的特點\t306
9．2．5 模擬退火算法的相關(guān)函數(shù)\t306
9．2．6 BM網(wǎng)絡的應用\t311
9．3 對偶傳播神經(jīng)網(wǎng)絡\t316
9．3．1 CPN網(wǎng)絡概述\t317
9．3．2 CPN網(wǎng)絡的功能分析\t317
9．3．3 CPN網(wǎng)絡的應用\t318
9．4 小波神經(jīng)網(wǎng)絡\t322
9．4．1 小波理論\t322
9．4．2 小波神經(jīng)網(wǎng)絡概述\t323
9．4．3 小波神經(jīng)網(wǎng)絡的應用\t325
9．5 模糊神經(jīng)網(wǎng)絡\t329
9．5．1 模糊數(shù)學知識\t329
9．5．2 模糊邏輯系統(tǒng)\t330
9．5．3 T-S模糊神經(jīng)網(wǎng)絡\t332
9．5．4 T-S模糊神經(jīng)網(wǎng)絡學習算法\t333
9．5．5 模糊神經(jīng)網(wǎng)絡的應用\t335
9．6 混沌神經(jīng)網(wǎng)絡\t342
9．6．1 混沌神經(jīng)網(wǎng)絡的發(fā)展\t342
9．6．2 混沌神經(jīng)網(wǎng)絡的模型\t343
9．6．3 混沌通信技術(shù)\t346
9．6．4 混沌神經(jīng)網(wǎng)絡的應用\t347
第10章 神經(jīng)網(wǎng)絡的GUI應用\t353
10．1 神經(jīng)網(wǎng)絡工具\t353
10．2 神經(jīng)網(wǎng)絡工具的GUI應用\t358
10．3 擬合工具的GUI應用\t360
10．4 分類/聚類工具的GUI應用\t366
10．5 模式識別工具的GUI應用\t373
10．6 時間序列工具的GUI應用\t380
第11章 神經(jīng)網(wǎng)絡的經(jīng)典應用\t387
11．1 實現(xiàn)圖像壓縮\t387
11．1．1 案例背景\t387
11．1．2 BP神經(jīng)網(wǎng)絡壓縮建模\t387
11．1．3 BP神經(jīng)網(wǎng)絡壓縮的實現(xiàn)\t390
11．2 預測地下水水位\t394
11．2．1 案例背景\t395
11．2．2 神經(jīng)網(wǎng)絡的建模\t395
11．2．3 RBF神經(jīng)網(wǎng)絡預測的實現(xiàn)\t396
11．3 BP_Adaboost設計公司賬務預警\t399
11．3．1 Adaboost算法\t399
11．3．2 Adaboost模型\t400
11．3．3 賬務預警系統(tǒng)介紹\t400
11．3．4 建立預警模型\t400
11．3．5 利用BP_Adaboost模型實現(xiàn)公司賬務預警\t401
11．4 概率神經(jīng)網(wǎng)絡在遙感圖像中的應用\t406
11．5 PID神經(jīng)網(wǎng)絡控制\t411
11．6 自組織競爭神經(jīng)網(wǎng)絡的應用\t418
11．6．1 在分類中的應用\t418
11．6．2 在估計中的應用\t420
參考文獻\t424