MATLAB R2015b神经网络技术2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

MATLAB R2015b神经网络技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 MATLAB R2015b介绍1

1.1 MATLAB概述1

1.1.1 MATLAB的优势1

1.1.2 MATLAB R2015b的新增功能2

1.1.3 MATLAB常用工具箱4

1.2 MATLAB R2015b的安装5

1.3 MATLAB工作环境11

1.4 MATLAB联机帮助14

1.5 用户路径设置17

1.6 数据类型和运算18

1.6.1 常量、变量18

1.6.2 数据类型20

1.6.3 数值类型21

1.6.4 逻辑类型26

1.6.5 结构体类型27

1.6.6 数组类型29

1.6.7 单元数组类型31

1.7 矩阵的基本操作33

1.7.1 矩阵和数组的概念33

1.7.2 数值矩阵的生成34

1.7.3 符号矩阵36

1.7.4 特殊矩阵37

1.8 矩阵运算39

1.9 基本绘图40

1.10 建立函数文件43

1.11 控制流程44

1.11.1 顺序结构44

1.11.2 分支结构45

1.11.3 循环结构49

第2章 神经网络的理论52

2.1 生物神经元52

2.2 人工神经网络54

2.3 神经元的数学模型58

2.4 神经网络的类型59

2.4.1 单层前向网络59

2.4.2 多层前向网络59

2.4.3 反馈网络60

2.4.4 随机神经网络60

2.4.5 竞争神经网络61

2.5 神经网络学习61

2.5.1 Hebb学习规则63

2.5.2 离散感知器学习规则64

2.5.3 记忆学习规则64

2.5.4 连续感知器学习规则65

2.5.5 相关学习规则65

2.5.6 竞争学习规则66

2.6 人工神经网络信息处理能力66

2.7 神经网络的特点与优点68

2.7.1 神经网络的特点68

2.7.2 神经网络的优点69

2.8 神经网络控制系统70

2.8.1 神经网络控制系统组成71

2.8.2 实时控制71

2.8.3 智能控制分支72

2.9 神经网络的应用73

2.10 人工神经网络与智能神经网络73

2.10.1 人工智能的概述73

2.10.2 人工神经元与人工智能相比较75

第3章 神经网络的通用函数76

3.1 神经网络仿真函数79

3.2 神经网络训练函数79

3.3 神经网络学习函数83

3.4 神经网络初始化函数85

3.5 神经网络输入函数88

3.6 神经网络传递函数89

3.7 其他函数91

第4章 感知器神经网络93

4.1 单层感知器93

4.1.1 单层感知器模型93

4.1.2 单层感知器功能94

4.1.3 感知器的学习96

4.1.4 单感知器的训练97

4.1.5 感知器的局部性99

4.2 标准化感知器学习规则99

4.3 多层感知器100

4.3.1 多层感知器的理论100

4.3.2 多层感知器的实现101

4.4 感知器神经网络函数103

4.5 感知器的应用107

4.6 感知器应用于线性分类问题113

4.6.1 决策函数与决策边界113

4.6.2 感知器的决策函数与决策边界114

第5章 线性神经网络116

5.1 线性神经元模型及结构116

5.1.1 神经元模型116

5.1.2 线性神经网络结构117

5.2 LMS学习算法117

5.3 LMS学习率的选择118

5.3.1 稳定收敛的学习率118

5.3.2 学习率逐渐下降119

5.4 线性神经网络的构建119

5.4.1 生成线性神经元119

5.4.2 线性滤波器120

5.4.3 自适应线性滤波121

5.5 线性神经网络的训练122

5.6 线性神经网络与感知器的对比122

5.7 线性神经网络函数123

5.7.1 创建函数123

5.7.2 传输函数127

5.7.3 学习函数128

5.7.4 均方误差性能函数131

5.8 线性神经网络的局限性132

5.8.1 线性相关向量132

5.8.2 学习速率过大134

5.8.3 不定系统138

5.9 线性神经网络的应用142

5.9.1 逻辑与142

5.9.2 逻辑异或145

5.9.3 在噪声对消中的应用149

5.9.4 在信号预测中的应用153

第6章 BP神经网络156

6.1 BP神经网络模型156

6.2 BP网络学习算法158

6.3 BP网络设计159

6.3.1 输入和输出层的设计159

6.3.2 隐层的设计160

6.3.3 初始值选取160

6.4 BP网络的局限性160

6.5 BP网络学习的改进161

6.5.1 增加动量项161

6.5.2 自适应调节学习率162

6.5.3 弹性梯度下降法162

6.6 BP算法设计多层感知器163

6.6.1 信息容量与训练样本数163

6.6.2 准备训练数据163

6.6.3 设计初值167

6.6.4 多层感知器结构设计167

6.6.5 网络训练与测试168

6.7 BP网络的函数169

6.7.1 创建函数169

6.7.2 传递函数174

6.7.3 学习函数178

6.7.4 训练函数179

6.7.5 性能函数183

6.7.6 显示函数184

6.8 BP神经网络的应用188

6.8.1 BP神经网络在分类中的应用188

6.8.2 BP网络去除噪声190

6.8.3 BP网络识别性别195

6.9 BP网络泛化能力的提高202

6.9.1 归一化法203

6.9.2 提前终止法205

第7章 径向基神经网络208

7.1 RBF神经网络模型208

7.1.1 RBF神经元模型208

7.1.2 RBF网络模型209

7.2 径向基常用学习算法210

7.2.1 数据中心聚类法211

7.2.2 数据中主监督法212

7.2.3 正交最小二乘法213

7.3 RBF内插值214

7.4 广义神经网络215

7.5 概率神经网络216

7.5.1 贝叶斯决策理论216

7.5.2 概率神经网络结构217

7.5.3 概率神经网络的优缺点218

7.6 径向基神经网络与多层感知器比较218

7.7 径向基神经网络的优缺点219

7.7.1 径向基神经网络的优点219

7.7.2 径向基神经网络的缺点220

7.8 径向基神经网络的函数220

7.8.1 创建函数220

7.8.2 传递函数225

7.8.3 转换函数226

7.8.4 权函数227

7.8.5 竞争性传输函数229

7.9 径向基函数神经网络的应用230

第8章 竞争型神经网络239

8.1 竞争神经网络的概述239

8.2 竞争神经网络的概念240

8.3 竞争神经网络的学习规则242

8.3.1 Kohonen学习规则242

8.3.2 阈值学习规则243

8.4 竞争型神经网络存在的问题244

8.5 自组织特征映射网络245

8.5.1 SOM网络拓扑结构245

8.5.2 SOM网络学习算法246

8.5.3 SOFM网络的训练248

8.6 学习向量量化网络249

8.6.1 LVQ网络结构250

8.6.2 LVQ网络学习算法251

8.6.3 LVQ网络特点253

8.7 ART神经网络253

8.7.1 ART-1型网络253

8.7.2 ART-1网络学习255

8.8 对向传播网络256

8.8.1 对向传播网络的概述256

8.8.2 CPN网络学习规则257

8.9 竞争神经网络的函数258

8.9.1 创建函数258

8.9.2 学习函数265

8.9.3 传递函数272

8.9.4 初始化函数273

8.9.5 结构函数273

8.9.6 距离函数276

8.9.7 距离函数279

8.9.8 归一化函数282

8.10 自组织竞争神经网络的应用284

8.10.1 对应传播网络的应用284

8.10.2 ART网络的应用287

8.10.3 学习向量量化网络的应用289

8.10.4 自组织映射网络的应用293

第9章 反馈型神经网络298

9.1 反馈型神经网络的概述298

9.1.1 前馈型与反馈型的比较298

9.1.2 反馈型神经网络与静态网络299

9.1.3 反馈型神经网络的模型300

9.1.4 反馈型神经网络的状态301

9.2 离散Hopfield神经网络301

9.2.1 离散Hopfield神经网络结构301

9.2.2 Hopfield网络的稳定性304

9.2.3 离散Hopfield神经网络权值学习307

9.2.4 离散Hopfield神经网络的联想记忆308

9.3 连续Hopfield神经网络311

9.3.1 连续Hopfield神经网络结构312

9.3.2 连续Hopfield神经网络的稳定性313

9.3.3 连续型Hopfield神经网络的特点313

9.4 Elman神经网络313

9.4.1 Elman神经网络结构314

9.4.2 Elman神经网络的训练314

9.5 双向联想记忆神经网络315

9.5.1 BAM网络结构与原理315

9.5.2 能量函数与稳定性分析316

9.5.3 BAM网的权值设计317

9.6 Boltzmann神经网络317

9.6.1 BM网络的基本结构317

9.6.2 BM模型的学习317

9.7 反馈神经网络的函数320

9.7.1 创建函数320

9.7.2 传递函数326

9.8 反馈神经网络的应用328

9.8.1 离散Hopfield神经网络识别数字328

9.8.2 连续Hopfield神经网络联想记忆功能应用330

9.8.3 Elman神经网络预测股价332

9.8.4 双联想记忆网络应用337

9.8.5 Boltzmann神经网络的应用338

第10章 其他神经网络340

10.1 模糊神经网络340

10.1.1 模糊神经网络的动向340

10.1.2 模糊神经网络的基本形式341

10.1.3 模糊神经网络的用途342

10.2 几种常用模型的模糊神经网络342

10.2.1 Mamdani模型模糊神经网络342

10.2.2 Takagi-Sugeno模型的模糊神经网络343

10.2.3 模糊神经网络的函数345

10.2.4 模糊神经网络的应用348

10.2.5 神经模糊系统的图形界面360

10.3 小波神经网络370

10.3.1 小波变换概述370

10.3.2 小波神经网络的定义371

10.3.3 小波神经网络的理论372

10.3.4 小波神经网络的结构373

10.3.5 小波神经网络应用交通流量预测374

10.4 Simulink神经网络378

10.4.1 Simulink神经网络仿真模型库378

10.4.2 Simulink神经网络的应用383

10.5 自定义神经网络387

10.5.1 自定义一个复杂的网络389

10.5.2 自定义网络的训练400

参考文献405