MATLAB語言工具箱：TOOLBOX實用指南

第一章　MATLABI具箱概論
1.1　MATLAB發(fā)展簡介
1.2　工具箱簡介
1.3　如何獲取MATLAB的最新信息
第二章　控制系統(tǒng)工具箱
2.1　簡介與安裝
2.1.1　簡介
2.1.2　安裝
2.2　控制系統(tǒng)的數(shù)學描述
2.2.1　連續(xù)系統(tǒng)
2.2.2　離散系統(tǒng)
2.3　模型的轉(zhuǎn)換與連接
2.3.1　模型轉(zhuǎn)換
2.3.2　系統(tǒng)模型的連接
2.3.3　模型降階與實現(xiàn)
2.3.4　模型屬性函數(shù)
2.4　控制系統(tǒng)分析
2.4.1　時間響應(yīng)
2.4.2　頻率響應(yīng)
2.4.3　根軌跡
2.4.4　極支配置
2.4.5　線性二次型調(diào)節(jié)器和估計器設(shè)計
2.5　控制系統(tǒng)響應(yīng)及分析圖形的繪制
2.6　設(shè)計實例
2.6.1　飛機航向阻尼器設(shè)計
2.6.2　硬盤讀寫失控制器設(shè)計
2.6.3　Kalman濾波器設(shè)計
2.7　計算結(jié)果的可靠性分析
第三章　信號處理工具箱
3.1　引言
3.2　用MATLAB進行信號處理的基本知識
3.2.1　信號處理工具箱的主要特征
3.2.2　信號表示方法
3.2.3　產(chǎn)生波形
3.2.4　周期波形
3.2.5　Sine函數(shù)
3.2.6　Dirchlet函數(shù)
3.2.7　產(chǎn)生數(shù)據(jù)
3.3　濾波器的實現(xiàn)與分析
3.3.1　卷積與濾波
3.3.2　濾波器與傳遞函數(shù)
3.3.3　用filter函數(shù)進行濾波
3.3.4　脈沖響應(yīng)
3.3.5　濾波器的執(zhí)行與初始條申
3.3.6　其它的一些濾波函數(shù)
3.3.7　頻率響應(yīng)
3.3.8　零極點分析
3.4　線性系統(tǒng)模型
3.4.1　離散系統(tǒng)模型
3.4.2　連續(xù)系統(tǒng)模型
3.4.3　線性系統(tǒng)轉(zhuǎn)換
3.5　濾波器設(shè)計
3.5.1　濾波器性能說明
3.5.2　IIR濾波器設(shè)計
3.5.3　FIR濾波器設(shè)計
3.6　信號變換
3.6.1　離散傅立葉變換
3.6.2　Chirp Z變換
3.6.3　離散因果變換
3.6.4　Hillbert變換
3.7　統(tǒng)計信號處理
3.7.1　互相關(guān)和協(xié)方差
3.7.2　偏差和標準化
3.7.3　多通道
3.7.4　譜密度
3.7.5　Welch方法
3.7.6　功率譜密度函數(shù)
3.7.7　Parseval定理
3.7.8　互話密度函數(shù)
3.7.9　置信區(qū)間
3.7.10　傳遞函數(shù)估計
3.7.11　相干函數(shù)
3.8　窗函數(shù)
3.8.1　基本窗
3.8.2　升余弦窗
3.8.3　凱瑟窗
3.8.4　FIR設(shè)計中的凱瑟窗
3.8.5　切比雪夫窗
3.9　參數(shù)化模型
3.9.1　時域模型
3.9.2　頻域模型
第四章　代化工具箱
4.1　優(yōu)化工具箱概述
4.1.1　簡介
4.1.2　安裝
4.1.3　舉例
4.1.4　缺省參數(shù)設(shè)置
4.1.5　表達式優(yōu)化
4.1.6　常見問題及推薦的解決辦法
4.2　算法介紹
4.2.1　參數(shù)優(yōu)化問題
4.2.2　無限定條件優(yōu)化
4.2.3　擬牛頓法實現(xiàn)
4.2.4　最小二乘優(yōu)化
4.2.5　非線性最小二乘實現(xiàn)
4.2.6　限定條件下的優(yōu)化
4.2.7　SQP實現(xiàn)
4.3　實例
4.3.1　工具箱的使用舉例
4.3.2　Banana函數(shù)最小化示例程序
第五章　神經(jīng)網(wǎng)絡(luò)工具箱
5.1　神經(jīng)網(wǎng)絡(luò)工具箱簡介
5.1.1　神經(jīng)網(wǎng)絡(luò)簡述
5.1.2　神經(jīng)網(wǎng)絡(luò)工具箱概述
5.2　感知器
5.2.1　重要的感知器神經(jīng)網(wǎng)絡(luò)函數(shù)
5.2.2　感知器神經(jīng)元模型
5.2.3　感知器神經(jīng)網(wǎng)絡(luò)詳解
5.3　線性神經(jīng)網(wǎng)絡(luò)
5.3.1　重要的線性神經(jīng)網(wǎng)絡(luò)函數(shù)
5.3.2　線性神經(jīng)元模型
5.3.3　線性神經(jīng)網(wǎng)絡(luò)詳解
5.3.4　自適應(yīng)網(wǎng)絡(luò)
5.3.5　線性神經(jīng)網(wǎng)絡(luò)的設(shè)計實例
5.4　BP網(wǎng)絡(luò)
5.4.1　重要的BP網(wǎng)絡(luò)函數(shù)
5.4.2　BP神經(jīng)元模型
5.4.3　BP神經(jīng)網(wǎng)絡(luò)詳解
5.4.4　BP算法的改進及其設(shè)計實例
5.5　徑向基函數(shù)網(wǎng)絡(luò)
5.5.1　重要的徑向基函數(shù)網(wǎng)絡(luò)函數(shù)
5.5.2　徑向基函數(shù)神經(jīng)元模型
5.5.3　徑向基函數(shù)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
5.5.4　徑向基函數(shù)網(wǎng)絡(luò)的設(shè)計及實例
5.6　關(guān)聯(lián)學習算法
5.6.1　重要的關(guān)聯(lián)學習算法函數(shù)
5.6.2　Hebb學習規(guī)則
5.6.3　Hebb學習規(guī)則設(shè)計實例
5.6.4　Instar學習規(guī)則設(shè)計實例
5.6.5　Kohonen學習規(guī)則設(shè)計實例
5.6.6　Outstar學習規(guī)則設(shè)計實例
5.7　自組織網(wǎng)絡(luò)
5.7.1　自組織特征映射模型簡介
5.7.2　重要的自組織網(wǎng)絡(luò)
5.7.3　自組織網(wǎng)絡(luò)詳解
5.7.4　競爭學習網(wǎng)絡(luò)設(shè)計實例
5.7.5　自組織特征映射
5.7.6　自組織特征映射設(shè)計實例
5.8　學習向量量化
5.8.1　重要的LVQ函數(shù)
5.8.2　LVQ神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
5.9　回歸網(wǎng)絡(luò)
5.9.1　重要的回歸網(wǎng)絡(luò)函數(shù)
5.9.2　回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
5.9.3　Elman網(wǎng)絡(luò)的初始化
5.9.4　Elman網(wǎng)絡(luò)的訓練
5.9.5　Hopfield網(wǎng)絡(luò)
5.10　神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例
5.10.1　利用線性網(wǎng)絡(luò)進行線性預(yù)測
5.10.2　利用線性網(wǎng)絡(luò)進行自適應(yīng)預(yù)測
5.10.3　線性系統(tǒng)辨識
5.10.4　自適應(yīng)系統(tǒng)辨識
5.10.5　非線性系統(tǒng)辨識
5.10.6　非線性系統(tǒng)的反饋線性化
5.10.7　特征識別
5.11　神經(jīng)網(wǎng)絡(luò)庫函數(shù)詳解
第六章　模糊推理系統(tǒng)工具箱
6.1　模糊推理系統(tǒng)工具箱簡介
6.1.1　模糊集合理論簡述
6.1.2　模糊推理系統(tǒng)工具箱的內(nèi)容
6.2　模糊推理系統(tǒng)工具箱使用入門
6.3　模糊推理系統(tǒng)工具箱函數(shù)詳解