MATLAB語(yǔ)言工具箱：TOOLBOX實(shí)用指南

第一章　MATLABI具箱概論
1.1　MATLAB發(fā)展簡(jiǎn)介
1.2　工具箱簡(jiǎn)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(jiǎn)介與安裝
2.1.1　簡(jiǎn)介
2.1.2　安裝
2.2　控制系統(tǒng)的數(shù)學(xué)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(shí)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(shí)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(jì)器設(shè)計(jì)
2.5　控制系統(tǒng)響應(yīng)及分析圖形的繪制
2.6　設(shè)計(jì)實(shí)例
2.6.1　飛機(jī)航向阻尼器設(shè)計(jì)
2.6.2　硬盤(pán)讀寫(xiě)失控制器設(shè)計(jì)
2.6.3　Kalman濾波器設(shè)計(jì)
2.7　計(jì)算結(jié)果的可靠性分析
第三章　信號(hào)處理工具箱
3.1　引言
3.2　用MATLAB進(jìn)行信號(hào)處理的基本知識(shí)
3.2.1　信號(hào)處理工具箱的主要特征
3.2.2　信號(hào)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(shí)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(jìn)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(diǎn)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(jì)
3.5.1　濾波器性能說(shuō)明
3.5.2　IIR濾波器設(shè)計(jì)
3.5.3　FIR濾波器設(shè)計(jì)
3.6　信號(hào)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(jì)信號(hào)處理
3.7.1　互相關(guān)和協(xié)方差
3.7.2　偏差和標(biāo)準(zhǔn)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(jì)
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(jì)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(shí)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(jiǎn)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(dá)式優(yōu)化
4.1.6　常見(jiàn)問(wèn)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(wèn)題
4.2.2　無(wú)限定條件優(yōu)化
4.2.3　擬牛頓法實(shí)現(xiàn)
4.2.4　最小二乘優(yōu)化
4.2.5　非線性最小二乘實(shí)現(xiàn)
4.2.6　限定條件下的優(yōu)化
4.2.7　SQP實(shí)現(xiàn)
4.3　實(shí)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(jiǎn)介
5.1.1　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)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(jì)實(shí)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(jìn)及其設(shè)計(jì)實(shí)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(jì)及實(shí)例
5.6　關(guān)聯(lián)學(xué)習(xí)算法
5.6.1　重要的關(guān)聯(lián)學(xué)習(xí)算法函數(shù)
5.6.2　Hebb學(xué)習(xí)規(guī)則
5.6.3　Hebb學(xué)習(xí)規(guī)則設(shè)計(jì)實(shí)例
5.6.4　Instar學(xué)習(xí)規(guī)則設(shè)計(jì)實(shí)例
5.6.5　Kohonen學(xué)習(xí)規(guī)則設(shè)計(jì)實(shí)例
5.6.6　Outstar學(xué)習(xí)規(guī)則設(shè)計(jì)實(shí)例
5.7　自組織網(wǎng)絡(luò)
5.7.1　自組織特征映射模型簡(jiǎn)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(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)實(shí)例
5.7.5　自組織特征映射
5.7.6　自組織特征映射設(shè)計(jì)實(shí)例
5.8　學(xué)習(xí)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(xùn)練
5.9.5　Hopfield網(wǎng)絡(luò)
5.10　神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例
5.10.1　利用線性網(wǎng)絡(luò)進(jìn)行線性預(yù)測(cè)
5.10.2　利用線性網(wǎng)絡(luò)進(jìn)行自適應(yīng)預(yù)測(cè)
5.10.3　線性系統(tǒng)辨識(shí)
5.10.4　自適應(yīng)系統(tǒng)辨識(shí)
5.10.5　非線性系統(tǒng)辨識(shí)
5.10.6　非線性系統(tǒng)的反饋線性化
5.10.7　特征識(shí)別
5.11　神經(jīng)網(wǎng)絡(luò)庫(kù)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(jiǎn)介
6.1.1　模糊集合理論簡(jiǎn)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(mén)
6.3　模糊推理系統(tǒng)工具箱函數(shù)詳解