應用MATLAB實現(xiàn)神經(jīng)網(wǎng)絡

第1章 神經(jīng)網(wǎng)絡概述及MATLAB介紹
1.1 人工神經(jīng)網(wǎng)絡基本知識
1.2 神經(jīng)網(wǎng)絡的發(fā)展歷程
1.3 神經(jīng)網(wǎng)絡研究及其應用
1.4 神經(jīng)細胞與人工神經(jīng)元
1.4.1 生物神經(jīng)元的特點
1.4.2 人工神經(jīng)元模型
1.5 神經(jīng)網(wǎng)絡的分類
1.6 神經(jīng)網(wǎng)絡的學習訓練
1.7 MATIAB入門學習
1.7.1 MATLAB的發(fā)展史
1.7.2 MATLAB的功能
1.7.3 MATLAB的語言特點
1.8 MATIAB用戶界面
1.8.1 MATLAB的啟動和退出
1.8.2 MATIAB工作環(huán)境
1.9 MATLAB的數(shù)值與變量
1.9.1 MATLAB的數(shù)值
1.9.2 MATLAB的變量
第2章 感知器神經(jīng)網(wǎng)絡
2.1 單層感知器
2.1.1 單層感知器模型
2.1.2 單層感知器功能
2.1.3 單層感知器神經(jīng)網(wǎng)絡結(jié)構(gòu)
2.2 多層感知器
2.2.1 多層感知器模型
2.2.2 多層感知器設計
2.3 感知器的學習算法
2.4 感知器神經(jīng)網(wǎng)絡的訓練函數(shù)
2.4.1 感知器創(chuàng)建函數(shù)
2.4.2 感知器初始化函數(shù)
2.4.3 感知器顯示函數(shù)
2.4.4 感知器仿真函數(shù)
2.4.5 感知器性能函數(shù)
2.4.6 感知器的訓練函數(shù)
2.4.7 感知器的學習函數(shù)
2.4.8 感知器的傳遞函數(shù)
2.5 感知器的局限性
2.6 感知器神經(jīng)網(wǎng)絡的應用實例分析
2.6.1 判斷氣體污染物的分類
2.6.2 奇異樣本對感知器神經(jīng)網(wǎng)絡訓練的影響
第3章 線性神經(jīng)網(wǎng)絡
3.1 線性神經(jīng)網(wǎng)絡模型及結(jié)構(gòu)
3.1.1 神經(jīng)元模型
3.1.2 線性神經(jīng)網(wǎng)絡的結(jié)構(gòu)
3.2 線性神經(jīng)網(wǎng)絡的學習算法
3.3 線性神經(jīng)網(wǎng)絡的構(gòu)建
3.3.1 生成線性神經(jīng)元
3.3.2 線性濾波器
3.4 線性神經(jīng)網(wǎng)絡的訓練
3.5 線性神經(jīng)網(wǎng)絡的訓練函數(shù)
3.5.1 線性網(wǎng)絡的創(chuàng)建函數(shù)
3.5.2 線性網(wǎng)絡的學習函數(shù)
3.5.3 線性網(wǎng)絡的傳輸函數(shù)
3.5.4 線性網(wǎng)絡的權(quán)積函數(shù)
3.5.5 線性網(wǎng)絡的初始化函數(shù)
3.6 線性神經(jīng)網(wǎng)絡的局限性
3.6.1 線性相關(guān)向量
3.6.2 學習速率過大
3.7 線性神經(jīng)網(wǎng)絡應用實例分析
3.7.1 線性網(wǎng)絡在噪聲對消中的應用
3.7.2 線性網(wǎng)絡在信號預測中的應用
3.7.3 線性網(wǎng)絡實現(xiàn)異或的應用
第4章 BP神經(jīng)網(wǎng)絡
4.1 BP神經(jīng)網(wǎng)絡模型及結(jié)構(gòu)
4.1.1 神經(jīng)元模型
4.1.2 前饋型神經(jīng)網(wǎng)絡結(jié)構(gòu)
4.2 BP神經(jīng)網(wǎng)絡的算法與BP網(wǎng)絡推導
4.2.1 BP神經(jīng)網(wǎng)絡算法
4.2.2 BP神經(jīng)網(wǎng)絡的推導
4.3 BP神經(jīng)網(wǎng)絡的訓練函數(shù)
4.3.1 BP網(wǎng)絡創(chuàng)建函數(shù)
4.3.2 BP網(wǎng)絡神經(jīng)元上的傳遞函數(shù)
4.3.3 BP網(wǎng)絡學習函數(shù)
4.3.4 BP網(wǎng)絡訓練函數(shù)
4.3.5 BP網(wǎng)絡性能函數(shù)
4.3.6 BP網(wǎng)絡顯示函數(shù)
4.4 BP神經(jīng)網(wǎng)絡的局限性
4.5 BP神經(jīng)網(wǎng)絡算法的改進
4.6 BP神經(jīng)網(wǎng)絡的應用實例分析
4.6.1 利用BP網(wǎng)絡去除有關(guān)噪聲的問題
4.6.2 基于BP網(wǎng)絡的性別識別
第5章 反饋型神經(jīng)網(wǎng)絡
5.1 反饋神經(jīng)網(wǎng)絡的概述
5.2 離散Hopfield神經(jīng)網(wǎng)絡
5.2.1 離散型Hopfield神經(jīng)網(wǎng)絡模型
5.2.2 離散Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性
5.2.3 離散Hopfield神經(jīng)網(wǎng)絡權(quán)值的學習
5.2.4 離散：Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶
5.3 連續(xù)Hopfielcl神經(jīng)網(wǎng)絡
5.3.1 連續(xù)Hopfield神經(jīng)網(wǎng)絡模型結(jié)構(gòu)
5.3.2 連續(xù)Hopfield神經(jīng)網(wǎng)絡穩(wěn)定性
5.3.3 連續(xù)Hopfield神經(jīng)網(wǎng)絡的特點
5.4 Hopfield神經(jīng)網(wǎng)絡的訓練函數(shù)
5.4.1 Hopfield網(wǎng)絡的創(chuàng)建函數(shù)
5.4.2 Hopfield網(wǎng)絡的傳遞函數(shù)
5.4.3 Hopfield網(wǎng)絡的輔助函數(shù)
5.5 Hopfielcl神經(jīng)網(wǎng)絡應用實例分析
5.5.1 二神經(jīng)元Hopfield網(wǎng)絡設計問題
5.5.2 Hopfield網(wǎng)絡的偽平衡點問題
5.5.3 三神經(jīng)元的：Hopfield網(wǎng)絡問題
5.6 Elman神經(jīng)網(wǎng)絡
5.6.1 Elman神經(jīng)網(wǎng)絡結(jié)構(gòu)
5.6.2 Elman神經(jīng)網(wǎng)絡權(quán)值修正的學習算法
5.6.3 Elman神經(jīng)網(wǎng)絡權(quán)穩(wěn)定性
5.6.4 對角遞歸網(wǎng)絡穩(wěn)定時學習速率的確定
5.7 Elman神經(jīng)網(wǎng)絡的訓練函數(shù)
5.8 Elman神經(jīng)網(wǎng)絡應用實例分析
第6章 徑向基函數(shù)神經(jīng)網(wǎng)絡
6.1 徑向基函數(shù)神經(jīng)網(wǎng)絡基本原理
6.1.1 徑向基函數(shù)的結(jié)構(gòu)模型
6.2 徑向基函數(shù)神經(jīng)網(wǎng)絡的學習算法
6.2.1 隨機選取固定中心法
6.2.2 自組織選取中心
6.2.3 正交最小二乘法
6.3 徑向基函數(shù)神經(jīng)網(wǎng)絡的訓練函數(shù)
6.3.1 徑向基函數(shù)網(wǎng)絡創(chuàng)建函數(shù)
6.3.2 徑向基函數(shù)網(wǎng)絡傳遞函數(shù)
6.3.3 徑向基函數(shù)網(wǎng)絡轉(zhuǎn)換函數(shù)
6.3.4 徑向基函數(shù)網(wǎng)絡權(quán)函數(shù)
6.3.5 徑向基函數(shù)網(wǎng)絡輸入函數(shù)
6.4 其他徑向基函數(shù)神經(jīng)網(wǎng)絡
6.4.1 廣義回歸神經(jīng)網(wǎng)絡
6.4.2 概率神經(jīng)網(wǎng)絡
6.5 徑向基函數(shù)神經(jīng)網(wǎng)絡的優(yōu)缺點
6.6 徑向基函數(shù)神經(jīng)網(wǎng)絡的應用實例分析
6.6.1 徑向基函數(shù)網(wǎng)絡用于曲線擬合的問題
6.6.2 徑向基函數(shù)網(wǎng)絡用于非線性函數(shù)回歸的問題
第7章 自組織競爭型神經(jīng)網(wǎng)絡
7.1 自組織競爭型神經(jīng)網(wǎng)絡的模型及結(jié)構(gòu)
7.2 自組織競爭型神經(jīng)網(wǎng)絡的原理
7.2.1 自組織競爭網(wǎng)絡的學習策略
7.2.2 自組織競爭網(wǎng)絡的學習原理
7.3 幾種常用的聯(lián)想學習規(guī)則
7.4 自組織競爭型神經(jīng)網(wǎng)絡存在的問題
7.5 SOM神經(jīng)網(wǎng)絡
7.5.1 SOM神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)
7.5.2 SOM神經(jīng)網(wǎng)絡的學習算法
7.5.3 SOM神經(jīng)網(wǎng)絡的訓練過程
7.6 LVQ神經(jīng)網(wǎng)絡
7.6.1 LVQ神經(jīng)網(wǎng)絡結(jié)構(gòu)
7.6.2 LVQ神經(jīng)網(wǎng)絡的學習算法
7.7 自組織競爭神經(jīng)網(wǎng)絡的訓練函數(shù)
7.7.1 自組織競爭神經(jīng)網(wǎng)絡創(chuàng)建函數(shù)
7.7.2 自組織競爭神經(jīng)網(wǎng)絡學習函數(shù)
7.7.3 自組織競爭神經(jīng)網(wǎng)絡傳遞函數(shù)
7.7.4 自組織競爭神經(jīng)網(wǎng)絡初始化函數(shù)
7.7.5 自組織競爭神經(jīng)網(wǎng)絡結(jié)構(gòu)函數(shù)
7.7.6 自組織競爭神經(jīng)網(wǎng)絡距離函數(shù)
7.7.7 自組織競爭神經(jīng)網(wǎng)絡顯示函數(shù)
7.8 自組織競爭神經(jīng)網(wǎng)絡應用實例分析
7.8.1 基于LVQ神經(jīng)網(wǎng)絡的人臉朝向識別問題
7.8.2 基于SOM神經(jīng)網(wǎng)絡的故障診斷分析
第8章 MATLAB編程實現(xiàn)神經(jīng)網(wǎng)絡的應用
8.1 基于HBF網(wǎng)絡的自適應狀態(tài)觀測器設計
8.1.1 HBF網(wǎng)絡
8.1.2 觀測器設計
8.1.3 仿真驗證
8.2 基于RBF網(wǎng)絡的船用柴油機故障診斷
8.2.1 故障樣本集的收集與設計
8.2.2 網(wǎng)絡輸出向量設計
8.3 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡
8.3.1 BP網(wǎng)絡及算法的不足
8.3.2 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡
8.3.3 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡的誤差反向傳播學習規(guī)則的數(shù)學推導
8.3.4 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡診斷模型的建立
8.4 基于FCM優(yōu)化的RBF網(wǎng)絡自適應狀態(tài)觀測器設計
8.4.1 FCM優(yōu)化的RBF網(wǎng)絡
8.4.2 自適應狀態(tài)觀測器設計
8.4.3 仿真驗證。
8.5 基于泛函模糊神經(jīng)網(wǎng)絡的GPS／INS組合導航系統(tǒng)的軟故障診斷
8.5.1 狀態(tài)X2檢驗原理
8.5.2 泛函模糊神經(jīng)網(wǎng)絡的結(jié)構(gòu)
8.5.3 仿真驗證
第9章 神經(jīng)網(wǎng)絡工具箱的使用
9.1 自定義神經(jīng)網(wǎng)絡
9.1.1 自定義一個簡單的網(wǎng)絡
9.1.2 自定義一個復雜的網(wǎng)絡
9.1.3 自定義網(wǎng)絡的訓練
9.2 自定義神經(jīng)網(wǎng)絡工具箱函數(shù)
9.3 自定義神經(jīng)網(wǎng)絡實用的工具箱函數(shù)
參考文獻