MATLAB R2015b神經網絡技術（精通MATLAB）

第1章MATLAB R2015b介紹
1.1MATLAB概述
1.1.1MATLAB的優(yōu)勢
1.1.2MATLAB R2015b的新增功能
1.1.3MATLAB常用工具箱
1.2MATLAB R2015b的安裝
1.3MATLAB工作環(huán)境
1.4MATLAB聯機幫助
1.5用戶路徑設置
1.6數據類型和運算
1.6.1常量、變量
1.6.2數據類型
1.6.3數值類型
1.6.4邏輯類型
1.6.5結構體類型
1.6.6數組類型
1.6.7單元數組類型
1.7矩陣的基本操作
1.7.1矩陣和數組的概念
1.7.2數值矩陣的生成
1.7.3符號矩陣
1.7.4特殊矩陣
1.8矩陣運算
1.9基本繪圖
1.10建立函數文件
1.11控制流程
1.11.1順序結構
1.11.2分支結構
1.11.3循環(huán)結構
第2章神經網絡的理論
2.1生物神經元
2.2人工神經網絡
2.3神經元的數學模型
2.4神經網絡的類型
2.4.1單層前向網絡
2.4.2多層前向網絡
2.4.3反饋網絡
2.4.4隨機神經網絡
2.4.5競爭神經網絡
2.5神經網絡學習
2.5.1Hebb學習規(guī)則
2.5.2離散感知器學習規(guī)則
2.5.3記憶學習規(guī)則
2.5.4連續(xù)感知器學習規(guī)則
2.5.5相關學習規(guī)則
2.5.6競爭學習規(guī)則
2.6人工神經網絡信息處理能力
2.7神經網絡的特點與優(yōu)點
2.7.1神經網絡的特點
2.7.2神經網絡的優(yōu)點
2.8神經網絡控制系統
2.8.1神經網絡控制系統組成
2.8.2實時控制
2.8.3智能控制分支
2.9神經網絡的應用
2.10人工神經網絡與智能神經網絡
2.10.1人工智能的概述
2.10.2人工神經元與人工智能相比較
第3章神經網絡的通用函數
3.1神經網絡仿真函數
3.2神經網絡訓練函數
3.3神經網絡學習函數
3.4神經網絡初始化函數
3.5神經網絡輸入函數
3.6神經網絡傳遞函數
3.7其他函數
第4章感知器神經網絡
4.1單層感知器
4.1.1單層感知器模型
4.1.2單層感知器功能
4.1.3感知器的學習
4.1.4單感知器的訓練
4.1.5感知器的局部性
4.2標準化感知器學習規(guī)則
4.3多層感知器
4.3.1多層感知器的理論
4.3.2多層感知器的實現
4.4感知器神經網絡函數
4.5感知器的應用
4.6感知器應用于線性分類問題
4.6.1決策函數與決策邊界
4.6.2感知器的決策函數與決策邊界
第5章線性神經網絡
5.1線性神經元模型及結構
5.1.1神經元模型
5.1.2線性神經網絡結構
5.2LMS學習算法
5.3LMS學習率的選擇
5.3.1穩(wěn)定收斂的學習率
5.3.2學習率逐漸下降
5.4線性神經網絡的構建
5.4.1生成線性神經元
5.4.2線性濾波器
5.4.3自適應線性濾波
5.5線性神經網絡的訓練
5.6線性神經網絡與感知器的對比
5.7線性神經網絡函數
5.7.1創(chuàng)建函數
5.7.2傳輸函數
5.7.3學習函數
5.7.4均方誤差性能函數
5.8線性神經網絡的局限性
5.8.1線性相關向量
5.8.2學習速率過大
5.8.3不定系統
5.9線性神經網絡的應用
5.9.1邏輯與
5.9.2邏輯異或
5.9.3在噪聲對消中的應用
5.9.4在信號預測中的應用
第6章BP神經網絡
6.1BP神經網絡模型
6.2BP網絡學習算法
6.3BP網絡設計
6.3.1輸入和輸出層的設計
6.3.2隱層的設計
6.3.3初始值選取
6.4BP網絡的局限性
6.5BP網絡學習的改進
6.5.1增加動量項
6.5.2自適應調節(jié)學習率
6.5.3彈性梯度下降法
6.6BP算法設計多層感知器
6.6.1信息容量與訓練樣本數
6.6.2準備訓練數據
6.6.3設計初值
6.6.4多層感知器結構設計
6.6.5網絡訓練與測試
6.7BP網絡的函數
6.7.1創(chuàng)建函數
6.7.2傳遞函數
6.7.3學習函數
6.7.4訓練函數
6.7.5性能函數
6.7.6顯示函數
6.8BP神經網絡的應用
6.8.1BP神經網絡在分類中的應用
6.8.2BP網絡去除噪聲
6.8.3BP網絡識別性別
6.9BP網絡泛化能力的提高
6.9.1歸一化法
6.9.2提前終止法
第7章徑向基神經網絡
7.1RBF神經網絡模型
7.1.1RBF神經元模型
7.1.2RBF網絡模型
7.2徑向基常用學習算法
7.2.1數據中心聚類法
7.2.2數據中主監(jiān)督法
7.2.3正交最小二乘法
7.3RBF內插值
7.4廣義神經網絡
7.5概率神經網絡
7.5.1貝葉斯決策理論
7.5.2概率神經網絡結構
7.5.3概率神經網絡的優(yōu)缺點
7.6徑向基神經網絡與多層感知器比較
7.7徑向基神經網絡的優(yōu)缺點
7.7.1徑向基神經網絡的優(yōu)點
7.7.2徑向基神經網絡的缺點
7.8徑向基神經網絡的函數
7.8.1創(chuàng)建函數
7.8.2傳遞函數
7.8.3轉換函數
7.8.4權函數
7.8.5競爭性傳輸函數
7.9徑向基函數神經網絡的應用
第8章競爭型神經網絡
8.1競爭神經網絡的概述
8.2競爭神經網絡的概念
8.3競爭神經網絡的學習規(guī)則
8.3.1Kohonen學習規(guī)則
8.3.2閾值學習規(guī)則
8.4競爭型神經網絡存在的問題
8.5自組織特征映射網絡
8.5.1SOM網絡拓撲結構
8.5.2SOM網絡學習算法
8.5.3SOFM網絡的訓練
8.6學習向量量化網絡
8.6.1LVQ網絡結構
8.6.2LVQ網絡學習算法
8.6.3LVQ網絡特點
8.7ART神經網絡
8.7.1ART1型網絡
8.7.2ART1網絡學習
8.8對向傳播網絡
8.8.1對向傳播網絡的概述
8.8.2CPN網絡學習規(guī)則
8.9競爭神經網絡的函數
8.9.1創(chuàng)建函數
8.9.2學習函數
8.9.3傳遞函數
8.9.4初始化函數
8.9.5結構函數
8.9.6距離函數
8.9.7距離函數
8.9.8歸一化函數
8.10自組織競爭神經網絡的應用
8.10.1對應傳播網絡的應用
8.10.2ART網絡的應用
8.10.3學習向量量化網絡的應用
8.10.4自組織映射網絡的應用
第9章反饋型神經網絡
9.1反饋型神經網絡的概述
9.1.1前饋型與反饋型的比較
9.1.2反饋型神經網絡與靜態(tài)網絡
9.1.3反饋型神經網絡的模型
9.1.4反饋型神經網絡的狀態(tài)
9.2離散Hopfield神經網絡
9.2.1離散Hopfield神經網絡結構
9.2.2Hopfield網絡的穩(wěn)定性
9.2.3離散Hopfield神經網絡權值學習
9.2.4離散Hopfield神經網絡的聯想記憶
9.3連續(xù)Hopfield神經網絡
9.3.1連續(xù)Hopfield神經網絡結構
9.3.2連續(xù)Hopfield神經網絡的穩(wěn)定性
9.3.3連續(xù)型Hopfield神經網絡的特點
9.4Elman神經網絡
9.4.1Elman神經網絡結構
9.4.2Elman神經網絡的訓練
9.5雙向聯想記憶神經網絡
9.5.1BAM網絡結構與原理
9.5.2能量函數與穩(wěn)定性分析
9.5.3BAM網的權值設計
9.6Boltzmann神經網絡
9.6.1BM網絡的基本結構
9.6.2BM模型的學習
9.7反饋神經網絡的函數
9.7.1創(chuàng)建函數
9.7.2傳遞函數
9.8反饋神經網絡的應用
9.8.1離散Hopfield神經網絡識別數字
9.8.2連續(xù)Hopfield神經網絡聯想記憶功能應用
9.8.3Elman神經網絡預測股價
9.8.4雙聯想記憶網絡應用
9.8.5Boltzmann神經網絡的應用
第10章其他神經網絡
10.1模糊神經網絡
10.1.1模糊神經網絡的動向
10.1.2模糊神經網絡的基本形式
10.1.3模糊神經網絡的用途
10.2幾種常用模型的模糊神經網絡
10.2.1Mamdani模型模糊神經網絡
10.2.2TakagiSugeno模型的模糊神經網絡
10.2.3模糊神經網絡的函數
10.2.4模糊神經網絡的應用
10.2.5神經模糊系統的圖形界面
10.3小波神經網絡
10.3.1小波變換概述
10.3.2小波神經網絡的定義
10.3.3小波神經網絡的理論
10.3.4小波神經網絡的結構
10.3.5小波神經網絡應用交通流量預測
10.4Simulink神經網絡
10.4.1Simulink神經網絡仿真模型庫
10.4.2Simulink神經網絡的應用
10.5自定義神經網絡
10.5.1自定義一個復雜的網絡
10.5.2自定義網絡的訓練
參考文獻