MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析

目錄
第1章 MATLAB R2020a基礎(chǔ)\t1
1．1 MATLAB的功能\t1
1．1．1 MATLAB的基本功能\t1
1．1．2 MATLAB的重要功能\t2
1．2 MATLAB的特點\t2
1．3 MATLAB的發(fā)展史\t4
1．4 MATLAB R2020a的新功能\t5
1．5 MATLAB的啟動\t6
1．6 MATLAB的語言基礎(chǔ)\t6
1．6．1 常量和變量\t7
1．6．2 運算符\t8
1．7 MATLAB的工具箱\t9
1．7．1 符號計算工具箱\t9
1．7．2 統(tǒng)計工具箱\t9
1．7．3 最優(yōu)化工具箱\t9
1．8 MATLAB的幫助系統(tǒng)\t10
1．8．1 命令行幫助\t10
1．8．2 幫助導航/瀏覽器\t11
1．8．3 DEMO幫助系統(tǒng)\t11
1．8．4 網(wǎng)絡(luò)資源幫助\t13
第2章 神經(jīng)網(wǎng)絡(luò)概述\t14
2．1 神經(jīng)網(wǎng)絡(luò)的相關(guān)概念\t14
2．1．1 生物神經(jīng)元\t14
2．1．2 生物神經(jīng)元的信息處理機制\t15
2．1．3 人工神經(jīng)元的模型\t17
2．2 神經(jīng)網(wǎng)絡(luò)的發(fā)展史\t18
2．3 神經(jīng)網(wǎng)絡(luò)的研究方向\t19
2．4 神經(jīng)網(wǎng)絡(luò)的基本特征和主要功能\t20
2．5 神經(jīng)網(wǎng)絡(luò)的特點和優(yōu)越性\t21
2．6 神經(jīng)網(wǎng)絡(luò)的學習方法\t21
2．7 神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t22
2．8 神經(jīng)網(wǎng)絡(luò)的工具箱\t22
2．8．1 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t22
2．8．2 神經(jīng)網(wǎng)絡(luò)的對象與屬性\t26
第3章 感知器及其應(yīng)用\t33
3．1 感知器典型案例分析\t33
3．2 單層感知器\t39
3．2．1 單層感知器的結(jié)構(gòu)\t39
3．2．2 單層感知器的功能\t40
3．2．3 感知器的學習\t42
3．2．4 感知器的訓練\t42
3．2．5 使用單層感知器解決邏輯運算\t43
3．3 多層感知器\t44
3．3．1 多層感知器的模型\t44
3．3．2 多層感知器的設(shè)計\t45
3．4 感知器的局限性\t46
3．5 感知器網(wǎng)絡(luò)的工具箱函數(shù)\t46
3．5．1 創(chuàng)建函數(shù)\t46
3．5．2 訓練函數(shù)\t47
3．5．3 網(wǎng)絡(luò)仿真\t50
3．5．4 傳遞函數(shù)\t50
3．5．5 初始化函數(shù)\t51
3．5．6 自適應(yīng)函數(shù)\t52
3．5．7 性能函數(shù)\t53
3．5．8 學習函數(shù)\t55
3．5．9 顯示函數(shù)\t56
3．6 感知器的應(yīng)用\t58
第4章 線性神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t 68
4．1 線性神經(jīng)網(wǎng)絡(luò)典型案例分析\t68
4．2 線性神經(jīng)網(wǎng)絡(luò)概述\t71
4．2．1 線性神經(jīng)元的結(jié)構(gòu)\t72
4．2．2 初始化線性神經(jīng)網(wǎng)絡(luò)\t74
4．2．3 網(wǎng)絡(luò)的學習規(guī)則\t74
4．2．4 學習率的選擇\t76
4．2．5 自適應(yīng)線性濾波\t77
4．2．6 網(wǎng)絡(luò)的訓練\t78
4．3 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t79
4．3．1 創(chuàng)建函數(shù)\t79
4．3．2 學習函數(shù)\t83
4．3．3 傳遞函數(shù)\t86
4．3．4 初始化函數(shù)\t86
4．3．5 性能函數(shù)\t87
4．4 網(wǎng)絡(luò)的局限性\t87
4．4．1 相關(guān)向量\t88
4．4．2 學習率過大\t89
4．5 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t91
第5章 BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t100
5．1 BP神經(jīng)網(wǎng)絡(luò)典型案例分析\t100
5．2 BP神經(jīng)網(wǎng)絡(luò)概述\t102
5．2．1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t103
5．2．2 神經(jīng)元模型\t103
5．3 BP神經(jīng)網(wǎng)絡(luò)算法\t105
5．3．1 梯度下降法\t105
5．3．2 最速下降BP算法\t106
5．3．3 動量BP算法\t108
5．3．4 VLBP算法\t112
5．3．5 擬牛頓算法\t114
5．3．6 RPROP算法\t114
5．3．7 LM算法\t115
5．3．8 CGBP算法\t116
5．4 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計\t117
5．5 BP神經(jīng)網(wǎng)絡(luò)的局限性\t120
5．6 BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t120
5．6．1 創(chuàng)建函數(shù)\t120
5．6．2 傳遞函數(shù)\t124
5．6．3 學習函數(shù)\t126
5．6．4 訓練函數(shù)\t127
5．6．5 性能函數(shù)\t131
5．6．6 顯示函數(shù)\t132
5．7 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t134
第6章 RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t155
6．1 RBF神經(jīng)網(wǎng)絡(luò)典型案例分析\t155
6．2 RBF神經(jīng)網(wǎng)絡(luò)概述\t157
6．2．1 徑向基函數(shù)\t158
6．2．2 正則化RBF神經(jīng)網(wǎng)絡(luò)\t160
6．2．3 廣義RBF神經(jīng)網(wǎng)絡(luò)\t161
6．3 RBF神經(jīng)網(wǎng)絡(luò)的學習算法\t162
6．3．1 隨機選取中心法\t163
6．3．2 自組織選取中心法\t163
6．3．3 有監(jiān)督選取中心法\t164
6．3．4 正交最小二乘法\t165
6．4 RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)\t166
6．4．1 創(chuàng)建函數(shù)\t167
6．4．2 徑向基傳遞函數(shù)\t169
6．4．3 轉(zhuǎn)換函數(shù)\t170
6．4．4 權(quán)函數(shù)\t171
6．4．5 輸入函數(shù)\t174
6．4．6 競爭傳遞函數(shù)\t174
6．5 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點和缺點\t175
6．5．1 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點\t175
6．5．2 RBF神經(jīng)網(wǎng)絡(luò)的缺點\t176
6．6 徑向基函數(shù)的應(yīng)用\t176
6．7 RBF神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用\t183
6．7．1 RBF神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)監(jiān)督中的應(yīng)用\t183
6．7．2 RBF自校正控制\t186
6．8 廣義回歸神經(jīng)網(wǎng)絡(luò)\t190
6．8．1 GRNN的結(jié)構(gòu)\t190
6．8．2 GRNN的實現(xiàn)\t191
6．9 概率神經(jīng)網(wǎng)絡(luò)\t194
第7章 反饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t199
7．1 反饋神經(jīng)網(wǎng)絡(luò)典型案例分析\t199
7．2 Hopfield神經(jīng)網(wǎng)絡(luò)\t203
7．2．1 單層全反饋型神經(jīng)網(wǎng)絡(luò)\t204
7．2．2 狀態(tài)軌跡\t204
7．2．3 狀態(tài)軌跡發(fā)散\t205
7．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)\t206
7．3．1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t206
7．3．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性\t207
7．3．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的設(shè)計\t211
7．4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)\t212
7．4．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性\t213
7．4．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的特點\t214
7．4．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)求解TSP問題\t214
7．5 Elman神經(jīng)網(wǎng)絡(luò)\t220
7．5．1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t220
7．5．2 Elman神經(jīng)網(wǎng)絡(luò)的學習算法\t220
7．5．3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值的穩(wěn)定性\t221
7．5．4 對角遞歸穩(wěn)定學習率的確定\t223
7．6 反饋神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t223
7．6．1 創(chuàng)建函數(shù)\t223
7．6．2 傳遞函數(shù)\t229
7．7 反饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t230
第8章 自組織競爭神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t244
8．1 自組織競爭神經(jīng)網(wǎng)絡(luò)案例分析\t244
8．2 競爭神經(jīng)網(wǎng)絡(luò)\t247
8．2．1 競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t248
8．2．2 競爭神經(jīng)網(wǎng)絡(luò)的學習算法\t248
8．2．3 競爭神經(jīng)網(wǎng)絡(luò)存在的問題\t252
8．3 SOM神經(jīng)網(wǎng)絡(luò)\t253
8．3．1 SOM神經(jīng)網(wǎng)絡(luò)的特點\t253
8．3．2 SOM神經(jīng)網(wǎng)絡(luò)的基本原理\t254
8．3．3 SOM神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)\t254
8．3．4 SOM神經(jīng)網(wǎng)絡(luò)算法\t 255
8．3．5 SOM神經(jīng)網(wǎng)絡(luò)的訓練過程\t257
8．4 LVQ神經(jīng)網(wǎng)絡(luò)\t258
8．4．1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t258
8．4．2 LVQ1算法的基本步驟\t260
8．4．3 LVQ2算法的基本步驟\t261
8．5 自組織競爭神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t262
8．5．1 創(chuàng)建函數(shù)\t262
8．5．2 學習函數(shù)\t268
8．5．3 傳遞函數(shù)\t274
8．5．4 距離函數(shù)\t275
8．5．5 歸一化函數(shù)\t278
8．5．6 初始化函數(shù)\t280
8．5．7 拓撲函數(shù)\t280
8．5．8 訓練函數(shù)\t282
8．5．9 權(quán)值函數(shù)\t282
8．5．10 顯示函數(shù)\t283
8．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t284
第9章 其他神經(jīng)網(wǎng)絡(luò)及其應(yīng)用\t301
9．1 盒中腦神經(jīng)網(wǎng)絡(luò)\t301
9．2 隨機神經(jīng)網(wǎng)絡(luò)\t304
9．2．1 模擬退火算法的原理\t304
9．2．2 BM網(wǎng)絡(luò)的結(jié)構(gòu)\t304
9．2．3 BM網(wǎng)絡(luò)的規(guī)則\t305
9．2．4 模擬退火算法的特點\t306
9．2．5 模擬退火算法的相關(guān)函數(shù)\t306
9．2．6 BM網(wǎng)絡(luò)的應(yīng)用\t311
9．3 對偶傳播神經(jīng)網(wǎng)絡(luò)\t316
9．3．1 CPN網(wǎng)絡(luò)概述\t317
9．3．2 CPN網(wǎng)絡(luò)的功能分析\t317
9．3．3 CPN網(wǎng)絡(luò)的應(yīng)用\t318
9．4 小波神經(jīng)網(wǎng)絡(luò)\t322
9．4．1 小波理論\t322
9．4．2 小波神經(jīng)網(wǎng)絡(luò)概述\t323
9．4．3 小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t325
9．5 模糊神經(jīng)網(wǎng)絡(luò)\t329
9．5．1 模糊數(shù)學知識\t329
9．5．2 模糊邏輯系統(tǒng)\t330
9．5．3 T-S模糊神經(jīng)網(wǎng)絡(luò)\t332
9．5．4 T-S模糊神經(jīng)網(wǎng)絡(luò)學習算法\t333
9．5．5 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t335
9．6 混沌神經(jīng)網(wǎng)絡(luò)\t342
9．6．1 混沌神經(jīng)網(wǎng)絡(luò)的發(fā)展\t342
9．6．2 混沌神經(jīng)網(wǎng)絡(luò)的模型\t343
9．6．3 混沌通信技術(shù)\t346
9．6．4 混沌神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t347
第10章 神經(jīng)網(wǎng)絡(luò)的GUI應(yīng)用\t353
10．1 神經(jīng)網(wǎng)絡(luò)工具\t353
10．2 神經(jīng)網(wǎng)絡(luò)工具的GUI應(yīng)用\t358
10．3 擬合工具的GUI應(yīng)用\t360
10．4 分類/聚類工具的GUI應(yīng)用\t366
10．5 模式識別工具的GUI應(yīng)用\t373
10．6 時間序列工具的GUI應(yīng)用\t380
第11章 神經(jīng)網(wǎng)絡(luò)的經(jīng)典應(yīng)用\t387
11．1 實現(xiàn)圖像壓縮\t387
11．1．1 案例背景\t387
11．1．2 BP神經(jīng)網(wǎng)絡(luò)壓縮建模\t387
11．1．3 BP神經(jīng)網(wǎng)絡(luò)壓縮的實現(xiàn)\t390
11．2 預測地下水水位\t394
11．2．1 案例背景\t395
11．2．2 神經(jīng)網(wǎng)絡(luò)的建模\t395
11．2．3 RBF神經(jīng)網(wǎng)絡(luò)預測的實現(xiàn)\t396
11．3 BP_Adaboost設(shè)計公司賬務(wù)預警\t399
11．3．1 Adaboost算法\t399
11．3．2 Adaboost模型\t400
11．3．3 賬務(wù)預警系統(tǒng)介紹\t400
11．3．4 建立預警模型\t400
11．3．5 利用BP_Adaboost模型實現(xiàn)公司賬務(wù)預警\t401
11．4 概率神經(jīng)網(wǎng)絡(luò)在遙感圖像中的應(yīng)用\t406
11．5 PID神經(jīng)網(wǎng)絡(luò)控制\t411
11．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t418
11．6．1 在分類中的應(yīng)用\t418
11．6．2 在估計中的應(yīng)用\t420
參考文獻\t424