MATLAB神經(jīng)網(wǎng)絡(luò)分析及應(yīng)用

第1章 神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛的原因1
1.1　人工神經(jīng)網(wǎng)絡(luò)的定義1
1.1.1　神經(jīng)網(wǎng)絡(luò)基本概述1
1.1.2　人工神經(jīng)元的基本特征1
1.1.3　人工神經(jīng)元的特點與優(yōu)越性2
1.2　人工神經(jīng)網(wǎng)絡(luò)的類型2
1.2.1　單層前向網(wǎng)絡(luò)3
1.2.2　多層前向網(wǎng)絡(luò)3
1.2.3　反饋網(wǎng)絡(luò)4
1.2.4　競爭型神經(jīng)網(wǎng)絡(luò)4
1.2.5　深度神經(jīng)網(wǎng)絡(luò)4
1.3　人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用5
1.4　神經(jīng)網(wǎng)絡(luò)的發(fā)展史5
1.4.1　模型提出6
1.4.2　冰河期6
1.4.3　反向傳播引起的復興6
1.4.4　第二次低潮7
1.4.5　深度學習的崛起7
1.5　神經(jīng)網(wǎng)絡(luò)學習8
第2章 MATLAB快速入門10
2.1　MATLAB功能及發(fā)展10
2.1.1　MATLAB常用功能10
2.1.2　MATLAB的發(fā)展11
2.2　MATLAB R2023b集成開發(fā)環(huán)境 11
2.3　幫助命令12
2.4　MATLAB桌面基礎(chǔ)知識14
2.5　MATLAB語言基礎(chǔ)15
2.5.1　命令輸入15
2.5.2　矩陣和數(shù)組16
2.5.3　數(shù)據(jù)類型30
2.5.4　基本運算35
2.5.5　循環(huán)及選擇結(jié)構(gòu)38
第3章 感知器分析與應(yīng)用42
3.1　單層感知器42
3.1.1　單層感知器模型42
3.1.2　單層感知器結(jié)構(gòu)43
3.1.3　創(chuàng)建感知器44
3.1.4　感知器學習規(guī)則45
3.1.5　訓練46
3.2　感知器的限制50
3.3　離群值和歸一化感知器規(guī)則50
3.4　感知器工具箱函數(shù)50
3.5　感知器的應(yīng)用53
3.6　多層感知器分析與應(yīng)用59
第4章 線性神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用63
4.1　線性神經(jīng)網(wǎng)絡(luò)與感知器的區(qū)別63
4.2　線性神經(jīng)網(wǎng)絡(luò)原理63
4.2.1　線性神經(jīng)網(wǎng)絡(luò)模型63
4.2.2　線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)64
4.2.3　線性濾波器65
4.2.4　自適應(yīng)線性濾波網(wǎng)絡(luò)66
4.2.5　學習規(guī)則66
4.2.6　網(wǎng)絡(luò)訓練68
4.3　線性神經(jīng)網(wǎng)絡(luò)函數(shù)70
4.4　線性神經(jīng)網(wǎng)絡(luò)的實現(xiàn)77
第5章 BP神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用87
5.1　BP神經(jīng)網(wǎng)絡(luò)原理87
5.1.1　BP神經(jīng)網(wǎng)絡(luò)模型87
5.1.2　BP神經(jīng)網(wǎng)絡(luò)的流程88
5.1.3　BP神經(jīng)網(wǎng)絡(luò)的訓練91
5.1.4　BP神經(jīng)網(wǎng)絡(luò)功能94
5.2　BP神經(jīng)網(wǎng)絡(luò)設(shè)計94
5.2.1　網(wǎng)絡(luò)的層數(shù)94
5.2.2　隱藏層的神經(jīng)元數(shù)94
5.2.3　初始值的選取95
5.2.4　學習速率95
5.3　BP神經(jīng)網(wǎng)絡(luò)函數(shù)95
5.4　BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用102
5.4.1　BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預測中的應(yīng)用102
5.4.2　BP神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用104
5.4.3　BP神經(jīng)網(wǎng)絡(luò)的工具箱擬合數(shù)據(jù)應(yīng)用107
5.4.4　BP神經(jīng)網(wǎng)絡(luò)在語音特征信號識別中的應(yīng)用115
第6章 RBF神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用121
6.1　RBF神經(jīng)網(wǎng)絡(luò)模型121
6.1.1　RBF神經(jīng)網(wǎng)絡(luò)的思想122
6.1.2　RBF神經(jīng)網(wǎng)絡(luò)的工作原理122
6.2　RBF解決插值問題122
6.2.1　插值概述123
6.2.2　完全內(nèi)插存在的問題124
6.2.3　正則化理論124
6.2.4　正則化RBF125
6.2.5　廣義RBF網(wǎng)絡(luò)125
6.3　RBF學習算法127
6.4　RBF網(wǎng)絡(luò)工具箱函數(shù)128
6.5　RBF網(wǎng)絡(luò)的應(yīng)用131
第7章 反饋神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用142
7.1　靜態(tài)與反饋網(wǎng)絡(luò)142
7.2　Elman神經(jīng)網(wǎng)絡(luò)145
7.2.1　Elman神經(jīng)網(wǎng)絡(luò)特點145
7.2.2　Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)145
7.2.3　Elman神經(jīng)網(wǎng)絡(luò)的學習過程145
7.2.4　Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用146
7.3　離散Hopfield神經(jīng)網(wǎng)絡(luò)153
7.3.1　Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)154
7.3.2　網(wǎng)絡(luò)的工作方式156
7.3.3　網(wǎng)絡(luò)的穩(wěn)定156
7.3.4　聯(lián)想記憶156
7.3.5　Hebb學習規(guī)則159
7.4　連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)160
7.4.1　連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性160
7.4.2　連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的實現(xiàn)161
第8章 競爭型神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用167
8.1　競爭型神經(jīng)網(wǎng)絡(luò)167
8.2　自組織神經(jīng)網(wǎng)絡(luò)169
8.2.1　自組織競爭學習170
8.2.2　自組織競爭學習規(guī)則170
8.2.3　聯(lián)想學習規(guī)則171
8.2.4　自組織神經(jīng)網(wǎng)絡(luò)的原理174
8.2.5　自組織神經(jīng)網(wǎng)絡(luò)實現(xiàn)175
8.3　自組織特征映射網(wǎng)絡(luò)176
8.3.1　拓撲結(jié)構(gòu)176
8.3.2　SOM權(quán)值調(diào)整177
8.3.3　Kohonen算法步驟177
8.3.4　自組織映射網(wǎng)絡(luò)的實現(xiàn)178
8.4　使用自組織映射對數(shù)據(jù)進行聚類 181
8.5　學習向量量化神經(jīng)網(wǎng)絡(luò)185
8.5.1　量化的定義186
8.5.2　LVQ神經(jīng)網(wǎng)絡(luò)186
8.5.3　LVQ網(wǎng)絡(luò)算法187
8.5.4　LVQ網(wǎng)絡(luò)的實現(xiàn)187
8.6　對偶傳播神經(jīng)網(wǎng)絡(luò)190
8.6.1　網(wǎng)絡(luò)結(jié)構(gòu)與運行原理190
8.6.2　學習算法191
8.6.3　改進CPN191
8.6.4　CPN實現(xiàn)192
8.7　自適應(yīng)共振理論網(wǎng)絡(luò)195
8.7.1　ARTⅠ型網(wǎng)絡(luò)196
8.7.2　ARTⅠ型網(wǎng)絡(luò)學習過程197
8.7.3　ARTⅠ型網(wǎng)絡(luò)的應(yīng)用198
第9章 神經(jīng)網(wǎng)絡(luò)的Simulink應(yīng)用201
9.1　Simulink神經(jīng)網(wǎng)絡(luò)模塊201
9.1.1　神經(jīng)網(wǎng)絡(luò)模塊201
9.1.2　模塊的生成208
9.2　基于Simulink的神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)211
9.2.1　神經(jīng)網(wǎng)絡(luò)模型預測控制211
9.2.2　反饋線性化控制215
9.2.3　模型參考控制218
第10章 自定義神經(jīng)網(wǎng)絡(luò)221
10.1　自定義神經(jīng)網(wǎng)絡(luò)概述221
10.1.1　創(chuàng)建網(wǎng)絡(luò)222
10.1.2　網(wǎng)絡(luò)的初始化和訓練232
10.2　自定義函數(shù)235
10.2.1　初始化函數(shù)235
10.2.2　學習函數(shù)236
10.2.3　仿真函數(shù)238
第11章 深度神經(jīng)網(wǎng)絡(luò)分析與應(yīng)用240
11.1　卷積神經(jīng)網(wǎng)絡(luò)240
11.1.1　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)240
11.1.2　卷積神經(jīng)網(wǎng)絡(luò)的訓練241
11.1.3　卷積神經(jīng)網(wǎng)絡(luò)的算法242
11.1.4　卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)244
11.2　循環(huán)神經(jīng)網(wǎng)絡(luò)247
11.2.1　循環(huán)神經(jīng)網(wǎng)絡(luò)的特點247
11.2.2　循環(huán)神經(jīng)網(wǎng)絡(luò)的原理248
11.2.3　損失函數(shù)248
11.2.4　梯度求解249
11.2.5　循環(huán)神經(jīng)網(wǎng)絡(luò)的實現(xiàn)250
11.3　長短期記憶網(wǎng)絡(luò)253
11.3.1　LSTM基本單元結(jié)構(gòu)253
11.3.2　LSTM的應(yīng)用255
參考文獻270