MATLAB神經網絡分析及應用

第1章 神經網絡應用廣泛的原因1
1.1　人工神經網絡的定義1
1.1.1　神經網絡基本概述1
1.1.2　人工神經元的基本特征1
1.1.3　人工神經元的特點與優(yōu)越性2
1.2　人工神經網絡的類型2
1.2.1　單層前向網絡3
1.2.2　多層前向網絡3
1.2.3　反饋網絡4
1.2.4　競爭型神經網絡4
1.2.5　深度神經網絡4
1.3　人工神經網絡的應用5
1.4　神經網絡的發(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　神經網絡學習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桌面基礎知識14
2.5　MATLAB語言基礎15
2.5.1　命令輸入15
2.5.2　矩陣和數(shù)組16
2.5.3　數(shù)據類型30
2.5.4　基本運算35
2.5.5　循環(huán)及選擇結構38
第3章 感知器分析與應用42
3.1　單層感知器42
3.1.1　單層感知器模型42
3.1.2　單層感知器結構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　感知器的應用53
3.6　多層感知器分析與應用59
第4章 線性神經網絡分析與應用63
4.1　線性神經網絡與感知器的區(qū)別63
4.2　線性神經網絡原理63
4.2.1　線性神經網絡模型63
4.2.2　線性神經網絡結構64
4.2.3　線性濾波器65
4.2.4　自適應線性濾波網絡66
4.2.5　學習規(guī)則66
4.2.6　網絡訓練68
4.3　線性神經網絡函數(shù)70
4.4　線性神經網絡的實現(xiàn)77
第5章 BP神經網絡分析與應用87
5.1　BP神經網絡原理87
5.1.1　BP神經網絡模型87
5.1.2　BP神經網絡的流程88
5.1.3　BP神經網絡的訓練91
5.1.4　BP神經網絡功能94
5.2　BP神經網絡設計94
5.2.1　網絡的層數(shù)94
5.2.2　隱藏層的神經元數(shù)94
5.2.3　初始值的選取95
5.2.4　學習速率95
5.3　BP神經網絡函數(shù)95
5.4　BP神經網絡的應用102
5.4.1　BP神經網絡在數(shù)據預測中的應用102
5.4.2　BP神經網絡在函數(shù)逼近中的應用104
5.4.3　BP神經網絡的工具箱擬合數(shù)據應用107
5.4.4　BP神經網絡在語音特征信號識別中的應用115
第6章 RBF神經網絡分析與應用121
6.1　RBF神經網絡模型121
6.1.1　RBF神經網絡的思想122
6.1.2　RBF神經網絡的工作原理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網絡125
6.3　RBF學習算法127
6.4　RBF網絡工具箱函數(shù)128
6.5　RBF網絡的應用131
第7章 反饋神經網絡分析與應用142
7.1　靜態(tài)與反饋網絡142
7.2　Elman神經網絡145
7.2.1　Elman神經網絡特點145
7.2.2　Elman神經網絡結構145
7.2.3　Elman神經網絡的學習過程145
7.2.4　Elman神經網絡的應用146
7.3　離散Hopfield神經網絡153
7.3.1　Hopfield神經網絡結構154
7.3.2　網絡的工作方式156
7.3.3　網絡的穩(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神經網絡160
7.4.1　連續(xù)Hopfield神經網絡的穩(wěn)定性160
7.4.2　連續(xù)Hopfield神經網絡的實現(xiàn)161
第8章 競爭型神經網絡分析與應用167
8.1　競爭型神經網絡167
8.2　自組織神經網絡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　自組織神經網絡的原理174
8.2.5　自組織神經網絡實現(xiàn)175
8.3　自組織特征映射網絡176
8.3.1　拓撲結構176
8.3.2　SOM權值調整177
8.3.3　Kohonen算法步驟177
8.3.4　自組織映射網絡的實現(xiàn)178
8.4　使用自組織映射對數(shù)據進行聚類 181
8.5　學習向量量化神經網絡185
8.5.1　量化的定義186
8.5.2　LVQ神經網絡186
8.5.3　LVQ網絡算法187
8.5.4　LVQ網絡的實現(xiàn)187
8.6　對偶傳播神經網絡190
8.6.1　網絡結構與運行原理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　自適應共振理論網絡195
8.7.1　ARTⅠ型網絡196
8.7.2　ARTⅠ型網絡學習過程197
8.7.3　ARTⅠ型網絡的應用198
第9章 神經網絡的Simulink應用201
9.1　Simulink神經網絡模塊201
9.1.1　神經網絡模塊201
9.1.2　模塊的生成208
9.2　基于Simulink的神經網絡的控制系統(tǒng)211
9.2.1　神經網絡模型預測控制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 自定義神經網絡221
10.1　自定義神經網絡概述221
10.1.1　創(chuàng)建網絡222
10.1.2　網絡的初始化和訓練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 深度神經網絡分析與應用240
11.1　卷積神經網絡240
11.1.1　卷積神經網絡的結構240
11.1.2　卷積神經網絡的訓練241
11.1.3　卷積神經網絡的算法242
11.1.4　卷積神經網絡的實現(xiàn)244
11.2　循環(huán)神經網絡247
11.2.1　循環(huán)神經網絡的特點247
11.2.2　循環(huán)神經網絡的原理248
11.2.3　損失函數(shù)248
11.2.4　梯度求解249
11.2.5　循環(huán)神經網絡的實現(xiàn)250
11.3　長短期記憶網絡253
11.3.1　LSTM基本單元結構253
11.3.2　LSTM的應用255
參考文獻270