精通MATLAB神經(jīng)網(wǎng)絡(luò)

第一篇　MATLAB入門篇
第1章　MATLAB概述 2
1.1　MATLAB的產(chǎn)生與發(fā)展 2
1.2　MATLAB的優(yōu)勢與特點 2
1.3　MATLAB系統(tǒng)的構(gòu)成 4
1.4　MATLAB桌面操作環(huán)境 5
1.4.1　MATLAB啟動和退出 5
1.4.2　MATLAB主菜單及功能 6
1.4.3　MATLAB命令窗口 9
1.4.4　MATLAB工作空間 11
1.4.5　M文件編輯/調(diào)試器 13
1.4.6　圖形窗口 14
1.4.7　MATLAB文件管理 16
1.4.8　MATLAB幫助 16
1.5　MATLAB的工具箱 17
1.6　小結(jié) 18
第2章　MATLAB計算基礎(chǔ) 19
2.1　MATLAB數(shù)值類型 19
2.2　關(guān)系運算和邏輯運算 21
2.3　矩陣及其運算 22
2.3.1　矩陣的創(chuàng)建 22
2.3.2　矩陣的運算 24
2.4　復數(shù)及其運算 25
2.4.1　復數(shù)表示 25
2.4.2　復數(shù)繪圖 27
2.4.3　復數(shù)操作函數(shù) 28
2.5　符號運算 28
2.5.1　符號運算概述 28
2.5.2　常用的符號運算 30
2.6　小結(jié) 33
第3章　MATLAB繪圖入門 34
3.1　MATLAB中繪圖的基本步驟 34
3.2　在工作空間直接繪圖 35
3.3　利用繪圖函數(shù)繪圖 36
3.3.1　二維圖形 36
3.3.2　三維圖形 37
3.4　圖形的修飾 41
3.5　小結(jié) 44
第4章　MATLAB編程入門 45
4.1　MATLAB編程概述 45
4.2　MATLAB程序設(shè)計原則 46
4.3　M文件 47
4.4　MATLAB程序流程控制 49
4.5　MATLAB中的函數(shù)及調(diào)用 52
4.5.1　函數(shù)類型 52
4.5.2　函數(shù)參數(shù)傳遞 55
4.6　函數(shù)句柄 60
4.7　MATLAB程序調(diào)試 61
4.7.1　常見程序錯誤 61
4.7.2　調(diào)試方法 64
4.7.3　調(diào)試工具 64
4.7.4　M文件分析工具 67
4.7.5　Profiler分析工具 69
4.8　MATLAB程序設(shè)計技巧 70
4.8.1　嵌套計算 70
4.8.2　循環(huán)計算 72
4.8.3　使用例外處理機制 72
4.8.4　使用全局變量 74
4.8.5　通過varargin傳遞參數(shù) 76
4.9　小結(jié) 77
第5章　Simulink仿真入門 78
5.1　Simulink仿真概述 78
5.1.1　Simulink的啟動與退出 78
5.1.2　Simulink模塊庫 79
5.2　Simulink仿真模型及仿真過程 84
5.3　Simulink模塊的處理 86
5.3.1　Simulink模塊參數(shù)設(shè)置 86
5.3.2　Simulink模塊基本操作 88
5.3.3　Simulink模塊連接 90
5.4　Simulink仿真設(shè)置 92
5.4.1　仿真器參數(shù)設(shè)置 92
5.4.2　工作空間數(shù)據(jù)導入/導出
5.4.2　設(shè)置 94
5.5　Simulink仿真舉例 95
5.6　小結(jié) 98
第二篇　神經(jīng)網(wǎng)絡(luò)提高篇
第6章　MATLAB神經(jīng)網(wǎng)絡(luò)工具箱概述 100
6.1　神經(jīng)網(wǎng)絡(luò)簡介 100
6.2　神經(jīng)網(wǎng)絡(luò)模型及訓練 101
6.2.1　生物神經(jīng)元模型 101
6.2.2　神經(jīng)網(wǎng)絡(luò)模型 102
6.2.3　神經(jīng)網(wǎng)絡(luò)的訓練 104
6.2.4　神經(jīng)網(wǎng)絡(luò)的分類 105
6.3　神經(jīng)網(wǎng)絡(luò)的應(yīng)用 106
6.4　神經(jīng)網(wǎng)絡(luò)工具箱簡介 108
6.4.1　工具箱的功能 108
6.4.2　工具箱的新特性 108
6.4.3　MATLAB中的神經(jīng)網(wǎng)絡(luò)
6.4.3　數(shù)據(jù)結(jié)構(gòu) 110
6.4.4　工具箱函數(shù)簡介 112
6.5　小結(jié) 113
第7章　MATLAB神經(jīng)網(wǎng)絡(luò)GUI工具 114
7.1　基礎(chǔ)GUI工具nntool 114
7.1.1　網(wǎng)絡(luò)創(chuàng)建 114
7.1.2　網(wǎng)絡(luò)訓練 119
7.1.3　網(wǎng)絡(luò)仿真 121
7.1.4　圖形界面數(shù)據(jù)操作 122
7.2　數(shù)據(jù)擬合GUI工具nftool 127
7.3　模式識別GUI工具nprtool 131
7.4　數(shù)據(jù)聚類GUI工具nctool 136
7.5　小結(jié) 139
第8章　感知器神經(jīng)網(wǎng)絡(luò) 140
8.1　感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 140
8.1.1　感知器神經(jīng)元模型 140
8.1.2　單層感知器神經(jīng)網(wǎng)絡(luò)
8.1.2　結(jié)構(gòu) 141
8.2　感知器學習規(guī)則 142
8.2.1　感知器網(wǎng)絡(luò)學習算法 143
8.2.2　標準化感知器網(wǎng)絡(luò)
8.2.2　學習算法 144
8.3　感知器網(wǎng)絡(luò)的MATLAB實現(xiàn) 144
8.3.1　感知器網(wǎng)絡(luò)的生成 144
8.3.2　感知器網(wǎng)絡(luò)的仿真 146
8.3.3　感知器網(wǎng)絡(luò)的初始化 147
8.3.4　感知器網(wǎng)絡(luò)的學習和
8.3.4　訓練 148
8.4　感知器網(wǎng)絡(luò)的局限性 152
8.4.1　單層感知器網(wǎng)絡(luò)的
8.4.1　局限性 152
8.4.2　多層感知器神經(jīng)網(wǎng)絡(luò) 152
8.5　感知器神經(jīng)網(wǎng)絡(luò)設(shè)計實例 153
8.5.1　輸入向量的二類劃分 153
8.5.2　奇異樣本輸入向量的
8.5.2　訓練 155
8.5.3　標準化感知器學習規(guī)則
8.5.3　實例 158
8.5.4　線性不可分樣本問題 159
8.6　小結(jié) 161
第9章　線性神經(jīng)網(wǎng)絡(luò) 162
9.1　線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 162
9.1.1　線性神經(jīng)元模型 162
9.1.2　線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 163
9.2　線性濾波器 164
9.3　線性神經(jīng)網(wǎng)絡(luò)學習規(guī)則 164
9.3.1　均方誤差 165
9.3.2　LMS算法 165
9.4　線性神經(jīng)網(wǎng)絡(luò)的MATLAB
9.4　實現(xiàn) 166
9.4.1　線性神經(jīng)元生成 166
9.4.2　線性神經(jīng)網(wǎng)絡(luò)生成 169
9.4.3　線性濾波器生成 170
9.4.4　線性神經(jīng)網(wǎng)絡(luò)訓練 171
9.5　線性網(wǎng)絡(luò)的局限性 175
9.5.1　非線性系統(tǒng) 175
9.5.2　超定系統(tǒng) 178
9.5.3　不定系統(tǒng) 178
9.5.4　線性相關(guān)向量 181
9.5.5　學習速率過大 183
9.6　線性神經(jīng)網(wǎng)絡(luò)設(shè)計實例 185
9.6.1　線性預測 185
9.6.2　自適應(yīng)濾波噪聲抵消 187
9.6.3　自適應(yīng)濾波系統(tǒng)辨識 189
9.7　小結(jié) 192
第10章　BP神經(jīng)網(wǎng)絡(luò) 193
10.1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 193
10.1.1　BP網(wǎng)絡(luò)神經(jīng)元模型 193
10.1.2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 194
10.2　BP網(wǎng)絡(luò)學習規(guī)則 195
10.2.1　BP算法 195
10.2.2　批處理學習算法 198
10.3　BP網(wǎng)絡(luò)的MATLAB實現(xiàn) 199
10.3.1　BP網(wǎng)絡(luò)的創(chuàng)建與仿真 199
10.3.2　BP網(wǎng)絡(luò)的訓練 200
10.4　BP網(wǎng)絡(luò)的局限性 215
10.5　BP神經(jīng)網(wǎng)絡(luò)設(shè)計實例 216
10.5.1　函數(shù)逼近 216
10.5.2　回歸分析 218
10.5.3　特征識別 220
10.6　小結(jié) 224
第11章　徑向基神經(jīng)網(wǎng)絡(luò) 225
11.1　基本徑向基神經(jīng)網(wǎng)絡(luò) 225
11.1.1　徑向基網(wǎng)絡(luò)神經(jīng)元
11.1.1　模型 225
11.1.2　徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 226
11.2　概率神經(jīng)網(wǎng)絡(luò) 227
11.3　廣義回歸神經(jīng)網(wǎng)絡(luò) 228
11.4　徑向基網(wǎng)絡(luò)的MATLAB
11.4　實現(xiàn) 229
11.4.1　徑向基神經(jīng)網(wǎng)絡(luò)的
11.4.1　精確創(chuàng)建 230
11.4.2　更有效的徑向基神經(jīng)
11.4.2　網(wǎng)絡(luò)創(chuàng)建 231
11.4.3　概率神經(jīng)網(wǎng)絡(luò)的創(chuàng)建 231
11.4.4　廣義回歸神經(jīng)網(wǎng)絡(luò)的
11.4.4　創(chuàng)建 232
11.5　徑向基網(wǎng)絡(luò)設(shè)計實例 233
11.5.1　徑向基網(wǎng)絡(luò)函數(shù)逼近 233
11.5.2　散布常數(shù)的影響之欠
11.5.2　交疊情形 236
11.5.3　散布常數(shù)的影響之過
11.5.3　交疊情形 238
11.5.4　廣義回歸網(wǎng)絡(luò)函數(shù)
11.5.4　逼近 239
11.5.5　概率神經(jīng)網(wǎng)絡(luò)模式
11.5.5　分類 242
11.6　小結(jié) 245
第12章　自組織神經(jīng)網(wǎng)絡(luò) 246
12.1　自組織競爭網(wǎng)絡(luò) 246
12.1.1　自組織競爭網(wǎng)絡(luò)結(jié)構(gòu)
12.1.1　模型 246
12.1.2　自組織競爭神經(jīng)網(wǎng)絡(luò)
12.1.2　的學習算法 247
12.2　自組織特征映射網(wǎng)絡(luò) 250
12.2.1　自組織特征映射網(wǎng)絡(luò)
12.2.1　模型 250
12.2.2　自組織特征映射網(wǎng)絡(luò)
12.2.2　結(jié)構(gòu) 258
12.2.3　自組織特征映射網(wǎng)絡(luò)的
12.2.3　學習規(guī)則 259
12.3　學習矢量量化網(wǎng)絡(luò) 259
12.3.1　學習矢量量化網(wǎng)絡(luò)
12.3.1　結(jié)構(gòu) 260
12.3.2　學習矢量量化網(wǎng)絡(luò)的
12.3.2　學習規(guī)則 260
12.3.3　與自組織映射網(wǎng)絡(luò)的
12.3.3　比較 262
12.4　自組織神經(jīng)網(wǎng)絡(luò)的MATLAB
12.4　實現(xiàn) 263
12.4.1　自組織競爭網(wǎng)絡(luò)的
12.4.1　設(shè)計 263
12.4.2　自組織競爭網(wǎng)絡(luò)的
12.4.2　訓練 264
12.4.3　SOFM網(wǎng)絡(luò)的設(shè)計 265
12.4.4　SOFM網(wǎng)絡(luò)的訓練 267
12.4.5　LVQ網(wǎng)絡(luò)的設(shè)計 267
12.4.6　LVQ網(wǎng)絡(luò)的訓練 270
12.5　自組織神經(jīng)網(wǎng)絡(luò)應(yīng)用實例 271
12.5.1　自組織競爭網(wǎng)絡(luò)模式
12.5.1　分類 271
12.5.2　一維自組織特征映射
12.5.2　網(wǎng)絡(luò) 273
12.5.3　二維自組織特征映射
12.5.3　網(wǎng)絡(luò) 275
12.5.4　LVQ網(wǎng)絡(luò)應(yīng)用實例 277
12.6　小結(jié) 279
第13章　反饋神經(jīng)網(wǎng)絡(luò) 280
13.1　Hopfield網(wǎng)絡(luò) 280
13.1.1　離散Hopfield網(wǎng)絡(luò)
13.1.1　模型 281
13.1.2　連續(xù)Hopfield網(wǎng)絡(luò)
13.1.2　模型 283
13.1.3　聯(lián)想記憶 285
13.1.4　Hopfield網(wǎng)絡(luò)結(jié)構(gòu) 287
13.2　Elman反饋神經(jīng)網(wǎng)絡(luò) 287
13.3　反饋神經(jīng)網(wǎng)絡(luò)的MATLAB
13.3　實現(xiàn) 288
13.3.1　設(shè)計Hopfield網(wǎng)絡(luò) 288
13.3.2　Elman網(wǎng)絡(luò)的創(chuàng)建與
13.3.2　仿真 290
13.3.3　訓練Elman網(wǎng)絡(luò) 291
13.4　反饋神經(jīng)網(wǎng)絡(luò)應(yīng)用實例 292
13.4.1　二神經(jīng)元Hopfield
13.4.1　網(wǎng)絡(luò)設(shè)計 292
13.4.2　Hopfield網(wǎng)絡(luò)中的偽
13.4.2　平衡點 295
13.4.3　三神經(jīng)元Hopfield
13.4.3　網(wǎng)絡(luò)設(shè)計 297
13.4.4　利用Elman網(wǎng)絡(luò)進行
13.4.4　振幅檢測 300
13.5　小結(jié) 303
第三篇　神經(jīng)網(wǎng)絡(luò)綜合實戰(zhàn)篇
第14章　神經(jīng)網(wǎng)絡(luò)優(yōu)化 306
14.1　支持向量機 306
14.1.1　統(tǒng)計學習理論 307
14.1.2　支持向量機（SVM）
14.1.2　理論 307
14.1.3　支持向量機實例 310
14.2　Boltzmann機與模擬退火算法 314
14.2.1　Boltzmann機的網(wǎng)絡(luò)
14.2.1　結(jié)構(gòu) 314
14.2.2　模擬退火算法 315
14.2.3　Boltzmann機的工作
14.2.3　原理 316
14.3　基于遺傳算法的神經(jīng)網(wǎng)絡(luò)
14.3　優(yōu)化 317
14.3.1　遺傳算法介紹 318
14.3.2　基于遺傳算法的神經(jīng)網(wǎng)絡(luò)
14.3.2　優(yōu)化算法 320
14.3.3　遺傳算法優(yōu)化實例 321
14.4　小結(jié) 325
第15章　神經(jīng)網(wǎng)絡(luò)控制 326
15.1　神經(jīng)網(wǎng)絡(luò)控制概述 327
15.1.1　監(jiān)督式神經(jīng)網(wǎng)絡(luò)控制 327
15.1.2　直接逆模型神經(jīng)網(wǎng)絡(luò)
15.1.2　控制 328
15.1.3　神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制 328
15.1.4　神經(jīng)網(wǎng)絡(luò)內(nèi)模控制 329
15.1.5　神經(jīng)網(wǎng)絡(luò)預測控制 330
15.1.6　神經(jīng)網(wǎng)絡(luò)自適應(yīng)判斷
15.1.6　控制 331
15.1.7　多層神經(jīng)網(wǎng)絡(luò)控制 331
15.1.8　分級神經(jīng)網(wǎng)絡(luò)控制 332
15.2　神經(jīng)網(wǎng)絡(luò)模型預測控制 333
15.2.1　系統(tǒng)辨識 334
15.2.2　預測控制 335
15.2.3　預測控制的Simulink
15.2.3　實例 335
15.3　神經(jīng)網(wǎng)絡(luò)反饋線性化控制
15.3?。∟ARMA-L2） 341
15.3.1　NARMA-L2系統(tǒng)辨識 341
15.3.2　NARMA-L2控制器 342
15.3.3　NARMA-L2控制器
15.3.3　Simulink實例 343
15.4　神經(jīng)網(wǎng)絡(luò)模型參考控制 347
15.5　小結(jié) 352
第16章　神經(jīng)網(wǎng)絡(luò)故障診斷 353
16.1　神經(jīng)網(wǎng)絡(luò)故障診斷概述 353
16.2　基于神經(jīng)網(wǎng)絡(luò)的滾動軸承
16.2　故障診斷 354
16.2.1　問題背景 354
16.2.2　問題實例 356
16.3　基于神經(jīng)網(wǎng)絡(luò)的汽車防抱死
16.3　系統(tǒng)故障診斷 359
16.3.1　問題背景 359
16.3.2　問題實例 361
16.4　基于神經(jīng)網(wǎng)絡(luò)的柴油機
16.4　故障診斷 364
16.4.1　問題背景 364
16.4.2　問題實例 366
16.5　基于神經(jīng)網(wǎng)絡(luò)的水循環(huán)系統(tǒng)
16.5　故障診斷 371
16.5.1　問題背景 371
16.5.2　問題實例 372
16.6　小結(jié) 374
第17章　神經(jīng)網(wǎng)絡(luò)預測 375
17.1　神經(jīng)網(wǎng)絡(luò)預測概述 375
17.2　基于神經(jīng)網(wǎng)絡(luò)的地震預測 378
17.2.1　問題背景 378
17.2.2　問題實例 378
17.3　基于神經(jīng)網(wǎng)絡(luò)的人口預測 382
17.3.1　問題背景 382
17.3.2　問題實例 382
17.4　基于神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)量
17.4　預測 385
17.4.1　問題背景 385
17.4.2　問題實例 385
17.5　基于神經(jīng)網(wǎng)絡(luò)的股市預測 388
17.5.1　問題背景 388
17.5.2　問題實例 389
17.6　基于神經(jīng)網(wǎng)絡(luò)的信用風險
17.6　預測 391
17.6.1　問題背景 391
17.6.2　問題實例 392
17.7　小結(jié) 394
第18章　Simulink中的神經(jīng)網(wǎng)絡(luò)設(shè)計 395
18.1　Simulink神經(jīng)網(wǎng)絡(luò)模塊 395
18.1.1　傳遞函數(shù)模塊庫 396
18.1.2　網(wǎng)絡(luò)輸入函數(shù)模塊庫 397
18.1.3　權(quán)值函數(shù)模塊庫 397
18.1.4　處理函數(shù)模塊庫 398
18.1.5　控制系統(tǒng)模塊庫 398
18.2　神經(jīng)網(wǎng)絡(luò)Simulink模型設(shè)計
18.2　實例 399
18.3　小結(jié) 403
第19章　自定義神經(jīng)網(wǎng)絡(luò) 404
19.1　自定義網(wǎng)絡(luò) 404
19.1.1　定制網(wǎng)絡(luò) 405
19.1.2　定義網(wǎng)絡(luò) 406
19.1.3　網(wǎng)絡(luò)行為 414
19.2　相關(guān)工具箱函數(shù) 417
19.2.1　初始化函數(shù) 417
19.2.2　傳遞函數(shù) 417
19.2.3　學習函數(shù) 420
19.3　自定義函數(shù) 425
19.3.1　網(wǎng)絡(luò)構(gòu)建函數(shù) 425
19.3.2　初始化函數(shù) 431
19.3.3　學習函數(shù) 432
19.3.4　自組織映射函數(shù) 435
19.4　小結(jié) 437
附錄A　工具箱函數(shù)列表 438
參考文獻 444