MATLAB神經網絡應用設計

前言
第1章 神經網絡概述 1
1.1 神經網絡的基本概念 1
1.1.1 生物神經元的結構與功能特點 1
1.1.2 人工神經元模型 1
1.1.3 神經網絡的結構及工作方式 3
1.1.4 神經網絡的學習 4
1.2 神經網絡的發(fā)展和應用 7
1.2.1 神經網絡的發(fā)展 7
1.2.2 神經網絡的研究內容 8
1.2.3 神經網絡的應用 8
1.3 神經網絡的特點 8
1.4 MATLAB語言及入門 9
1.4.1 MATLAB概述 9
1.4.2 MATLAB語言特點 11
1.4.3 MATLAB快速入門 12
1.5 神經網絡工具箱 23
第2章 感知神經網絡 24
2.1 單層感知器 24
2.1.1 感知器模型 24
2.1.2 感知器的功能 25
2.1.3 感知器的局限性 27
2.1.4 感知器的學習算法 27
2.1.5 單層感知器的MATLAB實現(xiàn) 29
2.2 多層感知器 35
2.3 感知器神經網絡的學習和訓練 36
2.3.1 學習規(guī)則 36
2.3.2 網絡訓練 37
2.4 基于BP算法的多層感知器設計基礎 39
2.4.1 網絡信息容量與訓練樣本基礎 39
2.4.2 訓練樣本集的設計 40
2.4.3 初始權值的設計 43
2.4.4 多層感知器的結構設計 44
2.4.5 網絡訓練與測試 45
2.5 感知器設計實例 46
2.5.1 二輸入感知器分類問題 46
2.5.2 輸入奇異樣本對網絡訓練的影響 47
2.5.3 線性不可分輸入量 48
第3章 自組織競爭神經網絡 50
3.1 競爭學習的概念與原理 50
3.1.1 基本概念 50
3.1.2 競爭學習原理 52
3.2 自組織神經網絡模型 54
3.2.1 自組織特征映射神經網絡結構 55
3.2.2 自組織特征映射網絡學習算法 55
3.3 自組織競爭網絡的神經網絡工具箱函數(shù) 56
3.3.1 神經網絡創(chuàng)建函數(shù) 57
3.3.2 顯示函數(shù) 58
3.3.3 變換函數(shù) 58
3.3.4 傳遞函數(shù) 60
3.3.5 距離函數(shù) 61
3.3.6 初始化函數(shù) 64
3.3.7 權值函數(shù) 64
3.3.8 學習函數(shù) 65
3.3.9 結構函數(shù) 66
3.4 實例分析 71
3.4.1 自組織競爭網絡在模式分類中的應用 71
3.4.2 一維自組織特征映射網絡設計 73
3.4.3 二維自組織特征映射網絡設計 75
3.4.4 LVQ模式分類網絡設計 77
3.5 自適應共振理論網絡 79
3.5.1 ART I型網絡 80
3.5.2 ART II型網絡 87
第4章 BP神經網絡 92
4.1 BP網絡模型結構 92
4.1.1 神經元模型 92
4.1.2 前饋型神經網絡結構 93
4.2 BP神經網絡構建與算法 94
4.2.1 BP神經網絡構建 94
4.2.2 BP網絡的學習算法 95
4.3 BP網絡的神經網絡工具箱函數(shù) 98
4.3.1 BP網絡創(chuàng)建函數(shù) 99
4.3.2 神經元上的傳遞函數(shù) 100
4.3.3 BP網絡學習函數(shù) 103
4.3.4 BP網絡訓練函數(shù) 104
4.3.5 性能函數(shù) 106
4.3.6 顯示函數(shù) 107
4.4 BP網絡的局限性 112
4.5 BP網絡的應用實例分析 113
4.5.1 函數(shù)逼近 113
4.5.2 模式識別 119
第5章 線性神經網絡 129
5.1 線性神經網絡構建 129
5.1.1 生成線性神經元 129
5.1.2 線性神經元系統(tǒng)設計 130
5.1.3 線性濾波器 131
5.2 線性神經網絡學習算法 132
5.2.1 線性神經元網絡模型 132
5.2.2 線性神經網絡的學習算法 133
5.3 線性網絡的神經網絡工具箱函數(shù) 134
5.3.1 線性網絡創(chuàng)建及設計函數(shù) 134
5.3.2 學習函數(shù) 135
5.3.3 傳輸及均方誤差函數(shù) 139
5.4 線性網絡的局限性 140
5.4.1 不定系統(tǒng) 140
5.4.2 超定系統(tǒng) 143
5.4.3 線性相關向量 145
5.4.4 學習速率過大 146
5.5 線性神經網絡應用實例分析 148
5.5.1 線性系統(tǒng)辨識 148
5.5.2 應用線性網絡進行預測 150
5.5.3 自適應預測 152
5.5.4 自適應系統(tǒng)辨識 154
第6章 徑向基函數(shù)神經網絡 157
6.1 徑向基函數(shù)神經網絡模型與學習算法 157
6.1.1 RBF神經網絡模型 157
6.1.2 RBF網絡的學習算法 158
6.2 徑向基網絡的神經網絡函數(shù) 159
6.2.1 神經網絡的創(chuàng)建函數(shù) 160
6.2.2 轉換函數(shù) 162
6.2.3 傳遞函數(shù) 162
6.3 基于徑向基函數(shù)技術的函數(shù)逼近與內插 163
6.3.1 插值問題描述 163
6.3.2 徑向基函數(shù)技術解決插值問題 163
6.3.3 完全內插存在的問題 165
6.4 概率神經網絡 166
6.4.1 PNN網絡結構 166
6.4.2 PNN網絡的工作原理 167
6.4.3 概率神經網絡的設計 167
6.5 正則化理論與正則化RBF網絡 168
6.5.1 正則化理論 168
6.5.2 正則化RBF網絡 170
6.6 模式可分性觀點與廣義的RBF網絡 171
6.6.1 模式的可分性 171
6.6.2 廣義RBF網絡 172
6.7 徑向基函數(shù)的網絡應用實例 173
6.7.1 函數(shù)逼近 173
6.7.2 散布常數(shù)對徑向基函數(shù)網絡設計的影響 175
6.7.3 應用PNN進行變量分類 177
6.7.4 應用GRNN進行函數(shù)逼近 179
第7章 反饋神經網絡及 MATLAB實現(xiàn) 182
7.1 Hopfield神經網絡及MATLAB實現(xiàn) 182
7.1.1 離散型Hopfield神經網絡 182
7.1.2 連續(xù)型Hopfield神經網絡 187
7.1.3 Hopfield網絡的MATLAB開發(fā) 189
7.2 Elman神經網絡及應用 191
7.2.1 Elman神經網絡結構 191
7.2.2 Elman神經網絡的學習過程 192
7.2.3 Elman神經網絡的工程應用 192
7.2.4 基于Elman網絡的空調負荷預測 196
7.3 雙向聯(lián)想記憶神經網絡 198
7.3.1 BAM網絡結構與原理 199
7.3.2 能量函數(shù)與穩(wěn)定性分析 199
7.3.3 BAM網的權值設計 200
7.3.4 BAM網的應用 201
7.4 反饋網絡應用實例分析 202
7.4.1 Hopfield網絡的不穩(wěn)定性 202
7.4.2 三神經元的Hopfield神經網絡設計 204
7.4.3 應用CHNN網解決優(yōu)化計算問題 206
7.5 Boltzmann機網絡及仿真 209
7.5.1 BM網絡的基本結構 209
7.5.2 BM模型的工作規(guī)則和學習規(guī)則 209
7.5.3 BM網絡的MATLAB仿真 212
第8章 神經網絡預測與控制 214
8.1 電力系統(tǒng)負荷預報的MATLAB實現(xiàn) 214
8.1.1 問題描述 214
8.1.2 輸入/輸出向量設計 215
8.1.3 BP網絡設計 216
8.1.4 網絡訓練 216
8.2 地震預報的MATLAB實現(xiàn) 218
8.2.1 概述 219
8.2.2 BP網絡設計 220
8.2.3 BP網絡訓練與測試 220
8.2.4 地震預測的競爭網絡模型 224
8.3 交通運輸能力預測的MATLAB實現(xiàn) 226
8.3.1 背景概述 227
8.3.2 網絡創(chuàng)建與訓練 227
8.3.3 結論與分析 231
8.4 河道淺灘演變預測的MATLAB實現(xiàn) 233
8.4.1 基于BP網絡的演變預測 233
8.4.2 基于RBF網絡的演變預測 239
8.5 農作物蟲情預測的MATLAB實現(xiàn) 239
8.5.1 基于神經網絡的蟲情預測原理 240
8.5.2 BP網絡設計 241
8.6 用水測量的MATLAB實現(xiàn) 243
8.6.1 問題概述 244
8.6.2 RBF網絡設計 244
8.7 神經網絡模型預測控制 246
8.7.1 系統(tǒng)辨識 246
8.7.2 預測控制 247
8.7.3 神經網絡模型預測控制器實例分析 247
8.8 NARMA？L2（反饋線性化）控制 252
8.8.1 NARMA？L2模型辨識 252
8.8.2 NARMA？L2控制器 253
8.8.3 NARMA？L2控制器實例分析 254
第9章 神經網絡優(yōu)化及故障診斷 259
9.1 BP網絡學習算法的改進 259
9.1.1 消除樣本輸入順序影響的改進算法 259
9.1.2 附加動量的改進算法 260
9.1.3 采用自適應調整參數(shù)的改進算法 260
9.1.4 使用彈性方法的改進算法 261
9.1.5 基于共軛梯度法的改進算法 261
9.1.6 基于Levenberg-Marquardt法的改進算法 261
9.2 基于遺傳算法的神經網絡優(yōu)化方法 262
9.2.1 概述 262
9.2.2 遺傳算法簡介 263
9.2.3 遺傳算法工具箱 264
9.2.4 用遺傳算法優(yōu)化神經網絡權值的學習過程 265
9.3 小波神經網絡 266
9.3.1 概述 266
9.3.2 小波神經網絡參數(shù)調整算法 267
9.3.3 小波神經網絡的MATLAB函數(shù) 270
9.4 神經網絡與故障模式識別 270
9.4.1 常用的模式識別方法 271
9.4.2 神經網絡在故障模式識別中的應用 271
9.5 基于概率神經網絡的故障診斷 273
9.5.1 概述 273
9.5.2 基于PNN的故障診斷 273
9.5.3 結論 275
9.6 基于BP網絡和Elman網絡的齒輪箱故障診斷 276
9.6.1 工程描述 276
9.6.2 輸入和目標向量設計 277
9.6.3 BP網絡設計 277
9.6.4 Elman網絡設計 280
9.7 基于RBF網絡的船用柴油機故障診斷 282
9.7.1 問題描述 282
9.7.2 渦輪增壓系統(tǒng)的故障診斷 282
9.7.3 網絡設計 284
第10章 圖形用戶界面設計 288
10.1 事件處理 288
10.2 回調函數(shù) 289
10.2.1 中斷回調規(guī)則 291
10.2.2 回調函數(shù)原形 291
10.3 回調處理 293
10.3.1 遞歸函數(shù)調用 293
10.3.2 M文件調用 295
10.3.3 函數(shù)句柄調用 297
10.4 網絡的創(chuàng)建 298
10.4.1 設置輸入和期望輸出 298
10.4.2 網絡生成 300
10.5 網絡訓練與仿真 302
10.5.1 網絡訓練 302
10.5.2 網絡仿真 302
10.6 GUI的數(shù)據(jù)處理 303
10.6.1 GUI導出數(shù)據(jù)到MATLAB工作空間 304
10.6.2 GUI的數(shù)據(jù)清除 305
10.6.3 GUI從MATLAB工作空間導入數(shù)據(jù) 305
10.6.4 GUI數(shù)據(jù)文件的存取 307
10.7 M文件編程設計 309
10.7.1 界面設計 309
10.7.2 函數(shù)回調 316
參考文獻 320