應用MATLAB實現(xiàn)神經網絡

第1章 神經網絡概述及MATLAB介紹
1.1 人工神經網絡基本知識
1.2 神經網絡的發(fā)展歷程
1.3 神經網絡研究及其應用
1.4 神經細胞與人工神經元
1.4.1 生物神經元的特點
1.4.2 人工神經元模型
1.5 神經網絡的分類
1.6 神經網絡的學習訓練
1.7 MATIAB入門學習
1.7.1 MATLAB的發(fā)展史
1.7.2 MATLAB的功能
1.7.3 MATLAB的語言特點
1.8 MATIAB用戶界面
1.8.1 MATLAB的啟動和退出
1.8.2 MATIAB工作環(huán)境
1.9 MATLAB的數(shù)值與變量
1.9.1 MATLAB的數(shù)值
1.9.2 MATLAB的變量
第2章 感知器神經網絡
2.1 單層感知器
2.1.1 單層感知器模型
2.1.2 單層感知器功能
2.1.3 單層感知器神經網絡結構
2.2 多層感知器
2.2.1 多層感知器模型
2.2.2 多層感知器設計
2.3 感知器的學習算法
2.4 感知器神經網絡的訓練函數(shù)
2.4.1 感知器創(chuàng)建函數(shù)
2.4.2 感知器初始化函數(shù)
2.4.3 感知器顯示函數(shù)
2.4.4 感知器仿真函數(shù)
2.4.5 感知器性能函數(shù)
2.4.6 感知器的訓練函數(shù)
2.4.7 感知器的學習函數(shù)
2.4.8 感知器的傳遞函數(shù)
2.5 感知器的局限性
2.6 感知器神經網絡的應用實例分析
2.6.1 判斷氣體污染物的分類
2.6.2 奇異樣本對感知器神經網絡訓練的影響
第3章 線性神經網絡
3.1 線性神經網絡模型及結構
3.1.1 神經元模型
3.1.2 線性神經網絡的結構
3.2 線性神經網絡的學習算法
3.3 線性神經網絡的構建
3.3.1 生成線性神經元
3.3.2 線性濾波器
3.4 線性神經網絡的訓練
3.5 線性神經網絡的訓練函數(shù)
3.5.1 線性網絡的創(chuàng)建函數(shù)
3.5.2 線性網絡的學習函數(shù)
3.5.3 線性網絡的傳輸函數(shù)
3.5.4 線性網絡的權積函數(shù)
3.5.5 線性網絡的初始化函數(shù)
3.6 線性神經網絡的局限性
3.6.1 線性相關向量
3.6.2 學習速率過大
3.7 線性神經網絡應用實例分析
3.7.1 線性網絡在噪聲對消中的應用
3.7.2 線性網絡在信號預測中的應用
3.7.3 線性網絡實現(xiàn)異或的應用
第4章 BP神經網絡
4.1 BP神經網絡模型及結構
4.1.1 神經元模型
4.1.2 前饋型神經網絡結構
4.2 BP神經網絡的算法與BP網絡推導
4.2.1 BP神經網絡算法
4.2.2 BP神經網絡的推導
4.3 BP神經網絡的訓練函數(shù)
4.3.1 BP網絡創(chuàng)建函數(shù)
4.3.2 BP網絡神經元上的傳遞函數(shù)
4.3.3 BP網絡學習函數(shù)
4.3.4 BP網絡訓練函數(shù)
4.3.5 BP網絡性能函數(shù)
4.3.6 BP網絡顯示函數(shù)
4.4 BP神經網絡的局限性
4.5 BP神經網絡算法的改進
4.6 BP神經網絡的應用實例分析
4.6.1 利用BP網絡去除有關噪聲的問題
4.6.2 基于BP網絡的性別識別
第5章 反饋型神經網絡
5.1 反饋神經網絡的概述
5.2 離散Hopfield神經網絡
5.2.1 離散型Hopfield神經網絡模型
5.2.2 離散Hopfield神經網絡的穩(wěn)定性
5.2.3 離散Hopfield神經網絡權值的學習
5.2.4 離散：Hopfield神經網絡的聯(lián)想記憶
5.3 連續(xù)Hopfielcl神經網絡
5.3.1 連續(xù)Hopfield神經網絡模型結構
5.3.2 連續(xù)Hopfield神經網絡穩(wěn)定性
5.3.3 連續(xù)Hopfield神經網絡的特點
5.4 Hopfield神經網絡的訓練函數(shù)
5.4.1 Hopfield網絡的創(chuàng)建函數(shù)
5.4.2 Hopfield網絡的傳遞函數(shù)
5.4.3 Hopfield網絡的輔助函數(shù)
5.5 Hopfielcl神經網絡應用實例分析
5.5.1 二神經元Hopfield網絡設計問題
5.5.2 Hopfield網絡的偽平衡點問題
5.5.3 三神經元的：Hopfield網絡問題
5.6 Elman神經網絡
5.6.1 Elman神經網絡結構
5.6.2 Elman神經網絡權值修正的學習算法
5.6.3 Elman神經網絡權穩(wěn)定性
5.6.4 對角遞歸網絡穩(wěn)定時學習速率的確定
5.7 Elman神經網絡的訓練函數(shù)
5.8 Elman神經網絡應用實例分析
第6章 徑向基函數(shù)神經網絡
6.1 徑向基函數(shù)神經網絡基本原理
6.1.1 徑向基函數(shù)的結構模型
6.2 徑向基函數(shù)神經網絡的學習算法
6.2.1 隨機選取固定中心法
6.2.2 自組織選取中心
6.2.3 正交最小二乘法
6.3 徑向基函數(shù)神經網絡的訓練函數(shù)
6.3.1 徑向基函數(shù)網絡創(chuàng)建函數(shù)
6.3.2 徑向基函數(shù)網絡傳遞函數(shù)
6.3.3 徑向基函數(shù)網絡轉換函數(shù)
6.3.4 徑向基函數(shù)網絡權函數(shù)
6.3.5 徑向基函數(shù)網絡輸入函數(shù)
6.4 其他徑向基函數(shù)神經網絡
6.4.1 廣義回歸神經網絡
6.4.2 概率神經網絡
6.5 徑向基函數(shù)神經網絡的優(yōu)缺點
6.6 徑向基函數(shù)神經網絡的應用實例分析
6.6.1 徑向基函數(shù)網絡用于曲線擬合的問題
6.6.2 徑向基函數(shù)網絡用于非線性函數(shù)回歸的問題
第7章 自組織競爭型神經網絡
7.1 自組織競爭型神經網絡的模型及結構
7.2 自組織競爭型神經網絡的原理
7.2.1 自組織競爭網絡的學習策略
7.2.2 自組織競爭網絡的學習原理
7.3 幾種常用的聯(lián)想學習規(guī)則
7.4 自組織競爭型神經網絡存在的問題
7.5 SOM神經網絡
7.5.1 SOM神經網絡的拓撲結構
7.5.2 SOM神經網絡的學習算法
7.5.3 SOM神經網絡的訓練過程
7.6 LVQ神經網絡
7.6.1 LVQ神經網絡結構
7.6.2 LVQ神經網絡的學習算法
7.7 自組織競爭神經網絡的訓練函數(shù)
7.7.1 自組織競爭神經網絡創(chuàng)建函數(shù)
7.7.2 自組織競爭神經網絡學習函數(shù)
7.7.3 自組織競爭神經網絡傳遞函數(shù)
7.7.4 自組織競爭神經網絡初始化函數(shù)
7.7.5 自組織競爭神經網絡結構函數(shù)
7.7.6 自組織競爭神經網絡距離函數(shù)
7.7.7 自組織競爭神經網絡顯示函數(shù)
7.8 自組織競爭神經網絡應用實例分析
7.8.1 基于LVQ神經網絡的人臉朝向識別問題
7.8.2 基于SOM神經網絡的故障診斷分析
第8章 MATLAB編程實現(xiàn)神經網絡的應用
8.1 基于HBF網絡的自適應狀態(tài)觀測器設計
8.1.1 HBF網絡
8.1.2 觀測器設計
8.1.3 仿真驗證
8.2 基于RBF網絡的船用柴油機故障診斷
8.2.1 故障樣本集的收集與設計
8.2.2 網絡輸出向量設計
8.3 帶有偏差單元的遞歸神經網絡
8.3.1 BP網絡及算法的不足
8.3.2 帶有偏差單元的遞歸神經網絡
8.3.3 帶有偏差單元的遞歸神經網絡的誤差反向傳播學習規(guī)則的數(shù)學推導
8.3.4 帶有偏差單元的遞歸神經網絡診斷模型的建立
8.4 基于FCM優(yōu)化的RBF網絡自適應狀態(tài)觀測器設計
8.4.1 FCM優(yōu)化的RBF網絡
8.4.2 自適應狀態(tài)觀測器設計
8.4.3 仿真驗證。
8.5 基于泛函模糊神經網絡的GPS／INS組合導航系統(tǒng)的軟故障診斷
8.5.1 狀態(tài)X2檢驗原理
8.5.2 泛函模糊神經網絡的結構
8.5.3 仿真驗證
第9章 神經網絡工具箱的使用
9.1 自定義神經網絡
9.1.1 自定義一個簡單的網絡
9.1.2 自定義一個復雜的網絡
9.1.3 自定義網絡的訓練
9.2 自定義神經網絡工具箱函數(shù)
9.3 自定義神經網絡實用的工具箱函數(shù)
參考文獻