面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第3版）

第3版前言
第2版前言
前言
第1章 概述
1.1 人工神經(jīng)網(wǎng)絡(luò)概念的提出
1.2 神經(jīng)細(xì)胞以及人工神經(jīng)元的組成
1.3 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域
1.4 人工神經(jīng)網(wǎng)絡(luò)發(fā)展的回顧
1.5 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與模型
1.5.1 人工神經(jīng)元的模型
1.5.2 激活轉(zhuǎn)移函數(shù)
1.5.3 單層神經(jīng)元網(wǎng)絡(luò)模型結(jié)構(gòu)
1.5.4 多層神經(jīng)網(wǎng)絡(luò)
1.5.5 遞歸神經(jīng)網(wǎng)絡(luò)
1.6 用MATLAB計算人工神經(jīng)網(wǎng)絡(luò)輸出
1.7 本章小結(jié)
習(xí)題
第2章 前向神經(jīng)網(wǎng)絡(luò)
2.1 感知器
2.1.1 感知器的網(wǎng)絡(luò)結(jié)構(gòu)
2.1.2 感知器的圖形解釋
2.1.3 感知器的學(xué)習(xí)規(guī)則
2.1.4 網(wǎng)絡(luò)的訓(xùn)練
2.1.5 感知器的局限性
2.1.6 “異或”問題
2.1.7 解決線性可分性限制的辦法
2.1.8 本節(jié)小結(jié)
2.2 自適應(yīng)線性元件
2.2.1 自適應(yīng)線性神經(jīng)元模型和結(jié)構(gòu)
2.2.2 W-H學(xué)習(xí)規(guī)則
2.2.3 網(wǎng)絡(luò)訓(xùn)練
2.2.4 例題與分析
2.2.5 對比與分析
2.2.6 單步延時線及其自適應(yīng)濾波器的實現(xiàn)
2.2.7 自適應(yīng)線性網(wǎng)絡(luò)的應(yīng)用
2.2.8 本節(jié)小結(jié)
2.3 反向傳播網(wǎng)絡(luò)
2.3.1 BP網(wǎng)絡(luò)模型與結(jié)構(gòu)
2.3.2 BP學(xué)習(xí)規(guī)則
2.3.3 BP網(wǎng)絡(luò)的訓(xùn)練及其設(shè)計過程
2.3.4 BP網(wǎng)絡(luò)的設(shè)計
2.3.5 限制與不足
2.3.6 反向傳播法的改進(jìn)方法
2.3.7 基于數(shù)值優(yōu)化方法的網(wǎng)絡(luò)訓(xùn)練算法
2.3.8 數(shù)值實例對比
2.3.9 本節(jié)小結(jié)
習(xí)題
第3章 遞歸神經(jīng)網(wǎng)絡(luò)
3.1 各種遞歸神經(jīng)網(wǎng)絡(luò)
3.1.1 全局反饋型遞歸神經(jīng)網(wǎng)絡(luò)
3.1.2 前向遞歸神經(jīng)網(wǎng)絡(luò)
3.1.3 混合型網(wǎng)絡(luò)
3.1.4 本節(jié)小結(jié)
3.2 全局反饋遞歸網(wǎng)絡(luò)
3.2.1 霍普菲爾德網(wǎng)絡(luò)模型
3.2.2 狀態(tài)軌跡
3.2.3 離散型霍普菲爾德網(wǎng)絡(luò)
3.2.4 連續(xù)型霍普菲爾德網(wǎng)絡(luò)
3.2.5 本節(jié)小結(jié)
3.3 Elman網(wǎng)絡(luò)
3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)及其輸入輸出關(guān)系式
3.3.2 修正網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法
3.3.3 穩(wěn)定性推導(dǎo)
3.3.4 對穩(wěn)定性結(jié)論的分析
3.3.5 對角遞歸網(wǎng)絡(luò)穩(wěn)定時學(xué)習(xí)速率的確定
3.3.6 本節(jié)小結(jié)
3.4 對角遞歸神經(jīng)網(wǎng)絡(luò)
3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)及其輸入輸出關(guān)系式
3.4.2 網(wǎng)絡(luò)的穩(wěn)定性分析
3.4.3 進(jìn)一步的討論
3.4.4 數(shù)值實例
3.4.5 本節(jié)小結(jié)
3.5 局部遞歸神經(jīng)網(wǎng)絡(luò)
3.5.1 PIDNNC的設(shè)計
3.5.2 閉環(huán)控制系統(tǒng)穩(wěn)定性分析
3.5.3 實時在線控制策略的設(shè)計步驟
3.5.4 數(shù)值應(yīng)用
3.5.5 本節(jié)小結(jié)
習(xí)題
第4章 局部連接神經(jīng)網(wǎng)絡(luò)
4.1 徑向基函數(shù)網(wǎng)絡(luò)
4.1.1 徑向基函數(shù)及其網(wǎng)絡(luò)分析
4.1.2 網(wǎng)絡(luò)的訓(xùn)練與設(shè)計
4.1.3 廣義徑向基函數(shù)網(wǎng)絡(luò)
4.1.4 數(shù)字應(yīng)用對比及性能分析
4.1.5 本節(jié)小結(jié)
4.2 B樣條基函數(shù)及其網(wǎng)絡(luò)
4.3 CMAC神經(jīng)網(wǎng)絡(luò)
4.3.1 CMAC網(wǎng)絡(luò)基本結(jié)構(gòu)
4.3.2 CMAC的學(xué)習(xí)算法
4.4局 部神經(jīng)網(wǎng)絡(luò)的性能對比分析
4.4.1 CMAC、B樣條和RBF共有的結(jié)構(gòu)特點
4.4.2 CMAC、B樣條和RBF的不同之處
4.5 K型局部連接神經(jīng)網(wǎng)絡(luò)
4.5.1 網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)值修正法
4.5.2 網(wǎng)絡(luò)特性分析
4.5.3 數(shù)字應(yīng)用對比及性能分析
4.5.4 本節(jié)小結(jié)
習(xí)題
第5章 自組織競爭神經(jīng)網(wǎng)絡(luò)
5.1 幾種聯(lián)想學(xué)習(xí)規(guī)則
5.1.1 內(nèi)星學(xué)習(xí)規(guī)則
5.1.2 外星學(xué)習(xí)規(guī)則
5.1.3 科荷倫學(xué)習(xí)規(guī)則
5.2 自組織競爭網(wǎng)絡(luò)
5.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
5.2.2 競爭學(xué)習(xí)規(guī)則
5.2.3 競爭網(wǎng)絡(luò)的訓(xùn)練過程
5.3 科荷倫自組織映射網(wǎng)絡(luò)
5.3.1 科荷倫網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
5.3.2 網(wǎng)絡(luò)的訓(xùn)練過程
5.4 自適應(yīng)共振理論
5.4.1 ART-1網(wǎng)絡(luò)結(jié)構(gòu)
5.4.2 ART-1的運行過程
5.4.3 ART-2神經(jīng)網(wǎng)絡(luò)
5.5 本章小結(jié)
習(xí)題
第6章 隨機(jī)神經(jīng)網(wǎng)絡(luò)
6.1 概述
6.1.1 隨機(jī)神經(jīng)網(wǎng)絡(luò)的發(fā)展
6.1.2 GNN模型描述
6.1.3 RNN的學(xué)習(xí)算法
6.1.4 RNN的應(yīng)用
6.1.5 其他隨機(jī)網(wǎng)絡(luò)
6.1.6 研究前景
6.2 用Boltzmann機(jī)求解典型NP優(yōu)化問題TSP
6.2.1 Boltzmann機(jī)網(wǎng)絡(luò)模型及其權(quán)值修正規(guī)則
6.2.2 用Boltzmann機(jī)網(wǎng)絡(luò)解TSP
6.2.3 Boltzmann機(jī)與Hopfield網(wǎng)絡(luò)解TSP的對比
6.2.4 本節(jié)小結(jié)
6.3 隨機(jī)神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及其應(yīng)用
6.3.1 DRNN解TSP的參數(shù)推導(dǎo)和改進(jìn)方法
6.3.2 DRNN網(wǎng)絡(luò)解TSP改進(jìn)方法的實驗對比
6.3.3 本節(jié)小結(jié)
6.4 采用DRNN網(wǎng)絡(luò)優(yōu)化求解的對比研究
6.4.1 DRNN與Hopfield網(wǎng)絡(luò)求解TSP的理論分析
6.4.2 DRNN與Hopfield網(wǎng)絡(luò)解TSP的實驗對比
6.4.3 本節(jié)小結(jié)
習(xí)題
第7章 面向工具箱的神經(jīng)網(wǎng)絡(luò)實際應(yīng)用
7.1 綜述
7.1.1 神經(jīng)網(wǎng)絡(luò)技術(shù)的選用
7.1.2 神經(jīng)網(wǎng)絡(luò)各種模型的應(yīng)用范圍
7.1.3 網(wǎng)絡(luò)設(shè)計的基本原則
7.2 神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用
7.2.1 反饋線性化
7.2.2 問題的提出
7.2.3 神經(jīng)網(wǎng)絡(luò)設(shè)計
7.3 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行字母的模式識別
7.3.1 問題的闡述
7.3.2神經(jīng)網(wǎng)絡(luò)的設(shè)計
7.4 用于字符識別的三種人工神經(jīng)網(wǎng)絡(luò)的性能對比
7.4.1 用于字母識別的感知器網(wǎng)絡(luò)
7.4.2 用于字母識別的霍普菲爾德網(wǎng)絡(luò)
7.4.3 字母識別實驗及其結(jié)果分析
附錄A MATLAB 7.1神經(jīng)網(wǎng)絡(luò)工具箱4.0.6函數(shù)一覽表
附錄B 程序目錄
參考文獻(xiàn)