MATLAB神經(jīng)網(wǎng)絡原理與實例精解

第1篇 入門篇
　第1章 神經(jīng)網(wǎng)絡概述（ 教學視頻：10分鐘）
　　1.1 人工神經(jīng)網(wǎng)絡簡介
　　1.2 神經(jīng)網(wǎng)絡的特點及應用
　　1.2.1 神經(jīng)網(wǎng)絡的特點
　　1.2.2 神經(jīng)網(wǎng)絡的應用
　　1.3 人工神經(jīng)網(wǎng)絡的發(fā)展歷史
　　1.4 神經(jīng)網(wǎng)絡模型
　　1.5 神經(jīng)網(wǎng)絡的學習方式
　第2章 matlab快速入門（ 教學視頻：48分鐘）
　　2.1 matlab功能及歷史
　　2.1.1 matlab的功能和特點
　　2.1.2 matlab發(fā)展歷史
　　2.2 matlab r2011b集成開發(fā)環(huán)境
　　2.2.1 matlab的安裝
　　2.2.2 matlab集成開發(fā)環(huán)境
　　2.2.3 搜索路徑設(shè)定
　　2.3 matlab語言基礎(chǔ)
　　2.3.1 標識符與數(shù)組
　　2.3.2 數(shù)據(jù)類型
　　2.3.3 運算符
　　2.3.4 流程控制
　　2.3.5 m文件
　第3章 matlab函數(shù)與神經(jīng)網(wǎng)絡工具箱（ 教學視頻：62分鐘）
　　3.1 matlab常用命令
　　3.2 矩陣生成和基本運算
　　3.2.1 zeros 生成全零矩陣
　　3.2.2 ones 生成全1矩陣
　　3.2.3 magic 生成魔方矩陣
　　3.2.4 eye 生成單位矩陣
　　3.2.5 rand 生成均勻分布隨機數(shù)
　　3.2.6 randn 生成正態(tài)分布隨機數(shù)
　　3.2.7 linspace 產(chǎn)生線性等分向量
　　3.2.8 logspace 產(chǎn)生對數(shù)等分向量
　　3.2.9 randperm 生成隨機整數(shù)排列
　　3.2.10 randi 生成整數(shù)隨機數(shù)
　　3.2.11 range 向量的最大/最小值之差
　　3.2.12 minmax求最大/最小值
　　3.2.13 min/max/mean求最大/最小值
　　3.2.14 size/length/numel/ndims 矩陣維度相關(guān)
　　3.2.15 sum/prod 求和或積
　　3.2.16 var/std 求方差與標準差
　　3.2.17 diag 生成對角矩陣
　　3.2.18 repmat 矩陣復制和平鋪
　　3.2.19 reshape 矩陣變維
　　3.2.20 inv/pinv 矩陣求逆/求偽逆
　　3.2.21 rank/det 求矩陣的秩/行列式
　　3.2.22 eig 矩陣的特征值分解
　　3.2.23 svd 矩陣的奇異值分解
　　3.2.24 trace 求矩陣的跡
　　3.2.25 norm 求向量或矩陣的范數(shù)
　　3.3 數(shù)學函數(shù)
　　3.3.1 abs 求絕對值
　　3.3.2 exp/log 指數(shù)函數(shù)/對數(shù)函數(shù)
　　3.3.3 log10/log2 常用對數(shù)/以2為底的對數(shù)
　　3.3.4 fix/round/ceil/floor 取整函數(shù)
　　3.3.5 mod/rem 取模數(shù)/余數(shù)
　　3.4 圖形相關(guān)函數(shù)
　　3.4.1 plot 繪制二維圖像
　　3.4.2 坐標軸設(shè)置函數(shù)
　　3.4.3 subplot 同一窗口分區(qū)繪圖
　　3.4.4 figure/hold 創(chuàng)建窗口/圖形保持
　　3.4.5 semilogx/semilogy 單對數(shù)坐標圖
　　3.4.6 contour/ clabel曲面等高線/等高線標簽
　　3.4.7 gcf/gca/gco 返回當前圖形/坐標/對象句柄
　　3.4.8 mesh 繪制三維網(wǎng)格圖
　　3.5 神經(jīng)網(wǎng)絡工具箱
　　3.5.1 工具箱函數(shù)基本介紹
　　3.5.2 神經(jīng)網(wǎng)絡對象與屬性
第2篇 原理篇
　第4章 單層感知器（ 教學視頻：27分鐘）
　　4.1 單層感知器的結(jié)構(gòu)
　　4.2 單層感知器的學習算法
　　4.3 感知器的局限性
　　4.4 單層感知器相關(guān)函數(shù)詳解
　　4.4.1 newp——創(chuàng)建一個感知器
　　4.4.2 train——訓練感知器網(wǎng)絡
　　4.4.3 sim——對訓練好的網(wǎng)絡進行仿真
　　4.4.4 hardlim/hardlims——感知器傳輸函數(shù)
　　4.4.5 init——神經(jīng)網(wǎng)絡初始化函數(shù)
　　4.4.6 adapt——神經(jīng)網(wǎng)絡的自適應
　　4.4.7 mae——平均絕對誤差性能函數(shù)
　　4.5 單層感知器應用實例——坐標點的二類模式分類
　　4.5.1 手算
　　4.5.2 使用工具箱函數(shù)
　第5章 線性神經(jīng)網(wǎng)絡（ 教學視頻：41分鐘）
　　5.1 線性神經(jīng)網(wǎng)絡的結(jié)構(gòu)
　　5.2 lms學習算法
　　5.3 lms算法中學習率的選擇
　　5.3.1 確保網(wǎng)絡穩(wěn)定收斂的學習率
　　5.3.2 學習率逐漸下降
　　5.4 線性神經(jīng)網(wǎng)絡與感知器的對比
　　5.4.1 網(wǎng)絡傳輸函數(shù)
　　5.4.2 學習算法
　　5.5 線性神經(jīng)網(wǎng)絡相關(guān)函數(shù)詳解
　　5.5.1 newlind——設(shè)計一個線性層
　　5.5.2 newlin——構(gòu)造一個線性層
　　5.5.3 purelin——線性傳輸函數(shù)
　　5.5.4 learnwh——lms學習函數(shù)
　　5.5.5 maxlinlr——計算最大學習率
　　5.5.6 mse——均方誤差性能函數(shù)
　　5.5.7 linearlayer——構(gòu)造線性層的函數(shù)
　　5.6 線性神經(jīng)網(wǎng)絡應用實例
　　5.6.1 實現(xiàn)二值邏輯——與
　　5.6.2 實現(xiàn)二值邏輯——異或
　第6章 bp神經(jīng)網(wǎng)絡（ 教學視頻：49分鐘）
　　6.1 bp神經(jīng)網(wǎng)絡的結(jié)構(gòu)
　　6.2 bp網(wǎng)絡的學習算法
　　6.2.1 最速下降法
　　6.2.2 最速下降bp法
　　6.2.3 串行和批量訓練方式
　　6.2.4 最速下降bp法的改進
　　6.3 設(shè)計bp網(wǎng)絡的方法
　　6.4 bp神經(jīng)網(wǎng)絡的局限性
　　6.5 bp網(wǎng)絡相關(guān)函數(shù)詳解
　　6.5.1 logsig——log-sigmoid傳輸函數(shù)
　　6.5.2 tansig——tan-sigmoid傳輸函數(shù)
　　6.5.3 newff——創(chuàng)建一個bp網(wǎng)絡
　　6.5.4 feedforwardnet——創(chuàng)建一個bp網(wǎng)絡
　　6.5.5 newcf——級聯(lián)的前向神經(jīng)網(wǎng)絡
　　6.5.6 cascadeforwardnet——新版級聯(lián)前向網(wǎng)絡
　　6.5.7 newfftd——前饋輸入延遲的bp網(wǎng)絡
　　6.5.8 dlogsig/dtansig——sigmoid函數(shù)的導數(shù)
　　6.6 bp神經(jīng)網(wǎng)絡應用實例
　　6.6.1 基于bp網(wǎng)絡的性別識別
　　6.6.2 實現(xiàn)二值邏輯——異或
　第7章 徑向基函數(shù)網(wǎng)絡（ 教學視頻：62分鐘）
　　7.1 徑向基神經(jīng)網(wǎng)絡的兩種結(jié)構(gòu)
　　7.1.1 徑向基函數(shù)
　　7.1.2 正則化網(wǎng)絡
　　7.1.3 廣義網(wǎng)絡
　　7.2 徑向基神經(jīng)網(wǎng)絡的學習算法
　　7.2.1 隨機選取固定中心
　　7.2.2 自組織選取中心
　　7.2.3 有監(jiān)督選取中心
　　7.2.4 正交最小二乘法
　　7.3 徑向基神經(jīng)網(wǎng)絡與多層感知器的比較
　　7.4 概率神經(jīng)網(wǎng)絡
　　7.4.1 模式分類的貝葉斯決策理論
　　7.4.2 概率神經(jīng)網(wǎng)絡的結(jié)構(gòu)
　　7.4.3 概率神經(jīng)網(wǎng)絡的優(yōu)點
　　7.5 廣義回歸神經(jīng)網(wǎng)絡
　　7.5.1 廣義回歸神經(jīng)網(wǎng)絡的理論基礎(chǔ)
　　7.5.2 廣義回歸神經(jīng)網(wǎng)絡的結(jié)構(gòu)
　　7.6 徑向基神經(jīng)網(wǎng)絡相關(guān)函數(shù)詳解
　　7.6.1 newrb——設(shè)計一個徑向基函數(shù)網(wǎng)絡
　　7.6.2 newrbe——設(shè)計一個嚴格的徑向基網(wǎng)絡
　　7.6.3 radbas——徑向基函數(shù)
　　7.6.4 dist——歐幾里得距離權(quán)函數(shù)
　　7.6.5 netprod——乘積網(wǎng)絡輸入函數(shù)
　　7.6.6 dotprod——內(nèi)積權(quán)函數(shù)
　　7.6.7 netsum——求和網(wǎng)絡輸入函數(shù)
　　7.6.8 newpnn——設(shè)計概率神經(jīng)網(wǎng)絡
　　7.6.9 compet——競爭性傳輸函數(shù)
　　7.6.10 ind2vec/vec2ind——向量-下標轉(zhuǎn)換函數(shù)
　　7.6.11 newgrnn——設(shè)計廣義回歸神經(jīng)網(wǎng)絡
　　7.6.12 normprod——歸一化點積權(quán)函數(shù)
　　7.7 徑向基網(wǎng)絡應用實例
　　7.7.1 異或問題
　　7.7.2 rbf網(wǎng)絡曲線擬合
　　7.7.3 grnn網(wǎng)絡曲線擬合
　　7.7.4 pnn網(wǎng)絡用于坐標點分類
　第8章 自組織競爭神經(jīng)網(wǎng)絡（ 教學視頻：52分鐘）
　　8.1 競爭神經(jīng)網(wǎng)絡
　　8.2 競爭神經(jīng)網(wǎng)絡的學習算法
　　8.2.1 kohonen學習規(guī)則
　　8.2.2 閾值學習規(guī)則
　　8.3 自組織特征映射網(wǎng)絡
　　8.4 som的學習算法
　　8.5 學習矢量量化網(wǎng)絡
　　8.5.1 lvq1學習規(guī)則
　　8.5.2 lvq2規(guī)則
　　8.6 自組織競爭網(wǎng)絡相關(guān)函數(shù)詳解
　　8.6.1 gridtop——網(wǎng)格拓撲函數(shù)
　　8.6.2 hextop——六邊形拓撲函數(shù)
　　8.6.3 randtop——隨機拓撲結(jié)構(gòu)函數(shù)
　　8.6.4 tritop——三角拓撲函數(shù)
　　8.6.5 dist、boxdist、linkdist、mandist——距離函數(shù)
　　8.6.6 newc——競爭網(wǎng)絡
　　8.6.7 competlayer——新版競爭網(wǎng)絡函數(shù)
　　8.6.8 newsom——自組織特征映射網(wǎng)絡
　　8.6.9 selforgmap——新版自組織映射網(wǎng)絡函數(shù)
　　8.6.10 newlvq——學習矢量量化網(wǎng)絡
　　8.6.11 lvqnet——新版學習矢量量化網(wǎng)絡函數(shù)
　　8.6.12 mapminmax——歸一化函數(shù)
　　8.7 自組織競爭神經(jīng)網(wǎng)絡應用實例
　　8.7.1 坐標點的分類（競爭神經(jīng)網(wǎng)絡）
　　8.7.2 坐標點的分類（自組織映射網(wǎng)絡）
　第9章 反饋神經(jīng)網(wǎng)絡（ 教學視頻：51分鐘）
　　9.1 離散hopfield神經(jīng)網(wǎng)絡
　　9.1.1 hopfield網(wǎng)絡的結(jié)構(gòu)
　　9.1.2 hopfield網(wǎng)絡的穩(wěn)定性
　　9.1.3 設(shè)計離散hopfield網(wǎng)絡
　　9.2 連續(xù)hopfield神經(jīng)網(wǎng)絡
　　9.3 elman神經(jīng)網(wǎng)絡
　　9.4 盒中腦模型
　　9.5 反饋神經(jīng)網(wǎng)絡相關(guān)函數(shù)詳解
　　9.5.1 newhop——生成一個離散hopfield網(wǎng)絡
　　9.5.2 satlin——飽和線性傳遞函數(shù)
　　9.5.3 satlins——對稱飽和線性傳遞函數(shù)
　　9.5.4 nnt2hop——更新hopfield網(wǎng)絡
　　9.5.5 newelm——創(chuàng)建elman反饋網(wǎng)絡
　　9.5.6 elmannet——創(chuàng)建elman反饋網(wǎng)絡（新版本）
　　9.6 反饋神經(jīng)網(wǎng)絡應用實例
　　9.6.1 二維平面上的聯(lián)想記憶網(wǎng)絡
　　9.6.2 elman股價預測
　第10章 隨機神經(jīng)網(wǎng)絡（ 教學視頻：40分鐘）
　　10.1 模擬退火算法
　　10.1.1 模擬退火算法的引出
　　10.1.2 退火算法的參數(shù)控制
　　10.2 boltzmann機
　　10.2.1 boltzmann機基本原理
　　10.2.2 boltzmann機的學習規(guī)則
　　10.2.3 boltzmann機的運行步驟
　　10.3 sigmoid置信度網(wǎng)絡
　　10.4 matlab模擬退火算法工具
　　10.4.1 matlab優(yōu)化工具箱
　　10.4.2 模擬退火算法相關(guān)函數(shù)
　　10.5 模擬退火算法求解tsp問題
　第11章 用gui設(shè)計神經(jīng)網(wǎng)絡（ 教學視頻：56分鐘）
　　11.1 神經(jīng)網(wǎng)絡工具（nntool）
　　11.1.1 nntool界面介紹
　　11.1.2 使用nntool建立神經(jīng)網(wǎng)絡
　　11.2 神經(jīng)網(wǎng)絡分類/聚類工具（nctool）
　　11.3 神經(jīng)網(wǎng)絡擬合工具（nftool）
　　11.4 神經(jīng)網(wǎng)絡模式識別工具（nprtool）
　　11.5 神經(jīng)網(wǎng)絡時間序列工具（ntstool）
　　11.6 nntraintool與view
第3篇 實戰(zhàn)篇
　第12章 simulink
　　12.1 simulink中的神經(jīng)網(wǎng)絡模塊
　　12.2 用gensim生成模塊
　　12.2.1 相關(guān)函數(shù)介紹
　　12.2.2 gensim使用實例
　第13章 神經(jīng)網(wǎng)絡應用實例（ 教學視頻：96分鐘）
　　13.1 bp神經(jīng)網(wǎng)絡實現(xiàn)圖像壓縮
　　13.1.1 問題背景
　　13.1.2 神經(jīng)網(wǎng)絡建模
　　13.1.3 神經(jīng)網(wǎng)絡壓縮的實現(xiàn)
　　13.2 elman網(wǎng)絡預測上證股市開盤價
　　13.2.1 問題背景
　　13.2.2 神經(jīng)網(wǎng)絡建模
　　13.2.3 elman網(wǎng)絡預測股價的實現(xiàn)
　　13.3 徑向基網(wǎng)絡預測地下水位
　　13.3.1 問題背景
　　13.3.2 神經(jīng)網(wǎng)絡建模
　　13.3.3 徑向基網(wǎng)絡預測的實現(xiàn)
　　13.4 基于bp網(wǎng)絡的個人信貸信用評估
　　13.4.1 問題背景
　　13.4.2 神經(jīng)網(wǎng)絡建模
　　13.4.3 個人信貸信用評估的實現(xiàn)
　　13.5 基于概率神經(jīng)網(wǎng)絡的手寫體數(shù)字識別
　　13.5.1 問題背景
　　13.5.2 神經(jīng)網(wǎng)絡建模
　　13.5.3 手寫體數(shù)字識別的實現(xiàn)
　　13.6 基于概率神經(jīng)網(wǎng)絡的柴油機故障診斷
　　13.6.1 問題背景
　　13.6.2 神經(jīng)網(wǎng)絡建模
　　13.6.3 柴油機故障診斷的實現(xiàn)
　　13.7 基于自組織特征映射網(wǎng)絡的亞洲足球水平聚類
　　13.7.1 問題背景
　　13.7.2 神經(jīng)網(wǎng)絡建模
　　13.7.3 足球水平聚類的實現(xiàn)