MATLAB R2016a神經(jīng)網(wǎng)絡(luò)設(shè)計應(yīng)用27例

目 錄
第1章 RBF神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用\t1
1．1 用于曲線擬合的RBF神經(jīng)網(wǎng)絡(luò)\t1
1．2 徑向基網(wǎng)絡(luò)實現(xiàn)非線性函數(shù)回歸\t10
1．3 CRNN網(wǎng)絡(luò)應(yīng)用\t13
1．4 PNN網(wǎng)絡(luò)應(yīng)用\t15
1．5 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點\t19
第2章 SOM網(wǎng)絡(luò)算法分析與應(yīng)用\t22
2．1 SOM網(wǎng)絡(luò)的生物學基礎(chǔ)\t22
2．2 SOM網(wǎng)絡(luò)的拓撲結(jié)構(gòu)\t22
2．3 SOM網(wǎng)絡(luò)的權(quán)值調(diào)整\t23
2．4 SOM網(wǎng)絡(luò)的MATLAB實現(xiàn)\t26
2．5 SOM網(wǎng)絡(luò)的應(yīng)用\t33
第3章 線性網(wǎng)絡(luò)的實際應(yīng)用\t45
3．1 線性化建模\t45
3．2 模式分類\t50
3．3 消噪處理\t51
3．4 系統(tǒng)辨識\t54
3．5 系統(tǒng)預(yù)測\t55
第4章 BP網(wǎng)絡(luò)算法分析與應(yīng)用\t61
4．1 BP網(wǎng)絡(luò)模型\t61
4．2 BP網(wǎng)絡(luò)學習算法\t62
4．2．1 BP網(wǎng)絡(luò)學習算法\t62
4．2．2 BP網(wǎng)絡(luò)學習算法的比較\t67
4．3 BP神經(jīng)網(wǎng)絡(luò)特點\t68
4．4 BP網(wǎng)絡(luò)功能\t68
4．5 BP網(wǎng)絡(luò)實例分析\t68
第5章 神經(jīng)網(wǎng)絡(luò)在選址與地震預(yù)測中的應(yīng)用\t78
5．1 配送中心選址\t78
5．2 地震預(yù)報\t81
5．2．1 問題概述\t82
5．2．2 網(wǎng)絡(luò)設(shè)計\t83
5．2．3 網(wǎng)絡(luò)訓練與測試\t83
5．2．4 網(wǎng)絡(luò)實現(xiàn)\t88
第6章 模糊神經(jīng)網(wǎng)絡(luò)的算法分析與實現(xiàn)\t91
6．1 模糊神經(jīng)網(wǎng)絡(luò)的形式\t91
6．2 神經(jīng)網(wǎng)絡(luò)和模糊控制結(jié)合的優(yōu)點\t92
6．3 神經(jīng)模糊控制器\t92
6．4 神經(jīng)模糊控制器的學習算法\t95
6．5 模糊神經(jīng)網(wǎng)絡(luò)MATLAB函數(shù)\t97
6．5．1 模糊神經(jīng)系統(tǒng)的建模函數(shù)\t97
6．5．2 采用網(wǎng)格分割方式生成模糊推理系統(tǒng)函數(shù)\t102
6．6 MATLAB模糊神經(jīng)推理系統(tǒng)的圖形用戶界面\t103
第7章 BP網(wǎng)絡(luò)的典型應(yīng)用\t107
7．1 數(shù)據(jù)歸一化方法\t107
7．2 提前終止法\t109
7．3 BP網(wǎng)絡(luò)的局限性\t111
7．4 BP網(wǎng)絡(luò)典型應(yīng)用\t112
7．4．1 用BP網(wǎng)絡(luò)估計膽固醇含量\t112
7．4．2 線性神經(jīng)網(wǎng)絡(luò)在信號預(yù)測中的應(yīng)用\t115
第8章 線性神經(jīng)網(wǎng)絡(luò)算法分析與實現(xiàn)\t120
8．1 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)\t120
8．1．1 創(chuàng)建函數(shù)\t120
8．1．2 學習函數(shù)\t122
8．1．3 性能函數(shù)\t124
8．2 線性神經(jīng)網(wǎng)絡(luò)模型及結(jié)構(gòu)\t125
8．3 線性神經(jīng)網(wǎng)絡(luò)的學習算法與訓練\t126
8．3．1 線性神經(jīng)網(wǎng)絡(luò)的學習算法\t126
8．3．2 線性神經(jīng)網(wǎng)絡(luò)的訓練\t128
8．4 線性神經(jīng)網(wǎng)絡(luò)的濾波器\t130
第9章 感知器網(wǎng)絡(luò)算法分析與實現(xiàn)\t133
9．1 單層感知器\t133
9．1．1 單層感知器模型\t133
9．1．2 單層感知器功能\t134
9．1．3 單層感知器結(jié)構(gòu)\t136
9．1．4 單層感知器學習算法\t137
9．1．5 單層感知器訓練\t138
9．1．6 單層感知器局限性\t139
9．1．7 單層感知器的MATLAB實現(xiàn)\t140
9．2 多層感知器\t147
9．2．1 多層感知器模型\t147
9．2．2 多層感知器設(shè)計方法\t147
9．2．3 多層感知器的MATLAB實現(xiàn)\t148
第10章 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)分析與應(yīng)用\t153
10．1 神經(jīng)網(wǎng)絡(luò)仿真函數(shù)\t153
10．2 神經(jīng)網(wǎng)絡(luò)訓練函數(shù)\t155
10．2．1 train\t156
10．2．2 trainb函數(shù)\t156
10．3 神經(jīng)網(wǎng)絡(luò)學習函數(shù)\t158
10．4 神經(jīng)網(wǎng)絡(luò)初始函數(shù)\t161
10．5 神經(jīng)網(wǎng)絡(luò)輸入函數(shù)\t163
10．6 神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)\t165
10．7 神經(jīng)網(wǎng)絡(luò)求點積函數(shù)\t168
第11章 BM網(wǎng)絡(luò)與BSB網(wǎng)絡(luò)算法分析與實現(xiàn)\t169
11．1 Boltzmann神經(jīng)網(wǎng)絡(luò)\t169
11．1．1 BM網(wǎng)絡(luò)的基本結(jié)構(gòu)\t169
11．1．2 BM模型的學習\t169
11．1．3 BM網(wǎng)絡(luò)的實現(xiàn)\t172
11．2 BSB神經(jīng)網(wǎng)絡(luò)\t174
第12章 感知器網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用\t177
12．1 創(chuàng)建函數(shù)\t177
12．2 顯示函數(shù)\t180
12．3 性能函數(shù)\t181
第13章 RBF神經(jīng)網(wǎng)絡(luò)算法分析與應(yīng)用\t186
13．1 RBF神經(jīng)網(wǎng)絡(luò)模型\t186
13．2 RBF網(wǎng)的數(shù)學基礎(chǔ)\t188
13．2．1 內(nèi)插問題\t188
13．2．2 正則化網(wǎng)絡(luò)\t189
13．3 RBF神經(jīng)網(wǎng)絡(luò)的學習算法\t190
13．3．1 自組織選取中心法\t190
13．3．2 梯度訓練方法\t191
13．3．3 正交最小二乘（OLS）學習算法\t192
13．4 其他RBF神經(jīng)網(wǎng)絡(luò)\t193
13．4．1 廣義回歸神經(jīng)網(wǎng)絡(luò)\t193
13．4．2 泛化回歸神經(jīng)網(wǎng)絡(luò)\t194
13．4．3 概率神經(jīng)網(wǎng)絡(luò)\t195
13．5 RBF神經(jīng)網(wǎng)絡(luò)MATLAB函數(shù)\t196
13．5．1 創(chuàng)建函數(shù)\t196
13．5．2 權(quán)函數(shù)\t199
13．5．3 輸入函數(shù)\t200
13．5．4 傳遞函數(shù)\t201
13．5．5 mse函數(shù)\t201
13．5．6 變換函數(shù)\t202
第14章 Simulink神經(jīng)網(wǎng)絡(luò)應(yīng)用\t204
14．1 Simulink神經(jīng)網(wǎng)絡(luò)仿真模型庫\t204
14．2 Simulink神經(jīng)網(wǎng)絡(luò)應(yīng)用\t208
第15章 ART網(wǎng)絡(luò)與CP網(wǎng)絡(luò)算法分析與應(yīng)用\t213
15．1 ART-1型網(wǎng)絡(luò)\t213
15．1．1 ART-1型網(wǎng)絡(luò)結(jié)構(gòu)\t213
15．1．2 ART-1網(wǎng)絡(luò)學習過程\t215
15．1．3 ART-1網(wǎng)絡(luò)的應(yīng)用\t216
15．2 ART-2型網(wǎng)絡(luò)\t218
15．2．1 網(wǎng)絡(luò)結(jié)構(gòu)與運行原理\t219
15．2．2 網(wǎng)絡(luò)的數(shù)學模型與學習算法\t220
15．2．3 ART-2型網(wǎng)絡(luò)在系統(tǒng)辨識中的應(yīng)用\t222
15．3 CP神經(jīng)網(wǎng)絡(luò)概述\t223
15．3．1 CP網(wǎng)絡(luò)學習\t224
15．3．2 CP網(wǎng)絡(luò)應(yīng)用\t225
第16章 Hopfield網(wǎng)絡(luò)算法分析與實現(xiàn)\t231
16．1 Hopfield神經(jīng)網(wǎng)絡(luò)\t231
16．1．1 離散型Hopfield網(wǎng)絡(luò)\t231
16．1．2 DHNN的動力學穩(wěn)定性\t234
16．1．3 網(wǎng)絡(luò)權(quán)值的學習\t236
16．1．4 聯(lián)想記憶功能\t239
16．2 連續(xù)型Hopfield網(wǎng)絡(luò)\t240
16．3 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t242
16．3．1 Hopfield神經(jīng)網(wǎng)絡(luò)函數(shù)\t242
16．3．2 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t245
第17章 LVQ網(wǎng)絡(luò)算法分析與應(yīng)用\t259
17．1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t259
17．2 LVQ神經(jīng)網(wǎng)絡(luò)的學習算法\t260
17．2．1 LVQ1算法\t260
17．2．2 LVQ2算法\t260
17．3 LVQ神經(jīng)網(wǎng)絡(luò)的特點\t261
17．4 LVQ神經(jīng)網(wǎng)絡(luò)的MATLAB函數(shù)\t262
17．5 LVQ神經(jīng)網(wǎng)絡(luò)的應(yīng)用\t264
第18章 自組織網(wǎng)絡(luò)算法分析與實現(xiàn)\t269
18．1 競爭學習的概念\t270
18．2 競爭學習規(guī)則\t271
18．3 競爭學習原理\t272
18．4 競爭神經(jīng)網(wǎng)絡(luò)MATLAB實現(xiàn)\t275
18．5 競爭型神經(jīng)網(wǎng)絡(luò)存在的問題\t279
第19章 Elman網(wǎng)絡(luò)算法分析與應(yīng)用\t280
19．1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)\t280
19．2 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值修正的學習算法\t281
19．3 Elman網(wǎng)絡(luò)穩(wěn)定性推導\t282
19．4 對角遞歸網(wǎng)絡(luò)穩(wěn)定時學習速率的確定\t283
19．5 Elman神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測中的應(yīng)用\t284
第20章 BP網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用\t288
20．1 創(chuàng)建函數(shù)\t289
20．2 傳遞函數(shù)\t291
20．3 學習函數(shù)\t293
20．4 訓練函數(shù)\t294
20．5 性能函數(shù)\t297
20．6 顯示函數(shù)\t298
第21章 神經(jīng)網(wǎng)絡(luò)在實際案例中的應(yīng)用\t300
21．1 農(nóng)作物蟲情預(yù)測\t300
21．1．1 蟲情預(yù)測原理\t300
21．1．2 網(wǎng)絡(luò)實現(xiàn)\t301
21．2 人臉識別\t304
21．2．1 模型建立\t305
21．2．2 網(wǎng)絡(luò)實現(xiàn)\t306
第22章 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)分析與應(yīng)用\t310
22．1 神經(jīng)網(wǎng)絡(luò)的構(gòu)建函數(shù)\t310
22．2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用函數(shù)\t324
第23章 線性神經(jīng)網(wǎng)絡(luò)算法分析與設(shè)計\t330
23．1 線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)\t330
23．2 線性神經(jīng)網(wǎng)絡(luò)設(shè)計\t331
23．3 自適應(yīng)濾波線性神經(jīng)網(wǎng)絡(luò)\t333
23．4 線性神經(jīng)網(wǎng)絡(luò)的局限性\t335
23．5 線性神經(jīng)網(wǎng)絡(luò)的MATLAB應(yīng)用舉例\t336
第24章 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)及實例分析\t342
24．1 傳遞函數(shù)及其導函數(shù)\t342
24．1．1 傳遞函數(shù)\t342
24．1．2 傳遞函數(shù)的導函數(shù)\t349
24．2 距離函數(shù)\t354
24．3 權(quán)值函數(shù)及其導函數(shù)\t356
24．3．1 權(quán)值函數(shù)\t357
24．3．2 權(quán)值函數(shù)的導函數(shù)\t358
24．4 結(jié)構(gòu)函數(shù)\t359
24．5 分析函數(shù)\t361
24．6 轉(zhuǎn)換函數(shù)\t362
24．7 繪圖函數(shù)\t368
24．8 數(shù)據(jù)預(yù)處理和后處理函數(shù)\t375
第25章 神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用\t383
25．1 線性神經(jīng)網(wǎng)絡(luò)在線性預(yù)測中的應(yīng)用\t383
25．2 神經(jīng)模糊控制在洗衣機中的應(yīng)用\t385
25．2．1 洗衣機的模糊控制\t385
25．2．2 洗衣機的神經(jīng)網(wǎng)絡(luò)模糊控制器的設(shè)計\t387
25．3 模糊神經(jīng)網(wǎng)絡(luò)在配送中心選址中的應(yīng)用\t391
25．4 Elman神經(jīng)網(wǎng)絡(luò)在信號檢測中的應(yīng)用\t394
25．5 神經(jīng)網(wǎng)絡(luò)在噪聲抵消系統(tǒng)中的應(yīng)用\t397
25．5．1 自適應(yīng)噪聲抵消原理\t397
25．5．2 噪聲抵消系統(tǒng)的MATLAB仿真\t399
第26章 神經(jīng)網(wǎng)絡(luò)算法分析與工具箱應(yīng)用\t402
26．1 網(wǎng)絡(luò)對象屬性\t404
26．1．1 結(jié)構(gòu)屬性\t404
26．1．2 子對象結(jié)構(gòu)屬性\t408
26．1．3 函數(shù)屬性\t411
26．1．4 權(quán)值和閾值\t413
26．1．5 參數(shù)屬性\t415
26．1．6 其他屬性\t415
26．2 子對象屬性\t416
26．2．1 輸入向量\t416
26．2．2 網(wǎng)絡(luò)層\t417
26．2．3 輸出向量\t422
26．2．4 閾值向量\t422
26．2．5 輸入權(quán)值向量\t424
26．2．6 目標向量\t427
26．2．7 網(wǎng)絡(luò)層權(quán)值向量\t428
第27章 自定義函數(shù)及其應(yīng)用\t432
27．1 初始化函數(shù)\t432
27．2 學習函數(shù)\t435
27．3 仿真函數(shù)\t440
27．3．1 傳遞函數(shù)\t440
27．3．2 傳遞函數(shù)導數(shù)函數(shù)\t443
27．3．3 網(wǎng)絡(luò)輸入函數(shù)\t444
27．3．4 網(wǎng)絡(luò)輸入導函數(shù)\t446
27．3．5 權(quán)值函數(shù)\t448
27．3．6 權(quán)值導數(shù)函數(shù)\t450
27．4 自組織函數(shù)\t452
27．4．1 拓撲函數(shù)\t452
27．4．2 距離函數(shù)\t454
參考文獻\t456