MATLAB R2016a神經網絡設計與應用28個案例分析（精通MATLAB）

第1章線性神經網絡的工程應用

1.1系統(tǒng)辨識的MATLAB實現

1.2自適應系統(tǒng)辨識的MATLAB實現

1.3線性系統(tǒng)預測的MATLAB實現

1.4線性神經網絡用于消噪處理的MATLAB實現

第2章神經網絡預測的實例分析

2.1地震預報的MATLAB實現

2.1.1概述

2.1.2地震預報的MATLAB實例分析

2.2交通運輸能力預測的MATLAB實現

2.2.1概述

2.2.2交通運輸能力預測的MATLAB實例分析

2.3農作物蟲情預測的MATLAB實現

2.3.1概述

2.3.2農作物蟲情預測的MATLAB實例分析

2.4基于概率神經網絡的故障診斷

2.4.1概述

2.4.2基于PNN的故障診斷實例分析

2.5基于BP網絡和Elman網絡的齒輪箱故障診斷

2.5.1概述

2.5.2基于BP網絡的齒輪箱故障診斷實例分析

2.5.3基于Elman網絡的齒輪箱故障診斷實例分析

2.6基于RBF網絡的船用柴油機故障診斷

2.6.1概述

2.6.2基于RBF網絡的船用柴油機故障診斷實例分析

第3章BP網絡算法分析與工程應用

3.1數值優(yōu)化的BP網絡訓練算法

3.1.1擬牛頓法

3.1.2共軛梯度法

3.1.3LevenbergMarquardt法

3.2BP網絡的工程應用

3.2.1BP網絡在分類中的應用

3.2.2函數逼近

3.2.3BP網絡用于膽固醇含量的估計

3.2.4模式識別

第4章神經網絡算法分析與實現

4.1Elman神經網絡

4.1.1Elman神經網絡結構

4.1.2Elman神經網絡的訓練

4.1.3Elman神經網絡的MATLAB實現

4.2Boltzmann機網絡

4.2.1BM網絡結構

4.2.2BM網絡的規(guī)則

4.2.3用BM網絡解TSP

4.2.4BM網絡的MATLAB實現

4.3BSB模型

4.3.1BSB神經模型概述

4.3.2BSB的MATLAB實現

第5章預測控制算法分析與實現

5.1系統(tǒng)辨識

5.2自校正控制

5.2.1單步輸出預測

5.2.2最小方差控制

5.2.3最小方差間接自校正控制

5.2.4最小方差直接自校正控制

5.3自適應控制

5.3.1MIT自適應律

5.3.2MIT歸一化算法

第6章改進的廣義預測控制算法分析與實現

6.1預測控制

6.1.1基于CARIMA模型的JGPC

6.1.2基于CARMA模型的JGPC

6.2神經網絡預測控制的MATLAB實現

第7章SOFM網絡算法分析與應用

7.1SOFM網絡的生物學基礎

7.2SOFM網絡的拓撲結構

7.3SOFM網絡學習算法

7.4SOFM網絡的訓練過程

7.5SOFM網絡的MATLAB實現

7.6SOFM網絡在實際工程中的應用

7.6.1SOFM網絡在人口分類中的應用

7.6.2SOFM網絡在土壤分類中的應用

第8章幾種網絡算法分析與應用

8.1競爭型神經網絡的概念與原理

8.1.1競爭型神經網絡的概念

8.1.2競爭型神經網絡的原理

8.2幾種聯想學習規(guī)則

8.2.1內星學習規(guī)則

8.2.2外星學習規(guī)則

8.2.3科荷倫學習規(guī)則

第9章Hopfield神經網絡算法分析與實現

9.1離散Hopfield神經網絡

9.1.1網絡的結構與工作方式

9.1.2吸引子與能量函數

9.1.3網絡的權值設計

9.2連續(xù)Hopfield神經網絡

9.3聯想記憶

9.3.1聯想記憶網絡

9.3.2聯想記憶網絡的改進

9.4Hopfield神經網絡的MATLAB實現

第10章學習向量量化與對向傳播網絡算法分析與實現

10.1學習向量量化網絡

10.1.1LVQ網絡模型

10.1.2LVQ網絡學習算法

10.1.3LVQ網絡學習的MATLAB實現

10.2對向傳播網絡

10.2.1對向傳播網絡概述

10.2.2CPN網絡學習及規(guī)則

10.2.3對向傳播網絡的實際應用

第11章NARMAL2控制算法分析與實現

11.1反饋線性化控制系統(tǒng)原理

11.2反饋線性控制的MATLAB實現

11.3NARMAL2控制器原理及實例分析

11.3.1NARMAL2控制器原理

11.3.2NARMAL2控制器實例分析

第12章神經網絡函數及其導函數

12.1神經網絡的學習函數

12.2神經網絡的輸入函數及其導函數

12.3神經網絡的性能函數及其導函數

12.3.1性能函數

12.3.2性能函數的導函數

第13章Simulink神經網絡設計

13.1Simulink交互式仿真集成環(huán)境

13.1.1Simulink模型創(chuàng)建

13.1.2Simulink建模操作

13.1.3Simulink參數設置

13.1.4簡單的Simulink例子

13.2Simulink神經網絡模塊

13.2.1傳遞函數模塊庫

13.2.2網絡輸入模塊庫

13.2.3權值設置模塊庫

13.2.4處理模塊庫

13.2.5控制系統(tǒng)模塊庫

13.3Simulink神經網絡設計

13.3.1模型構建

13.3.2模型仿真

13.3.3修改信號源

第14章BP神經元模型與應用案例

14.1BP神經元及其模型

14.2BP網絡的學習

14.2.1BP網絡學習算法

14.2.2BP網絡學習算法的比較

14.3BP網絡的局限性

14.4BP網絡的MATLAB程序應用舉例

14.4.1BP網絡設計的基本方法

14.4.2BP網絡應用舉例

第15章自適應共振網絡算法分析與應用

15.1ART1網絡

15.1.1網絡系統(tǒng)結構

15.1.2ATR1網絡運行過程

15.1.3ATR1學習算法

15.1.4ART1網絡應用

15.2ART2網絡

15.2.1網絡結構與運行原理

15.2.2網絡的數學模型與學習算法

15.2.3ART2網絡在系統(tǒng)辨識中的應用

第16章徑向基網絡算法分析與應用

16.1正則化理論及正則化RBF網絡

16.1.1正則化理論

16.1.2正則化RBF網絡

16.2徑向基神經網絡結構

16.2.1徑向基神經元模型

16.2.2徑向基神經網絡模型

16.3徑向基神經網絡學習

16.4徑向基神經網絡的工程應用

16.4.1函數逼近

16.4.2散布常數對徑向基網絡的影響

16.5廣義回歸神經網絡

16.5.1GRNN網絡結構

16.5.2GRNN網絡工作原理

16.6概率神經網絡

16.6.1PNN網絡結構

16.6.2PNN網絡工作原理

16.6.3應用PNN進行變量分類

第17章感知器算法分析與實現

17.1單層感知器模型

17.2單層感知器的學習算法

17.3感知器的局限性

17.4單層感知器神經網絡的MATLAB仿真

17.4.1感知器神經網絡設計的基本方法

17.4.2單層感知器神經網絡的應用舉例

17.5多層感知器神經網絡及其MATLAB仿真

17.5.1多層感知器神經網絡的設計方法

17.5.2多層感知器神經網絡的應用舉例

17.6用于線性分類問題的進一步討論

17.6.1決策函數與決策邊界

17.6.2感知器的決策函數與決策邊界

第18章線性網絡與BP網絡工具箱函數及其應用

18.1線性神經網絡工具箱函數

18.1.1創(chuàng)建函數及其應用

18.1.2學習函數及其應用

18.1.3性能函數及其應用

18.1.4權積函數及其應用

18.1.5初始化函數

18.2BP神經網絡工具箱函數

18.2.1創(chuàng)建函數及其應用

18.2.2傳遞函數及其應用

18.2.3學習函數及其應用

18.2.4性能函數及其應用

18.2.5訓練函數及其應用

18.2.6顯示函數及其應用

第19章BP網絡算法分析與實現

19.1BP神經網絡模型

19.2BP神經網絡算法

19.2.1SDBP算法

19.2.2MOBP算法

19.2.3VLBP算法

19.2.4RPROP算法

19.2.5CGBP算法

19.3BP網絡設計

19.4BP神經網絡局限性

19.5BP神經網絡算法改進

19.5.1附加動量法

19.5.2有自適應lr的梯度下降法

19.5.3彈性梯度下降法

第20章自組織網絡工具箱函數及其應用

20.1創(chuàng)建函數

20.2傳遞函數

20.3距離函數

20.4學習函數

20.5初始化函數

20.6訓練函數

20.7顯示函數

20.8權值函數

20.9結構函數

第21章線性網絡算法分析與實現

21.1線性神經網絡結構

21.2線性神經網絡學習

21.3線性神經網絡訓練

21.4線性神經網絡的MATLAB實現

21.5線性神經網絡的局限性

21.5.1超定系統(tǒng)

21.5.2不定系統(tǒng)

21.5.3線性相關向量

21.5.4學習速率過大

第22章神經網絡工具箱函數及其應用

22.1徑向基神經網絡工具箱函數

22.1.1創(chuàng)建函數

22.1.2變換函數

22.1.3傳遞函數

22.1.4距離函數

22.2Hopfield神經網絡工具箱函數

22.2.1傳輸函數

22.2.2學習函數

22.3Elman神經網絡工具箱函數

22.4學習向量量化網絡工具箱函數

22.4.1創(chuàng)建函數

22.4.2顯示函數

第23章感知器網絡算法分析與實現

23.1單層感知器

23.1.1單層感知器模型

23.1.2感知器功能

23.1.3網絡結構

23.1.4感知器算法

23.1.5網絡的訓練

23.1.6單層感知器實現

23.1.7感知器局限性

23.2多層感知器

23.2.1多層感知器介紹

23.2.2多層感知器實現

23.3感知器神經網絡的MATLAB實現