MATLAB R2020a 神經網絡典型案例分析

本書既可以作為相關專業本科生和研究生的學慣用書，也可以作為廣大科研人員、學者、工程技術人員的參考用書。

張德豐，佛山科學技術學院教授，主要從事智能算法、光電傳感等方面的科研與教學工作。
主持和參與省部級、市級項目4項，課題涉及到計算機應用、自動控制、光學等領域。
獲校級優秀青年教師獎、教學成果獎、教學評估優秀及教學質量獎等多個獎項。
指導學生參加"挑戰杯・創青春”大學生創業大賽，獲省級金獎、***銀獎。
出版《MATLAB R□017a模式識別》《Python機器學習及實踐》《TensorFlow深度學習及實踐》等書籍。

第壹章MATLAB R2020a基礎1
1．1 MATLAB的功能1
1．1．1 MATLAB的基本功能1
1．1．2 MATLAB的重要功能2
1．2 MATLAB的特點2
1．3 MATLAB的發展史4
1．4 MATLAB R2020a的新功能5
1．5 MATLAB的啟動6
1．6 MATLAB的語言基礎6
1．6．1常量和變量7
1．6．2運算符8
1．7 MATLAB的工具箱9
1 ．7．1符號計算工具箱9
1．7．2統計工具箱9
1．7．3 *優化工具箱9
1．8 MATLAB的幫助系統10
1．8．1命令行幫助10
1．8．2幫助導航/瀏覽器11
1．8．3 DEMO幫助系統11
1．8．4網絡資源幫助13

第2章神經網絡概述14
2．1神經網絡的相關概念14
2．1．1生物神經元14
2．1．2生物神經元的信息處理機制15
2．1．3人工神經元的模型17
2．2神經網絡的發展史18
2．3神經網絡的研究方向19
2．4神經網絡的基本特徵和主要功能20
2．5神經網絡的特點和優越性21
2．6神經網絡的學習方法21
2．7神經網絡的應用22
2．8神經網絡的工具箱22
2．8．1神經網絡工具箱函數22
2．8．2神經網絡的對象與屬性26

第3章感知器及其應用33
3．1感知器典型案例分析33
3．2單層感知器39
3．2．1單層感知器的結構39
3．2．2單層感知器的功能40
3．2．3感知器的學習42
3．2．4感知器的訓練42
3．2．5使用單層感知器解決邏輯運算43
3． 3多層感知器44
3．3．1多層感知器的模型44
3．3．2多層感知器的設計45
3．4感知器的局限性46
3．5感知器網絡的工具箱函數46
3．5．1創建函數46
3．5．2訓練函數47
3．5．3網絡仿真50
3．5．4傳遞函數50
3．5．5初始化函數51
3．5．6自適應函數52
3 ．5．7性能函數53
3．5．8學習函數55
3．5．9顯示函數56
3．6感知器的應用58

第4章線性神經網絡及其應用68
4．1線性神經網絡典型案例分析68
4．2線性神經網絡概述71
4．2．1線性神經元的結構72
4．2．2初始化線性神經網絡74
4．2．3網絡的學習規則74
4．2．4學習率的選擇76
4．2．5自適應線性濾波77
4．2．6網絡的訓練78
4．3線性神經網絡工具箱函數79
4．3．1創建函數79
4．3．2學習函數83
4．3．3傳遞函數86
4．3．4初始化函數86
4．3．5性能函數87
4．4網絡的局限性87
4．4．1相關向量88
4．4．2學習率過大89
4．5線性神經網絡的應用91

第5章BP神經網絡及其應用100
5．1 BP神經網絡典型案例分析100
5．2 BP神經網絡概述102
5．2．1 BP神經網絡的結構103
5．2．2神經元模型103
5．3 BP神經網絡算法105
5．3．1梯度下降法105
5．3．2 *速下降BP算法106
5．3．3動量BP算法108
5．3．4 VLBP算法112
5．3．5擬牛頓算法114
5．3．6 RPROP算法114
5．3．7 LM算法115
5．3．8 CGBP算法116
5．4 BP神經網絡的設計117
5．5 BP神經網絡的局限性120
5．6 BP神經網絡工具箱函數120
5．6．1創建函數120
5． 6．2傳遞函數124
5．6．3學習函數126
5．6．4訓練函數127
5．6．5性能函數131
5．6．6顯示函數132
5．7 BP神經網絡的應用134

第6章RBF神經網絡及其應用155
6．1 RBF神經網絡典型案例分析155
6．2 RBF神經網絡概述157
6．2．1徑向基函數158
6．2．2正則化RBF神經網絡160
6．2．3廣義RBF神經網絡161
6．3 RBF神經網絡的學習算法162
6．3．1隨機選取中心法163
6．3．2自組織選取中心法163
6．3．3有監督選取中心法164
6．3．4正交*小二乘法165
6．4 RBF神經網絡的函數166
6．4．1創建函數167
6．4．2徑向基傳遞函數169
6．4．3轉換函數170
6．4．4權函數171
6．4．5輸入函數174
6． 4．6競爭傳遞函數174
6．5 RBF神經網絡的優點和缺點175
6．5．1 RBF神經網絡的優點175
6．5．2 RBF神經網絡的缺點176
6．6徑向基函數的應用176
6．7 RBF神經網絡在控制領域中的應用183
6．7．1 RBF神經網絡在網絡監督中的應用183
6．7．2 RBF自校正控制186
6．8廣義回歸神經網絡190
6．8．1 GRNN的結構190
6．8．2 GRNN的實現191
6．9概率神經網絡194

第7章反饋神經網絡及其應用199
7．1反饋神經網絡典型案例分析199
7．2 Hopfield神經網絡203
7．2．1單層全反饋型神經網絡204
7．2．2狀態軌跡204
7．2．3狀態軌跡發散205
7．3離散型Hopfield神經網絡206
7．3．1離散型Hopfield神經網絡的結構206
7．3．2離散型Hopfield神經網絡的穩定性207
7．3． 3離散型Hopfield神經網絡的設計211
7．4連續型Hopfield神經網絡212
7．4．1連續型Hopfield神經網絡的穩定性213
7．4．2連續型Hopfield神經網絡的特點214
7．4．3連續型Hopfield神經網絡求解TSP問題214
7．5 Elman神經網絡220
7． 5．1 Elman神經網絡的結構220
7．5．2 Elman神經網絡的學習算法220
7．5．3 Elman神經網絡權值的穩定性221
7．5．4對角遞歸穩定學習率的確定223
7 ．6反饋神經網絡工具箱函數223
7．6．1創建函數223
7．6．2傳遞函數229
7．7反饋神經網絡的應用230

第8章自組織競爭神經網絡及其應用244
8．1自組織競爭神經網絡案例分析244
8．2競爭神經網絡247
8．2．1競爭神經網絡的結構248
8．2．2競爭神經網絡的學習算法248
8．2．3競爭神經網絡存在的問題252
8 ．3 SOM神經網絡253
8．3．1 SOM神經網絡的特點253
8．3．2 SOM神經網絡的基本原理254
8．3．3 SOM神經網絡的拓撲結構254
8．3．4 SOM神經網絡算法255
8．3．5 SOM神經網絡的訓練過程257
8．4 LVQ神經網絡258
8．4．1 LVQ神經網絡的結構258
8．4．2 LVQ1算法的基本步驟260
8．4．3 LVQ2算法的基本步驟261
8．5自組織競爭神經網絡工具箱函數262
8．5．1創建函數262
8．5．2學習函數268
8．5．3傳遞函數274
8．5．4距離函數275
8．5．5歸一化函數278
8．5．6初始化函數280
8．5．7拓撲函數280
8．5．8訓練函數282
8．5．9權值函數282
8．5．10顯示函數283
8．6自組織競爭神經網絡的應用284

第9章其他神經網絡及其應用301
9．1盒中腦神經網絡301
9 ．2隨機神經網絡304
9．2．1模擬退火算法的原理304
9．2．2 BM網絡的結構304
9．2．3 BM網絡的規則305
9．2．4模擬退火算法的特點306
9．2．5模擬退火算法的相關函數306
9．2．6 BM網絡的應用311
9．3對偶傳播神經網絡316
9．3．1 CPN網絡概述317
9．3．2 CPN網絡的功能分析317
9．3．3 CPN網絡的應用318
9．4小波神經網絡322
9． 4．1小波理論322
9．4．2小波神經網絡概述323
9．4．3小波神經網絡的應用325
9．5模糊神經網絡329
9．5．1模糊數學知識329
9．5．2模糊邏輯系統330
9．5．3 TS模糊神經網絡332
9．5．4 TS模糊神經網絡學習算法333
9．5．5模糊神經網絡的應用335
9．6混沌神經網絡342
9．6．1混沌神經網絡的發展342
9．6．2混沌神經網絡的模型343
9．6．3混沌通信技術346
9．6．4混沌神經網絡的應用347

第壹0章神經網絡的GUI應用353
10．1神經網絡工具353
10．2神經網絡工具的GUI應用358
10．3擬合工具的GUI應用360
10． 4分類/聚類工具的GUI應用366
10．5模式識別工具的GUI應用373
10．6時間序列工具的GUI應用380

第壹1章神經網絡的經典應用387
11．1實現圖像壓縮387
11．1 ．1案例背景387
11．1．2 BP神經網絡壓縮建模387
11．1．3 BP神經網絡壓縮的實現390
11．2預測地下水水位394
11．2．1案例背景395
11．2．2神經網絡的建模395
11．2．3 RBF神經網絡預測的實現396
11．3 BP_Adaboost設計公司賬務預警399
11．3．1 Adaboost算法399
11．3．2 Adaboost模型400
11．3．3賬務預警系統介紹400
11．3．4建立預警模型400
11．3．5利用BP_Adaboost模型實現公司賬務預警401
11．4概率神經網絡在遙感圖像中的應用406
11．5 PID神經網絡控制411
11．6自組織競爭神經網絡的應用418
11．6． 1在分類中的應用418
11．6．2在估計中的應用420
參考文獻424