神經網絡與深度學習 — 基於 MATLAB 的模擬與實現

本書闡述經典神經網絡及典型的深度學習(神經網絡)方法的基本架構、算法原理及相關問題。在此 基礎上,介紹 MATLAB中神經網絡工具箱在神經網絡、深度學習中的應用,並給出相應的應用 實例。 本書可作為高等院校相關專業的本科生、研究生及從事神經網絡及深度學習方面學習及研究工作的 專業人員的參考書。

 

目錄

 

 

 

第一部分神經網絡基礎及MATLAB

 

緒論

 

第1章神經網絡概述

 

第2章MATLAB基本知識及神經網絡工具箱簡介

 

2．1MATLAB基本知識

 

2．2MATLAB神經網絡工具箱

 

2．2．1基於代碼的MATLAB神經網絡工具箱的應用

 

2．2．2基於圖形界面的MATLAB神經網絡工具箱的應用

 

2．2．3MATLAB/Simulink中神經網絡相關模塊的應用

 

2．2．4MATLAB菜單欄中神經網絡相關模塊的應用

 

第二部分經典神經網絡

 

第3章感知機

 

3．1感知機的基本結構與算法基礎

 

3．1．1單層感知機的基本結構

 

3．1．2多層感知機的基本結構與算法基礎

 

3．2感知機的MATLAB實現

 

3．2．1單層感知機的MATLAB模擬實現

 

3．2．2多層感知機的MATLAB模擬實現

 

第4章線性神經網絡

 

4．1線性神經網絡的基本結構與算法基礎

 

4．1．1線性神經網絡基本結構及學習算法

 

4．1．2最小均方差算法中關於學習率η的討論

 

4．1．3線性神經網絡的訓練

 

4．2線性神經網絡的MATLAB實現

 

4．2．1線性神經網絡在分類問題中的應用

 

4．2．2線性神經網絡在擬合(回歸)問題中的應用

 

4．2．3線性神經網絡在信號處理中的應用

 

4．3關於線性神經網絡的幾點討論

 

第5章BP神經網絡

 

5．1BP神經網絡的基本結構與算法基礎

 

5．1．1BP神經網絡基本結構及學習算法

 

5．1．2BP神經網絡的構建

 

5．1．3BP神經網絡算法問題的改進討論

 

5．2BP神經網絡的MATLAB實現

 

5．2．1BP神經網絡在分類問題中的應用

 

5．2．2BP神經網絡在擬合(回歸)問題中的應用

 

5．2．3BP神經網絡在信號處理中的應用

 

5．3關於BP神經網絡的幾點討論

 

第6章徑向基神經網絡

 

6．1徑向基神經網絡的基本結構與算法基礎

 

6．1．1徑向基神經網絡基本結構及學習算法

 

6．1．2徑向基神經網絡在擬合問題中的應用分析

 

6．1．3徑向基神經網絡在分類問題中的應用分析

 

6．2徑向基神經網絡的MATLAB實現

 

6．2．1徑向基神經網絡在擬合(回歸)問題中的應用

 

6．2．2徑向基神經網絡在分類問題中的應用

 

6．2．3徑向基神經網絡在數據預測中的應用

 

6．3關於徑向基神經網絡的幾點討論

 

第7章Hopfield神經網絡

 

7．1Hopfield神經網絡的基本結構與算法基礎

 

7．1．1離散型Hopfield神經網絡

 

7．1．2連續型Hopfield神經網絡

 

7．1．3Hopfield神經網絡的幾個問題

 

7．2Hopfield神經網絡的MATLAB實現

 

7．3關於 Hopfield神經網絡的幾點討論

 

第8章SOM神經網絡

 

8．1SOM神經網絡的基本結構與算法基礎

 

8．1．1SOM神經網絡的運行原理

 

8．1．2SOM神經網絡基本結構及學習算法

 

8．1．3SOM神經網絡的訓練

 

8．1．4SOM神經網絡的設計

 

8．2SOM神經網絡的MATLAB實現

 

8．2．1二維SOM神經網絡識別分類

 

8．2．2SOM神經網絡在故障診斷中的應用

 

8．2．3SOM神經網絡的工具箱實現

 

8．3關於SOM神經網絡的幾點討論

 

第9章概率神經網絡

 

9．1概率神經網絡的基本結構與算法基礎

 

9．1．1概率神經網絡的理論基礎

 

9．1．2概率神經網絡的結構模型

 

9．1．3概率神經網絡的訓練

 

9．1．4概率神經網絡模式分類學習算法

 

9．2概率神經網絡的MATLAB實現

 

9．2．1基於PNN的鳶尾花分類

 

9．2．2變壓器故障診斷

 

9．2．3概率神經網絡的工具箱實現

 

9．2．4PNN中參數spread對分類的影響

 

第三部分深度學習神經網絡

 

第10章深度信念網絡

 

10．1玻耳茲曼機基本結構及學習

 

10．1．1玻耳茲曼機的基本結構

 

10．1．2玻耳茲曼機的訓練方法

 

10．2深度信念網絡的基本結構

 

10．3深度信念網絡的MATLAB實現

 

10．3．1數據集

 

10．3．2DeeBNet工具箱實現

 

10．3．3MATLAB 2019深度學習工具箱的實現案例

 

第11章自編碼器

 

11．1自編碼器的基本結構與算法基礎

 

11．1．1自編碼器的基本結構

 

11．1．2自編碼器的學習算法

 

11．2自編碼器的MATLAB實現

 

11．2．1堆棧自編碼器的實現案例1

 

11．2．2降噪堆棧自編碼的實現

 

11．2．3堆棧自編碼器的實現案例2

 

第12章捲積神經網絡

 

12．1捲積神經網絡的基本結構與算法基礎

 

12．1．1捲積神經網絡的特點

 

12．1．2捲積神經網絡的訓練

 

12．1．3常見的捲積神經網絡結構

 

12．2捲積神經網絡的實現

 

12．2．1捲積神經網絡的實現1

 

12．2．2捲積神經網絡的實現2

 

12．2．3MATLAB 2019b深度學習工具箱

 

12．2．4MATLAB 2019b深層網絡設計器的實現

 

第13章生成對抗網絡（GAN）

 

13．1GAN的起源與發展

 

13．1．1GAN的起源 

 

13．1．2GAN的發展

 

13．1．3GAN的特點

 

13．2GAN的結構與原理

 

13．2．1GAN的基本結構

 

13．2．2GAN的訓練過程

 

13．2．3GAN的改進模型

 

13．2．4GAN的應用

 

13．3GAN的MATLAB實現

 

13．3．1GAN的MATLAB實現1

 

13．3．2GAN的MATLAB實現2

 

13．3．3GAN的MATLAB實現3

 

第14章循環神經網絡

 

14．1循環神經網絡的結構與算法基礎

 

14．1．1普通的循環神經網絡的結構和算法

 

14．1．2長短時記憶網絡的結構和算法

 

14．2LSTM網絡的MATLAB實現

 

14．2．1LSTM網絡語音序列數據分類

 

14．2．2LSTM網絡時序數據預測

 

參考文獻