MATLAB R2015b神经网络技术（精通MATLAB）

　　本书以MATLAB R2015b为平台而编写，全面、系统地介绍了MATLAB神经网络技术； 重点给出了MATLAB在各种神经网络的应用，并在讲解各实现方法的过程中给出相应的实例，使得本书应用性更强，实用价值更高。全书共10章，主要介绍了MATLAB R2015b软件、神经网络的理论、神经网络的通用函数、感知器神经网络、线性神经网络、BP神经网络、径向基神经网络、竞争型神经网络、反馈型神经网络、其他神经网络等内容。本书在编写过程中力求系统性、实用性与先进性相结合，理论与实践相交融，使读者在阅读本书中快速掌握MATLAB软件的同时，利用MATLAB实现解决各种神经网络问题，帮助读者学以致用。本书可以作为神经网络的初学人员和提高者的学习资料，也可作为广大在校本科生和研究生的学习用书，还可以作为广大科研人员、工程技术人员的参考用书。

暂缺《MATLAB R2015b神经网络技术（精通MATLAB）》作者简介

第1章MATLAB R2015b介绍
1.1MATLAB概述
1.1.1MATLAB的优势
1.1.2MATLAB R2015b的新增功能
1.1.3MATLAB常用工具箱
1.2MATLAB R2015b的安装
1.3MATLAB工作环境
1.4MATLAB联机帮助
1.5用户路径设置
1.6数据类型和运算
1.6.1常量、变量
1.6.2数据类型
1.6.3数值类型
1.6.4逻辑类型
1.6.5结构体类型
1.6.6数组类型
1.6.7单元数组类型
1.7矩阵的基本操作
1.7.1矩阵和数组的概念
1.7.2数值矩阵的生成
1.7.3符号矩阵
1.7.4特殊矩阵
1.8矩阵运算
1.9基本绘图
1.10建立函数文件
1.11控制流程
1.11.1顺序结构
1.11.2分支结构
1.11.3循环结构
第2章神经网络的理论
2.1生物神经元
2.2人工神经网络
2.3神经元的数学模型
2.4神经网络的类型
2.4.1单层前向网络
2.4.2多层前向网络
2.4.3反馈网络
2.4.4随机神经网络
2.4.5竞争神经网络
2.5神经网络学习
2.5.1Hebb学习规则
2.5.2离散感知器学习规则
2.5.3记忆学习规则
2.5.4连续感知器学习规则
2.5.5相关学习规则
2.5.6竞争学习规则
2.6人工神经网络信息处理能力
2.7神经网络的特点与优点
2.7.1神经网络的特点
2.7.2神经网络的优点
2.8神经网络控制系统
2.8.1神经网络控制系统组成
2.8.2实时控制
2.8.3智能控制分支
2.9神经网络的应用
2.10人工神经网络与智能神经网络
2.10.1人工智能的概述
2.10.2人工神经元与人工智能相比较
第3章神经网络的通用函数
3.1神经网络仿真函数
3.2神经网络训练函数
3.3神经网络学习函数
3.4神经网络初始化函数
3.5神经网络输入函数
3.6神经网络传递函数
3.7其他函数
第4章感知器神经网络
4.1单层感知器
4.1.1单层感知器模型
4.1.2单层感知器功能
4.1.3感知器的学习
4.1.4单感知器的训练
4.1.5感知器的局部性
4.2标准化感知器学习规则
4.3多层感知器
4.3.1多层感知器的理论
4.3.2多层感知器的实现
4.4感知器神经网络函数
4.5感知器的应用
4.6感知器应用于线性分类问题
4.6.1决策函数与决策边界
4.6.2感知器的决策函数与决策边界
第5章线性神经网络
5.1线性神经元模型及结构
5.1.1神经元模型
5.1.2线性神经网络结构
5.2LMS学习算法
5.3LMS学习率的选择
5.3.1稳定收敛的学习率
5.3.2学习率逐渐下降
5.4线性神经网络的构建
5.4.1生成线性神经元
5.4.2线性滤波器
5.4.3自适应线性滤波
5.5线性神经网络的训练
5.6线性神经网络与感知器的对比
5.7线性神经网络函数
5.7.1创建函数
5.7.2传输函数
5.7.3学习函数
5.7.4均方误差性能函数
5.8线性神经网络的局限性
5.8.1线性相关向量
5.8.2学习速率过大
5.8.3不定系统
5.9线性神经网络的应用
5.9.1逻辑与
5.9.2逻辑异或
5.9.3在噪声对消中的应用
5.9.4在信号预测中的应用
第6章BP神经网络
6.1BP神经网络模型
6.2BP网络学习算法
6.3BP网络设计
6.3.1输入和输出层的设计
6.3.2隐层的设计
6.3.3初始值选取
6.4BP网络的局限性
6.5BP网络学习的改进
6.5.1增加动量项
6.5.2自适应调节学习率
6.5.3弹性梯度下降法
6.6BP算法设计多层感知器
6.6.1信息容量与训练样本数
6.6.2准备训练数据
6.6.3设计初值
6.6.4多层感知器结构设计
6.6.5网络训练与测试
6.7BP网络的函数
6.7.1创建函数
6.7.2传递函数
6.7.3学习函数
6.7.4训练函数
6.7.5性能函数
6.7.6显示函数
6.8BP神经网络的应用
6.8.1BP神经网络在分类中的应用
6.8.2BP网络去除噪声
6.8.3BP网络识别性别
6.9BP网络泛化能力的提高
6.9.1归一化法
6.9.2提前终止法
第7章径向基神经网络
7.1RBF神经网络模型
7.1.1RBF神经元模型
7.1.2RBF网络模型
7.2径向基常用学习算法
7.2.1数据中心聚类法
7.2.2数据中主监督法
7.2.3正交最小二乘法
7.3RBF内插值
7.4广义神经网络
7.5概率神经网络
7.5.1贝叶斯决策理论
7.5.2概率神经网络结构
7.5.3概率神经网络的优缺点
7.6径向基神经网络与多层感知器比较
7.7径向基神经网络的优缺点
7.7.1径向基神经网络的优点
7.7.2径向基神经网络的缺点
7.8径向基神经网络的函数
7.8.1创建函数
7.8.2传递函数
7.8.3转换函数
7.8.4权函数
7.8.5竞争性传输函数
7.9径向基函数神经网络的应用
第8章竞争型神经网络
8.1竞争神经网络的概述
8.2竞争神经网络的概念
8.3竞争神经网络的学习规则
8.3.1Kohonen学习规则
8.3.2阈值学习规则
8.4竞争型神经网络存在的问题
8.5自组织特征映射网络
8.5.1SOM网络拓扑结构
8.5.2SOM网络学习算法
8.5.3SOFM网络的训练
8.6学习向量量化网络
8.6.1LVQ网络结构
8.6.2LVQ网络学习算法
8.6.3LVQ网络特点
8.7ART神经网络
8.7.1ART1型网络
8.7.2ART1网络学习
8.8对向传播网络
8.8.1对向传播网络的概述
8.8.2CPN网络学习规则
8.9竞争神经网络的函数
8.9.1创建函数
8.9.2学习函数
8.9.3传递函数
8.9.4初始化函数
8.9.5结构函数
8.9.6距离函数
8.9.7距离函数
8.9.8归一化函数
8.10自组织竞争神经网络的应用
8.10.1对应传播网络的应用
8.10.2ART网络的应用
8.10.3学习向量量化网络的应用
8.10.4自组织映射网络的应用
第9章反馈型神经网络
9.1反馈型神经网络的概述
9.1.1前馈型与反馈型的比较
9.1.2反馈型神经网络与静态网络
9.1.3反馈型神经网络的模型
9.1.4反馈型神经网络的状态
9.2离散Hopfield神经网络
9.2.1离散Hopfield神经网络结构
9.2.2Hopfield网络的稳定性
9.2.3离散Hopfield神经网络权值学习
9.2.4离散Hopfield神经网络的联想记忆
9.3连续Hopfield神经网络
9.3.1连续Hopfield神经网络结构
9.3.2连续Hopfield神经网络的稳定性
9.3.3连续型Hopfield神经网络的特点
9.4Elman神经网络
9.4.1Elman神经网络结构
9.4.2Elman神经网络的训练
9.5双向联想记忆神经网络
9.5.1BAM网络结构与原理
9.5.2能量函数与稳定性分析
9.5.3BAM网的权值设计
9.6Boltzmann神经网络
9.6.1BM网络的基本结构
9.6.2BM模型的学习
9.7反馈神经网络的函数
9.7.1创建函数
9.7.2传递函数
9.8反馈神经网络的应用
9.8.1离散Hopfield神经网络识别数字
9.8.2连续Hopfield神经网络联想记忆功能应用
9.8.3Elman神经网络预测股价
9.8.4双联想记忆网络应用
9.8.5Boltzmann神经网络的应用
第10章其他神经网络
10.1模糊神经网络
10.1.1模糊神经网络的动向
10.1.2模糊神经网络的基本形式
10.1.3模糊神经网络的用途
10.2几种常用模型的模糊神经网络
10.2.1Mamdani模型模糊神经网络
10.2.2TakagiSugeno模型的模糊神经网络
10.2.3模糊神经网络的函数
10.2.4模糊神经网络的应用
10.2.5神经模糊系统的图形界面
10.3小波神经网络
10.3.1小波变换概述
10.3.2小波神经网络的定义
10.3.3小波神经网络的理论
10.3.4小波神经网络的结构
10.3.5小波神经网络应用交通流量预测
10.4Simulink神经网络
10.4.1Simulink神经网络仿真模型库
10.4.2Simulink神经网络的应用
10.5自定义神经网络
10.5.1自定义一个复杂的网络
10.5.2自定义网络的训练
参考文献