书籍详情
MATLAB R2020a神经网络典型案例分析
作者：张德丰 著
出版社：电子工业出版社
出版时间：2021-06-01
ISBN：9787121412349
定价：¥89.00
购买这本书可以去
内容简介
本书既可以作为相关专业本科生和研究生的学习用书，也可以作为广大科研人员、学者、工程技术人员的参考用书。
作者简介
张德丰，佛山科学技术学院教授，主要从事智能算法、光电传感等方面的科研与教学工作。主持和参与省部级、市级项目4项，课题涉及到计算机应用、自动控制、光学等领域。获校级优秀青年教师奖、教学成果奖、教学评估优秀及教学质量奖等多个奖项。指导学生参加挑战杯？？创青春”大学生创业大赛，获省级金奖、***银奖。出版《MATLAB R2017a模式识别》《Python机器学习及实践》《TensorFlow深度学习及实践》等书籍。
目录
目录
第1章 MATLAB R2020a基础\t1
1．1 MATLAB的功能\t1
1．1．1 MATLAB的基本功能\t1
1．1．2 MATLAB的重要功能\t2
1．2 MATLAB的特点\t2
1．3 MATLAB的发展史\t4
1．4 MATLAB R2020a的新功能\t5
1．5 MATLAB的启动\t6
1．6 MATLAB的语言基础\t6
1．6．1 常量和变量\t7
1．6．2 运算符\t8
1．7 MATLAB的工具箱\t9
1．7．1 符号计算工具箱\t9
1．7．2 统计工具箱\t9
1．7．3 最优化工具箱\t9
1．8 MATLAB的帮助系统\t10
1．8．1 命令行帮助\t10
1．8．2 帮助导航/浏览器\t11
1．8．3 DEMO帮助系统\t11
1．8．4 网络资源帮助\t13
第2章 神经网络概述\t14
2．1 神经网络的相关概念\t14
2．1．1 生物神经元\t14
2．1．2 生物神经元的信息处理机制\t15
2．1．3 人工神经元的模型\t17
2．2 神经网络的发展史\t18
2．3 神经网络的研究方向\t19
2．4 神经网络的基本特征和主要功能\t20
2．5 神经网络的特点和优越性\t21
2．6 神经网络的学习方法\t21
2．7 神经网络的应用\t22
2．8 神经网络的工具箱\t22
2．8．1 神经网络工具箱函数\t22
2．8．2 神经网络的对象与属性\t26
第3章 感知器及其应用\t33
3．1 感知器典型案例分析\t33
3．2 单层感知器\t39
3．2．1 单层感知器的结构\t39
3．2．2 单层感知器的功能\t40
3．2．3 感知器的学习\t42
3．2．4 感知器的训练\t42
3．2．5 使用单层感知器解决逻辑运算\t43
3．3 多层感知器\t44
3．3．1 多层感知器的模型\t44
3．3．2 多层感知器的设计\t45
3．4 感知器的局限性\t46
3．5 感知器网络的工具箱函数\t46
3．5．1 创建函数\t46
3．5．2 训练函数\t47
3．5．3 网络仿真\t50
3．5．4 传递函数\t50
3．5．5 初始化函数\t51
3．5．6 自适应函数\t52
3．5．7 性能函数\t53
3．5．8 学习函数\t55
3．5．9 显示函数\t56
3．6 感知器的应用\t58
第4章 线性神经网络及其应用\t 68
4．1 线性神经网络典型案例分析\t68
4．2 线性神经网络概述\t71
4．2．1 线性神经元的结构\t72
4．2．2 初始化线性神经网络\t74
4．2．3 网络的学习规则\t74
4．2．4 学习率的选择\t76
4．2．5 自适应线性滤波\t77
4．2．6 网络的训练\t78
4．3 线性神经网络工具箱函数\t79
4．3．1 创建函数\t79
4．3．2 学习函数\t83
4．3．3 传递函数\t86
4．3．4 初始化函数\t86
4．3．5 性能函数\t87
4．4 网络的局限性\t87
4．4．1 相关向量\t88
4．4．2 学习率过大\t89
4．5 线性神经网络的应用\t91
第5章 BP神经网络及其应用\t100
5．1 BP神经网络典型案例分析\t100
5．2 BP神经网络概述\t102
5．2．1 BP神经网络的结构\t103
5．2．2 神经元模型\t103
5．3 BP神经网络算法\t105
5．3．1 梯度下降法\t105
5．3．2 最速下降BP算法\t106
5．3．3 动量BP算法\t108
5．3．4 VLBP算法\t112
5．3．5 拟牛顿算法\t114
5．3．6 RPROP算法\t114
5．3．7 LM算法\t115
5．3．8 CGBP算法\t116
5．4 BP神经网络的设计\t117
5．5 BP神经网络的局限性\t120
5．6 BP神经网络工具箱函数\t120
5．6．1 创建函数\t120
5．6．2 传递函数\t124
5．6．3 学习函数\t126
5．6．4 训练函数\t127
5．6．5 性能函数\t131
5．6．6 显示函数\t132
5．7 BP神经网络的应用\t134
第6章 RBF神经网络及其应用\t155
6．1 RBF神经网络典型案例分析\t155
6．2 RBF神经网络概述\t157
6．2．1 径向基函数\t158
6．2．2 正则化RBF神经网络\t160
6．2．3 广义RBF神经网络\t161
6．3 RBF神经网络的学习算法\t162
6．3．1 随机选取中心法\t163
6．3．2 自组织选取中心法\t163
6．3．3 有监督选取中心法\t164
6．3．4 正交最小二乘法\t165
6．4 RBF神经网络的函数\t166
6．4．1 创建函数\t167
6．4．2 径向基传递函数\t169
6．4．3 转换函数\t170
6．4．4 权函数\t171
6．4．5 输入函数\t174
6．4．6 竞争传递函数\t174
6．5 RBF神经网络的优点和缺点\t175
6．5．1 RBF神经网络的优点\t175
6．5．2 RBF神经网络的缺点\t176
6．6 径向基函数的应用\t176
6．7 RBF神经网络在控制领域中的应用\t183
6．7．1 RBF神经网络在网络监督中的应用\t183
6．7．2 RBF自校正控制\t186
6．8 广义回归神经网络\t190
6．8．1 GRNN的结构\t190
6．8．2 GRNN的实现\t191
6．9 概率神经网络\t194
第7章 反馈神经网络及其应用\t199
7．1 反馈神经网络典型案例分析\t199
7．2 Hopfield神经网络\t203
7．2．1 单层全反馈型神经网络\t204
7．2．2 状态轨迹\t204
7．2．3 状态轨迹发散\t205
7．3 离散型Hopfield神经网络\t206
7．3．1 离散型Hopfield神经网络的结构\t206
7．3．2 离散型Hopfield神经网络的稳定性\t207
7．3．3 离散型Hopfield神经网络的设计\t211
7．4 连续型Hopfield神经网络\t212
7．4．1 连续型Hopfield神经网络的稳定性\t213
7．4．2 连续型Hopfield神经网络的特点\t214
7．4．3 连续型Hopfield神经网络求解TSP问题\t214
7．5 Elman神经网络\t220
7．5．1 Elman神经网络的结构\t220
7．5．2 Elman神经网络的学习算法\t220
7．5．3 Elman神经网络权值的稳定性\t221
7．5．4 对角递归稳定学习率的确定\t223
7．6 反馈神经网络工具箱函数\t223
7．6．1 创建函数\t223
7．6．2 传递函数\t229
7．7 反馈神经网络的应用\t230
第8章 自组织竞争神经网络及其应用\t244
8．1 自组织竞争神经网络案例分析\t244
8．2 竞争神经网络\t247
8．2．1 竞争神经网络的结构\t248
8．2．2 竞争神经网络的学习算法\t248
8．2．3 竞争神经网络存在的问题\t252
8．3 SOM神经网络\t253
8．3．1 SOM神经网络的特点\t253
8．3．2 SOM神经网络的基本原理\t254
8．3．3 SOM神经网络的拓扑结构\t254
8．3．4 SOM神经网络算法\t 255
8．3．5 SOM神经网络的训练过程\t257
8．4 LVQ神经网络\t258
8．4．1 LVQ神经网络的结构\t258
8．4．2 LVQ1算法的基本步骤\t260
8．4．3 LVQ2算法的基本步骤\t261
8．5 自组织竞争神经网络工具箱函数\t262
8．5．1 创建函数\t262
8．5．2 学习函数\t268
8．5．3 传递函数\t274
8．5．4 距离函数\t275
8．5．5 归一化函数\t278
8．5．6 初始化函数\t280
8．5．7 拓扑函数\t280
8．5．8 训练函数\t282
8．5．9 权值函数\t282
8．5．10 显示函数\t283
8．6 自组织竞争神经网络的应用\t284
第9章 其他神经网络及其应用\t301
9．1 盒中脑神经网络\t301
9．2 随机神经网络\t304
9．2．1 模拟退火算法的原理\t304
9．2．2 BM网络的结构\t304
9．2．3 BM网络的规则\t305
9．2．4 模拟退火算法的特点\t306
9．2．5 模拟退火算法的相关函数\t306
9．2．6 BM网络的应用\t311
9．3 对偶传播神经网络\t316
9．3．1 CPN网络概述\t317
9．3．2 CPN网络的功能分析\t317
9．3．3 CPN网络的应用\t318
9．4 小波神经网络\t322
9．4．1 小波理论\t322
9．4．2 小波神经网络概述\t323
9．4．3 小波神经网络的应用\t325
9．5 模糊神经网络\t329
9．5．1 模糊数学知识\t329
9．5．2 模糊逻辑系统\t330
9．5．3 T-S模糊神经网络\t332
9．5．4 T-S模糊神经网络学习算法\t333
9．5．5 模糊神经网络的应用\t335
9．6 混沌神经网络\t342
9．6．1 混沌神经网络的发展\t342
9．6．2 混沌神经网络的模型\t343
9．6．3 混沌通信技术\t346
9．6．4 混沌神经网络的应用\t347
第10章 神经网络的GUI应用\t353
10．1 神经网络工具\t353
10．2 神经网络工具的GUI应用\t358
10．3 拟合工具的GUI应用\t360
10．4 分类/聚类工具的GUI应用\t366
10．5 模式识别工具的GUI应用\t373
10．6 时间序列工具的GUI应用\t380
第11章 神经网络的经典应用\t387
11．1 实现图像压缩\t387
11．1．1 案例背景\t387
11．1．2 BP神经网络压缩建模\t387
11．1．3 BP神经网络压缩的实现\t390
11．2 预测地下水水位\t394
11．2．1 案例背景\t395
11．2．2 神经网络的建模\t395
11．2．3 RBF神经网络预测的实现\t396
11．3 BP_Adaboost设计公司账务预警\t399
11．3．1 Adaboost算法\t399
11．3．2 Adaboost模型\t400
11．3．3 账务预警系统介绍\t400
11．3．4 建立预警模型\t400
11．3．5 利用BP_Adaboost模型实现公司账务预警\t401
11．4 概率神经网络在遥感图像中的应用\t406
11．5 PID神经网络控制\t411
11．6 自组织竞争神经网络的应用\t418
11．6．1 在分类中的应用\t418
11．6．2 在估计中的应用\t420
参考文献\t424
第1章 MATLAB R2020a基础\t1
1．1 MATLAB的功能\t1
1．1．1 MATLAB的基本功能\t1
1．1．2 MATLAB的重要功能\t2
1．2 MATLAB的特点\t2
1．3 MATLAB的发展史\t4
1．4 MATLAB R2020a的新功能\t5
1．5 MATLAB的启动\t6
1．6 MATLAB的语言基础\t6
1．6．1 常量和变量\t7
1．6．2 运算符\t8
1．7 MATLAB的工具箱\t9
1．7．1 符号计算工具箱\t9
1．7．2 统计工具箱\t9
1．7．3 最优化工具箱\t9
1．8 MATLAB的帮助系统\t10
1．8．1 命令行帮助\t10
1．8．2 帮助导航/浏览器\t11
1．8．3 DEMO帮助系统\t11
1．8．4 网络资源帮助\t13
第2章 神经网络概述\t14
2．1 神经网络的相关概念\t14
2．1．1 生物神经元\t14
2．1．2 生物神经元的信息处理机制\t15
2．1．3 人工神经元的模型\t17
2．2 神经网络的发展史\t18
2．3 神经网络的研究方向\t19
2．4 神经网络的基本特征和主要功能\t20
2．5 神经网络的特点和优越性\t21
2．6 神经网络的学习方法\t21
2．7 神经网络的应用\t22
2．8 神经网络的工具箱\t22
2．8．1 神经网络工具箱函数\t22
2．8．2 神经网络的对象与属性\t26
第3章 感知器及其应用\t33
3．1 感知器典型案例分析\t33
3．2 单层感知器\t39
3．2．1 单层感知器的结构\t39
3．2．2 单层感知器的功能\t40
3．2．3 感知器的学习\t42
3．2．4 感知器的训练\t42
3．2．5 使用单层感知器解决逻辑运算\t43
3．3 多层感知器\t44
3．3．1 多层感知器的模型\t44
3．3．2 多层感知器的设计\t45
3．4 感知器的局限性\t46
3．5 感知器网络的工具箱函数\t46
3．5．1 创建函数\t46
3．5．2 训练函数\t47
3．5．3 网络仿真\t50
3．5．4 传递函数\t50
3．5．5 初始化函数\t51
3．5．6 自适应函数\t52
3．5．7 性能函数\t53
3．5．8 学习函数\t55
3．5．9 显示函数\t56
3．6 感知器的应用\t58
第4章 线性神经网络及其应用\t 68
4．1 线性神经网络典型案例分析\t68
4．2 线性神经网络概述\t71
4．2．1 线性神经元的结构\t72
4．2．2 初始化线性神经网络\t74
4．2．3 网络的学习规则\t74
4．2．4 学习率的选择\t76
4．2．5 自适应线性滤波\t77
4．2．6 网络的训练\t78
4．3 线性神经网络工具箱函数\t79
4．3．1 创建函数\t79
4．3．2 学习函数\t83
4．3．3 传递函数\t86
4．3．4 初始化函数\t86
4．3．5 性能函数\t87
4．4 网络的局限性\t87
4．4．1 相关向量\t88
4．4．2 学习率过大\t89
4．5 线性神经网络的应用\t91
第5章 BP神经网络及其应用\t100
5．1 BP神经网络典型案例分析\t100
5．2 BP神经网络概述\t102
5．2．1 BP神经网络的结构\t103
5．2．2 神经元模型\t103
5．3 BP神经网络算法\t105
5．3．1 梯度下降法\t105
5．3．2 最速下降BP算法\t106
5．3．3 动量BP算法\t108
5．3．4 VLBP算法\t112
5．3．5 拟牛顿算法\t114
5．3．6 RPROP算法\t114
5．3．7 LM算法\t115
5．3．8 CGBP算法\t116
5．4 BP神经网络的设计\t117
5．5 BP神经网络的局限性\t120
5．6 BP神经网络工具箱函数\t120
5．6．1 创建函数\t120
5．6．2 传递函数\t124
5．6．3 学习函数\t126
5．6．4 训练函数\t127
5．6．5 性能函数\t131
5．6．6 显示函数\t132
5．7 BP神经网络的应用\t134
第6章 RBF神经网络及其应用\t155
6．1 RBF神经网络典型案例分析\t155
6．2 RBF神经网络概述\t157
6．2．1 径向基函数\t158
6．2．2 正则化RBF神经网络\t160
6．2．3 广义RBF神经网络\t161
6．3 RBF神经网络的学习算法\t162
6．3．1 随机选取中心法\t163
6．3．2 自组织选取中心法\t163
6．3．3 有监督选取中心法\t164
6．3．4 正交最小二乘法\t165
6．4 RBF神经网络的函数\t166
6．4．1 创建函数\t167
6．4．2 径向基传递函数\t169
6．4．3 转换函数\t170
6．4．4 权函数\t171
6．4．5 输入函数\t174
6．4．6 竞争传递函数\t174
6．5 RBF神经网络的优点和缺点\t175
6．5．1 RBF神经网络的优点\t175
6．5．2 RBF神经网络的缺点\t176
6．6 径向基函数的应用\t176
6．7 RBF神经网络在控制领域中的应用\t183
6．7．1 RBF神经网络在网络监督中的应用\t183
6．7．2 RBF自校正控制\t186
6．8 广义回归神经网络\t190
6．8．1 GRNN的结构\t190
6．8．2 GRNN的实现\t191
6．9 概率神经网络\t194
第7章 反馈神经网络及其应用\t199
7．1 反馈神经网络典型案例分析\t199
7．2 Hopfield神经网络\t203
7．2．1 单层全反馈型神经网络\t204
7．2．2 状态轨迹\t204
7．2．3 状态轨迹发散\t205
7．3 离散型Hopfield神经网络\t206
7．3．1 离散型Hopfield神经网络的结构\t206
7．3．2 离散型Hopfield神经网络的稳定性\t207
7．3．3 离散型Hopfield神经网络的设计\t211
7．4 连续型Hopfield神经网络\t212
7．4．1 连续型Hopfield神经网络的稳定性\t213
7．4．2 连续型Hopfield神经网络的特点\t214
7．4．3 连续型Hopfield神经网络求解TSP问题\t214
7．5 Elman神经网络\t220
7．5．1 Elman神经网络的结构\t220
7．5．2 Elman神经网络的学习算法\t220
7．5．3 Elman神经网络权值的稳定性\t221
7．5．4 对角递归稳定学习率的确定\t223
7．6 反馈神经网络工具箱函数\t223
7．6．1 创建函数\t223
7．6．2 传递函数\t229
7．7 反馈神经网络的应用\t230
第8章 自组织竞争神经网络及其应用\t244
8．1 自组织竞争神经网络案例分析\t244
8．2 竞争神经网络\t247
8．2．1 竞争神经网络的结构\t248
8．2．2 竞争神经网络的学习算法\t248
8．2．3 竞争神经网络存在的问题\t252
8．3 SOM神经网络\t253
8．3．1 SOM神经网络的特点\t253
8．3．2 SOM神经网络的基本原理\t254
8．3．3 SOM神经网络的拓扑结构\t254
8．3．4 SOM神经网络算法\t 255
8．3．5 SOM神经网络的训练过程\t257
8．4 LVQ神经网络\t258
8．4．1 LVQ神经网络的结构\t258
8．4．2 LVQ1算法的基本步骤\t260
8．4．3 LVQ2算法的基本步骤\t261
8．5 自组织竞争神经网络工具箱函数\t262
8．5．1 创建函数\t262
8．5．2 学习函数\t268
8．5．3 传递函数\t274
8．5．4 距离函数\t275
8．5．5 归一化函数\t278
8．5．6 初始化函数\t280
8．5．7 拓扑函数\t280
8．5．8 训练函数\t282
8．5．9 权值函数\t282
8．5．10 显示函数\t283
8．6 自组织竞争神经网络的应用\t284
第9章 其他神经网络及其应用\t301
9．1 盒中脑神经网络\t301
9．2 随机神经网络\t304
9．2．1 模拟退火算法的原理\t304
9．2．2 BM网络的结构\t304
9．2．3 BM网络的规则\t305
9．2．4 模拟退火算法的特点\t306
9．2．5 模拟退火算法的相关函数\t306
9．2．6 BM网络的应用\t311
9．3 对偶传播神经网络\t316
9．3．1 CPN网络概述\t317
9．3．2 CPN网络的功能分析\t317
9．3．3 CPN网络的应用\t318
9．4 小波神经网络\t322
9．4．1 小波理论\t322
9．4．2 小波神经网络概述\t323
9．4．3 小波神经网络的应用\t325
9．5 模糊神经网络\t329
9．5．1 模糊数学知识\t329
9．5．2 模糊逻辑系统\t330
9．5．3 T-S模糊神经网络\t332
9．5．4 T-S模糊神经网络学习算法\t333
9．5．5 模糊神经网络的应用\t335
9．6 混沌神经网络\t342
9．6．1 混沌神经网络的发展\t342
9．6．2 混沌神经网络的模型\t343
9．6．3 混沌通信技术\t346
9．6．4 混沌神经网络的应用\t347
第10章 神经网络的GUI应用\t353
10．1 神经网络工具\t353
10．2 神经网络工具的GUI应用\t358
10．3 拟合工具的GUI应用\t360
10．4 分类/聚类工具的GUI应用\t366
10．5 模式识别工具的GUI应用\t373
10．6 时间序列工具的GUI应用\t380
第11章 神经网络的经典应用\t387
11．1 实现图像压缩\t387
11．1．1 案例背景\t387
11．1．2 BP神经网络压缩建模\t387
11．1．3 BP神经网络压缩的实现\t390
11．2 预测地下水水位\t394
11．2．1 案例背景\t395
11．2．2 神经网络的建模\t395
11．2．3 RBF神经网络预测的实现\t396
11．3 BP_Adaboost设计公司账务预警\t399
11．3．1 Adaboost算法\t399
11．3．2 Adaboost模型\t400
11．3．3 账务预警系统介绍\t400
11．3．4 建立预警模型\t400
11．3．5 利用BP_Adaboost模型实现公司账务预警\t401
11．4 概率神经网络在遥感图像中的应用\t406
11．5 PID神经网络控制\t411
11．6 自组织竞争神经网络的应用\t418
11．6．1 在分类中的应用\t418
11．6．2 在估计中的应用\t420
参考文献\t424
猜您喜欢
