Matlab神經(jīng)網(wǎng)絡與應用

第1章 神經(jīng)網(wǎng)絡概述
1. 1 Matlab 6. 5語言簡介
1. 1. 1 Matlab的產(chǎn)生背景及主要產(chǎn)品
1. 1. 2 Matlab的語言特點
1. 1. 3 Matlab 6. 5的新特點
1. 2 神經(jīng)網(wǎng)絡的發(fā)展和應用
1. 2. 1 神經(jīng)網(wǎng)絡的發(fā)展
1. 2. 2 神經(jīng)網(wǎng)絡的研究內容
1. 2. 3 神經(jīng)網(wǎng)絡的應用
1. 3 神經(jīng)網(wǎng)絡模型
1. 3. 1 生物神經(jīng)元模型
1. 3. 2 神經(jīng)元模型
1. 3. 3 神經(jīng)元網(wǎng)絡模型
1. 4 神經(jīng)網(wǎng)絡工具箱概述
第2章 感知器
2. 1 感知器神經(jīng)網(wǎng)絡模型結構
2. 1. 1 神經(jīng)元模型
2. 1. 2 網(wǎng)絡結構
2. 2 感知器神經(jīng)網(wǎng)絡的構建
2. 2. 1 生成網(wǎng)絡
2. 2. 2 網(wǎng)絡仿真
2. 2. 3 網(wǎng)絡初始化
2. 3 感知器神經(jīng)網(wǎng)絡的學習和訓練
2. 3. 1 學習規(guī)則
2. 3. 2 網(wǎng)絡訓練
2. 4 感知器網(wǎng)絡的局限性
2. 4. 1 標準化感知器學習規(guī)則
2. 4. 2 多層感知器
2. 5 感知器網(wǎng)絡設計實例
2. 5. 1 二輸入感知器分類問題
2. 5. 2 輸入奇異樣本對網(wǎng)絡訓練的影響
2. 5. 3 線性不可分輸入量
第3章 線性神經(jīng)網(wǎng)絡
3. 1 線性神經(jīng)網(wǎng)絡結構
3. 1. 1 神經(jīng)元模型
3. 1. 2 網(wǎng)絡結構
3. 2 線性神經(jīng)網(wǎng)絡的構建
3. 2. 1 生成線性神經(jīng)元
3. 2. 2 線性系統(tǒng)設計
3. 2. 3 線性濾波器
3. 3 線性神經(jīng)網(wǎng)絡的學習和訓練
3. 3. 1 均方誤差
3. 3. 2 LMS算法
3. 3. 3 網(wǎng)絡訓練
3. 4 線性網(wǎng)絡的局限性
3. 4. 1 超定系統(tǒng)
3. 4. 2 不定系統(tǒng)
3. 4. 3 線性相關向量
3. 4. 4 學習速率過大
3. 5 線性神經(jīng)網(wǎng)絡應用實例分析
3. 5. 1 應用線性網(wǎng)絡進行預測
3. 5. 2 自適應預測
3. 5. 3 線性系統(tǒng)辨識
3. 5. 4 自適應系統(tǒng)辨識
第四章 BP網(wǎng)絡
4. 1 BP網(wǎng)絡模型結構
4. 1. 1 神經(jīng)元模型
4. 1. 2 前饋型神經(jīng)網(wǎng)絡結構
4. 2 BP神經(jīng)網(wǎng)絡的構建
4. 3 BP神經(jīng)網(wǎng)絡的訓練
4. 3. 1 BP算法
4. 3. 2 BP網(wǎng)絡批處理訓練模式
4. 4 BP網(wǎng)絡的局限性
4. 5 BP網(wǎng)絡應用實例分析
4. 5. 1 函數(shù)逼近
4. 5. 2 膽固醇含量估計
4. 5. 3 模式識別
第5章 徑向基函數(shù)網(wǎng)絡
5. 1 徑向基函數(shù)網(wǎng)絡模型
5. 1. 1 徑向基函數(shù)神經(jīng)元模型
5. 1. 2 徑向基函數(shù)網(wǎng)絡的結構
5. 1. 3 徑向基函數(shù)網(wǎng)絡的工作原理
5. 2 徑向基函數(shù)網(wǎng)絡的構建
5. 2. 1 徑向基函數(shù)網(wǎng)絡的嚴格設計
5. 2. 2 更有效的徑向基函數(shù)網(wǎng)絡的設計
5. 3 廣義回歸神經(jīng)網(wǎng)絡
5. 3. 1 GRNN網(wǎng)絡結構
5. 3. 2 GRNN網(wǎng)絡的工作原理
5. 3. 3 GRNN網(wǎng)絡設計
5. 4 概率神經(jīng)網(wǎng)絡
5. 4. 1 PNN網(wǎng)絡結構
5. 4. 2 PNN網(wǎng)絡的工作原理
5. 4. 3 概率神經(jīng)網(wǎng)絡的設計
5. 5 徑向基函數(shù)網(wǎng)絡的應用實例
5. 5. 1 函數(shù)逼近
5. 5. 2 散布常數(shù)對徑向基函數(shù)網(wǎng)絡設計的影響
5. 5. 3 應用GRNN進行函數(shù)逼近
5. 5. 4 應用PNN進行變量分類
第6章 反饋型神經(jīng)網(wǎng)絡
6. 1 Hopfield網(wǎng)絡
6. 1. 1 離散Hopfield網(wǎng)絡 DHNN
6. 1. 2 連續(xù)Hopfield網(wǎng)絡 CHNN
6. 1. 3 Hopfield網(wǎng)絡模型結構
6. 1. 4 Hopfield網(wǎng)絡的設計
6. 2 Elman神經(jīng)網(wǎng)絡
6. 2. 1 構建Elman網(wǎng)絡
6. 2. 2 網(wǎng)絡仿真
6. 2. 3 Elman神經(jīng)網(wǎng)絡訓練
6. 3 反饋網(wǎng)絡應用實例分析
6. 3. 1 二神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡設計
6. 3. 2 Hopfield網(wǎng)絡的不穩(wěn)定性
6. 3. 3 三神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡設計
6. 3. 4 應用Elman網(wǎng)絡進行振幅檢測
第7章 競爭型神經(jīng)網(wǎng)絡
7. 1 自組織競爭神經(jīng)網(wǎng)絡
7. 1. 1 幾種聯(lián)想學習規(guī)則
7. 1. 2 自組織競爭神經(jīng)網(wǎng)絡的結構
7. 1. 3 自組織競爭神經(jīng)網(wǎng)絡的設計
7. 2 自組織特征映射神經(jīng)網(wǎng)絡
7. 2. 1 SOFM網(wǎng)絡模型
7. 2. 2 SOFM網(wǎng)絡結構
7. 2. 3 SOFM的構建
7. 2. 4 SOFM網(wǎng)絡的訓練
7. 3 學習矢量量化神經(jīng)網(wǎng)絡 LVQ
7. 3. 1 LVQ網(wǎng)絡結構
7. 3. 2 LVQ網(wǎng)絡建立
7. 3. 3 LVQ網(wǎng)絡學習和訓練
7. 4 實例分析
7. 4. 1 自組織競爭網(wǎng)絡在模式分類中的應用
7. 4. 2 一維自組織特征映射網(wǎng)絡設計
7. 4. 3 二維自組織特征映射網(wǎng)絡設計
7. 4. 4 LVQ模式分類網(wǎng)絡設計
第8章 神經(jīng)網(wǎng)絡控制系統(tǒng)
8. 1 神經(jīng)網(wǎng)絡模型預測控制
8. 1. 1 系統(tǒng)辨識
8. 1. 2 預測控制
8. 1. 3 神經(jīng)網(wǎng)絡模型預測控制器實例分析
8. 2 NARMA-L2 反饋線性化 控制
8. 2. 1 NARMA-L2模型辨識
8. 2. 2 NARMA-L2控制器
8. 2. 3 NARMA-L2控制器實例分析
8. 3 模型參考控制
8. 3. 1 模型參考控制理論
8. 3. 2 模型參考控制實例分析
第9章 圖形用戶界面
9. 1 網(wǎng)絡的創(chuàng)建
9. 1. 1 設置輸入和期望輸出
9. 1. 2 網(wǎng)絡生成
9. 2 網(wǎng)絡的訓練仿真
9. 2. 1 網(wǎng)絡訓練
9. 2. 2 網(wǎng)絡仿真
9. 3 GUI的數(shù)據(jù)處理
9. 3. 1 GUI導出數(shù)據(jù)到Matlab工作空間
9. 3. 2 GUI的數(shù)據(jù)清除
9. 3. 3 GUI從Matlab工作空間導入數(shù)據(jù)
9. 3. 4 GUI數(shù)據(jù)文件的存取
第10章 Simulink
10. 1 Simulink交互式仿真集成環(huán)境
10. 1. 1 Simulink模型的創(chuàng)建
10. 1. 2 Simulink仿真
10. 1. 3 Simulink簡單實例演示
10. 2 Simulink神經(jīng)網(wǎng)絡模塊
10. 2. 1 傳遞函數(shù)模塊
10. 2. 2 網(wǎng)絡輸入模塊
10. 2. 3 權值設置模塊
10. 2. 4 控制系統(tǒng)模塊
10. 3 神經(jīng)網(wǎng)絡Simulink模型設計
10. 3. 1 模型構建
10. 3. 2 模型仿真
10. 3. 3 進一步試驗
第11章 自定義神經(jīng)網(wǎng)絡
11. 1 自定義網(wǎng)絡
11. 1. 1 定制網(wǎng)絡
11. 1. 2 網(wǎng)絡設計
11. 1. 3 網(wǎng)絡訓練
11. 2 自定義函數(shù)
11. 2. 1 仿真函數(shù)
11. 2. 2 初始化函數(shù)
11. 2. 3 學習函數(shù)
11. 2. 4 自組織映射函數(shù)
附錄 神經(jīng)網(wǎng)絡工具箱函數(shù)