MATLAB R2016a神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用28個(gè)案例分析（精通MATLAB）

第1章線性神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用

1.1系統(tǒng)辨識的MATLAB實(shí)現(xiàn)

1.2自適應(yīng)系統(tǒng)辨識的MATLAB實(shí)現(xiàn)

1.3線性系統(tǒng)預(yù)測的MATLAB實(shí)現(xiàn)

1.4線性神經(jīng)網(wǎng)絡(luò)用于消噪處理的MATLAB實(shí)現(xiàn)

第2章神經(jīng)網(wǎng)絡(luò)預(yù)測的實(shí)例分析

2.1地震預(yù)報(bào)的MATLAB實(shí)現(xiàn)

2.1.1概述

2.1.2地震預(yù)報(bào)的MATLAB實(shí)例分析

2.2交通運(yùn)輸能力預(yù)測的MATLAB實(shí)現(xiàn)

2.2.1概述

2.2.2交通運(yùn)輸能力預(yù)測的MATLAB實(shí)例分析

2.3農(nóng)作物蟲情預(yù)測的MATLAB實(shí)現(xiàn)

2.3.1概述

2.3.2農(nóng)作物蟲情預(yù)測的MATLAB實(shí)例分析

2.4基于概率神經(jīng)網(wǎng)絡(luò)的故障診斷

2.4.1概述

2.4.2基于PNN的故障診斷實(shí)例分析

2.5基于BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)的齒輪箱故障診斷

2.5.1概述

2.5.2基于BP網(wǎng)絡(luò)的齒輪箱故障診斷實(shí)例分析

2.5.3基于Elman網(wǎng)絡(luò)的齒輪箱故障診斷實(shí)例分析

2.6基于RBF網(wǎng)絡(luò)的船用柴油機(jī)故障診斷

2.6.1概述

2.6.2基于RBF網(wǎng)絡(luò)的船用柴油機(jī)故障診斷實(shí)例分析

第3章BP網(wǎng)絡(luò)算法分析與工程應(yīng)用

3.1數(shù)值優(yōu)化的BP網(wǎng)絡(luò)訓(xùn)練算法

3.1.1擬牛頓法

3.1.2共軛梯度法

3.1.3LevenbergMarquardt法

3.2BP網(wǎng)絡(luò)的工程應(yīng)用

3.2.1BP網(wǎng)絡(luò)在分類中的應(yīng)用

3.2.2函數(shù)逼近

3.2.3BP網(wǎng)絡(luò)用于膽固醇含量的估計(jì)

3.2.4模式識別

第4章神經(jīng)網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

4.1Elman神經(jīng)網(wǎng)絡(luò)

4.1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4.1.2Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1.3Elman神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)

4.2Boltzmann機(jī)網(wǎng)絡(luò)

4.2.1BM網(wǎng)絡(luò)結(jié)構(gòu)

4.2.2BM網(wǎng)絡(luò)的規(guī)則

4.2.3用BM網(wǎng)絡(luò)解TSP

4.2.4BM網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)

4.3BSB模型

4.3.1BSB神經(jīng)模型概述

4.3.2BSB的MATLAB實(shí)現(xiàn)

第5章預(yù)測控制算法分析與實(shí)現(xiàn)

5.1系統(tǒng)辨識

5.2自校正控制

5.2.1單步輸出預(yù)測

5.2.2最小方差控制

5.2.3最小方差間接自校正控制

5.2.4最小方差直接自校正控制

5.3自適應(yīng)控制

5.3.1MIT自適應(yīng)律

5.3.2MIT歸一化算法

第6章改進(jìn)的廣義預(yù)測控制算法分析與實(shí)現(xiàn)

6.1預(yù)測控制

6.1.1基于CARIMA模型的JGPC

6.1.2基于CARMA模型的JGPC

6.2神經(jīng)網(wǎng)絡(luò)預(yù)測控制的MATLAB實(shí)現(xiàn)

第7章SOFM網(wǎng)絡(luò)算法分析與應(yīng)用

7.1SOFM網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)

7.2SOFM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

7.3SOFM網(wǎng)絡(luò)學(xué)習(xí)算法

7.4SOFM網(wǎng)絡(luò)的訓(xùn)練過程

7.5SOFM網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)

7.6SOFM網(wǎng)絡(luò)在實(shí)際工程中的應(yīng)用

7.6.1SOFM網(wǎng)絡(luò)在人口分類中的應(yīng)用

7.6.2SOFM網(wǎng)絡(luò)在土壤分類中的應(yīng)用

第8章幾種網(wǎng)絡(luò)算法分析與應(yīng)用

8.1競爭型神經(jīng)網(wǎng)絡(luò)的概念與原理

8.1.1競爭型神經(jīng)網(wǎng)絡(luò)的概念

8.1.2競爭型神經(jīng)網(wǎng)絡(luò)的原理

8.2幾種聯(lián)想學(xué)習(xí)規(guī)則

8.2.1內(nèi)星學(xué)習(xí)規(guī)則

8.2.2外星學(xué)習(xí)規(guī)則

8.2.3科荷倫學(xué)習(xí)規(guī)則

第9章Hopfield神經(jīng)網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

9.1離散Hopfield神經(jīng)網(wǎng)絡(luò)

9.1.1網(wǎng)絡(luò)的結(jié)構(gòu)與工作方式

9.1.2吸引子與能量函數(shù)

9.1.3網(wǎng)絡(luò)的權(quán)值設(shè)計(jì)

9.2連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)

9.3聯(lián)想記憶

9.3.1聯(lián)想記憶網(wǎng)絡(luò)

9.3.2聯(lián)想記憶網(wǎng)絡(luò)的改進(jìn)

9.4Hopfield神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)

第10章學(xué)習(xí)向量量化與對向傳播網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

10.1學(xué)習(xí)向量量化網(wǎng)絡(luò)

10.1.1LVQ網(wǎng)絡(luò)模型

10.1.2LVQ網(wǎng)絡(luò)學(xué)習(xí)算法

10.1.3LVQ網(wǎng)絡(luò)學(xué)習(xí)的MATLAB實(shí)現(xiàn)

10.2對向傳播網(wǎng)絡(luò)

10.2.1對向傳播網(wǎng)絡(luò)概述

10.2.2CPN網(wǎng)絡(luò)學(xué)習(xí)及規(guī)則

10.2.3對向傳播網(wǎng)絡(luò)的實(shí)際應(yīng)用

第11章NARMAL2控制算法分析與實(shí)現(xiàn)

11.1反饋線性化控制系統(tǒng)原理

11.2反饋線性控制的MATLAB實(shí)現(xiàn)

11.3NARMAL2控制器原理及實(shí)例分析

11.3.1NARMAL2控制器原理

11.3.2NARMAL2控制器實(shí)例分析

第12章神經(jīng)網(wǎng)絡(luò)函數(shù)及其導(dǎo)函數(shù)

12.1神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)

12.2神經(jīng)網(wǎng)絡(luò)的輸入函數(shù)及其導(dǎo)函數(shù)

12.3神經(jīng)網(wǎng)絡(luò)的性能函數(shù)及其導(dǎo)函數(shù)

12.3.1性能函數(shù)

12.3.2性能函數(shù)的導(dǎo)函數(shù)

第13章Simulink神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

13.1Simulink交互式仿真集成環(huán)境

13.1.1Simulink模型創(chuàng)建

13.1.2Simulink建模操作

13.1.3Simulink參數(shù)設(shè)置

13.1.4簡單的Simulink例子

13.2Simulink神經(jīng)網(wǎng)絡(luò)模塊

13.2.1傳遞函數(shù)模塊庫

13.2.2網(wǎng)絡(luò)輸入模塊庫

13.2.3權(quán)值設(shè)置模塊庫

13.2.4處理模塊庫

13.2.5控制系統(tǒng)模塊庫

13.3Simulink神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

13.3.1模型構(gòu)建

13.3.2模型仿真

13.3.3修改信號源

第14章BP神經(jīng)元模型與應(yīng)用案例

14.1BP神經(jīng)元及其模型

14.2BP網(wǎng)絡(luò)的學(xué)習(xí)

14.2.1BP網(wǎng)絡(luò)學(xué)習(xí)算法

14.2.2BP網(wǎng)絡(luò)學(xué)習(xí)算法的比較

14.3BP網(wǎng)絡(luò)的局限性

14.4BP網(wǎng)絡(luò)的MATLAB程序應(yīng)用舉例

14.4.1BP網(wǎng)絡(luò)設(shè)計(jì)的基本方法

14.4.2BP網(wǎng)絡(luò)應(yīng)用舉例

第15章自適應(yīng)共振網(wǎng)絡(luò)算法分析與應(yīng)用

15.1ART1網(wǎng)絡(luò)

15.1.1網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

15.1.2ATR1網(wǎng)絡(luò)運(yùn)行過程

15.1.3ATR1學(xué)習(xí)算法

15.1.4ART1網(wǎng)絡(luò)應(yīng)用

15.2ART2網(wǎng)絡(luò)

15.2.1網(wǎng)絡(luò)結(jié)構(gòu)與運(yùn)行原理

15.2.2網(wǎng)絡(luò)的數(shù)學(xué)模型與學(xué)習(xí)算法

15.2.3ART2網(wǎng)絡(luò)在系統(tǒng)辨識中的應(yīng)用

第16章徑向基網(wǎng)絡(luò)算法分析與應(yīng)用

16.1正則化理論及正則化RBF網(wǎng)絡(luò)

16.1.1正則化理論

16.1.2正則化RBF網(wǎng)絡(luò)

16.2徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

16.2.1徑向基神經(jīng)元模型

16.2.2徑向基神經(jīng)網(wǎng)絡(luò)模型

16.3徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

16.4徑向基神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用

16.4.1函數(shù)逼近

16.4.2散布常數(shù)對徑向基網(wǎng)絡(luò)的影響

16.5廣義回歸神經(jīng)網(wǎng)絡(luò)

16.5.1GRNN網(wǎng)絡(luò)結(jié)構(gòu)

16.5.2GRNN網(wǎng)絡(luò)工作原理

16.6概率神經(jīng)網(wǎng)絡(luò)

16.6.1PNN網(wǎng)絡(luò)結(jié)構(gòu)

16.6.2PNN網(wǎng)絡(luò)工作原理

16.6.3應(yīng)用PNN進(jìn)行變量分類

第17章感知器算法分析與實(shí)現(xiàn)

17.1單層感知器模型

17.2單層感知器的學(xué)習(xí)算法

17.3感知器的局限性

17.4單層感知器神經(jīng)網(wǎng)絡(luò)的MATLAB仿真

17.4.1感知器神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基本方法

17.4.2單層感知器神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例

17.5多層感知器神經(jīng)網(wǎng)絡(luò)及其MATLAB仿真

17.5.1多層感知器神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法

17.5.2多層感知器神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例

17.6用于線性分類問題的進(jìn)一步討論

17.6.1決策函數(shù)與決策邊界

17.6.2感知器的決策函數(shù)與決策邊界

第18章線性網(wǎng)絡(luò)與BP網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用

18.1線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

18.1.1創(chuàng)建函數(shù)及其應(yīng)用

18.1.2學(xué)習(xí)函數(shù)及其應(yīng)用

18.1.3性能函數(shù)及其應(yīng)用

18.1.4權(quán)積函數(shù)及其應(yīng)用

18.1.5初始化函數(shù)

18.2BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

18.2.1創(chuàng)建函數(shù)及其應(yīng)用

18.2.2傳遞函數(shù)及其應(yīng)用

18.2.3學(xué)習(xí)函數(shù)及其應(yīng)用

18.2.4性能函數(shù)及其應(yīng)用

18.2.5訓(xùn)練函數(shù)及其應(yīng)用

18.2.6顯示函數(shù)及其應(yīng)用

第19章BP網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

19.1BP神經(jīng)網(wǎng)絡(luò)模型

19.2BP神經(jīng)網(wǎng)絡(luò)算法

19.2.1SDBP算法

19.2.2MOBP算法

19.2.3VLBP算法

19.2.4RPROP算法

19.2.5CGBP算法

19.3BP網(wǎng)絡(luò)設(shè)計(jì)

19.4BP神經(jīng)網(wǎng)絡(luò)局限性

19.5BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)

19.5.1附加動(dòng)量法

19.5.2有自適應(yīng)lr的梯度下降法

19.5.3彈性梯度下降法

第20章自組織網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用

20.1創(chuàng)建函數(shù)

20.2傳遞函數(shù)

20.3距離函數(shù)

20.4學(xué)習(xí)函數(shù)

20.5初始化函數(shù)

20.6訓(xùn)練函數(shù)

20.7顯示函數(shù)

20.8權(quán)值函數(shù)

20.9結(jié)構(gòu)函數(shù)

第21章線性網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

21.1線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

21.2線性神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

21.3線性神經(jīng)網(wǎng)絡(luò)訓(xùn)練

21.4線性神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)

21.5線性神經(jīng)網(wǎng)絡(luò)的局限性

21.5.1超定系統(tǒng)

21.5.2不定系統(tǒng)

21.5.3線性相關(guān)向量

21.5.4學(xué)習(xí)速率過大

第22章神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用

22.1徑向基神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

22.1.1創(chuàng)建函數(shù)

22.1.2變換函數(shù)

22.1.3傳遞函數(shù)

22.1.4距離函數(shù)

22.2Hopfield神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

22.2.1傳輸函數(shù)

22.2.2學(xué)習(xí)函數(shù)

22.3Elman神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

22.4學(xué)習(xí)向量量化網(wǎng)絡(luò)工具箱函數(shù)

22.4.1創(chuàng)建函數(shù)

22.4.2顯示函數(shù)

第23章感知器網(wǎng)絡(luò)算法分析與實(shí)現(xiàn)

23.1單層感知器

23.1.1單層感知器模型

23.1.2感知器功能

23.1.3網(wǎng)絡(luò)結(jié)構(gòu)

23.1.4感知器算法

23.1.5網(wǎng)絡(luò)的訓(xùn)練

23.1.6單層感知器實(shí)現(xiàn)

23.1.7感知器局限性

23.2多層感知器

23.2.1多層感知器介紹

23.2.2多層感知器實(shí)現(xiàn)

23.3感知器神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)