MATLAB神經(jīng)網(wǎng)絡應用設計（第2版）

前言
第1章 MATLAB及神經(jīng)網(wǎng)絡的概述
1.1 MATLAB簡介
1.1.1 MATLAB的發(fā)展史
1.1.2 MATLAB的主要功能
1.1.3 MATLAB的語言特點
1.1.4 MATLAB R2011a新功能
1.2 MATLAB工作環(huán)境
1.2.1 命令窗口
1.2.2 歷史窗口
1.2.3 工作空間
1.2.4 數(shù)組編輯窗口
1.2.5 當前文件夾
1.2.6 搜索路徑
1.3 幫助系統(tǒng)
1.3.1 文本格式幫助文件
1.3.2 PDF格式幫助文件
1.3.3 幫助交互界面
1.4 MATLAB的通用命令
1.5 MATLAB的數(shù)值
1.6 MATLAB的變量
1.7 MATLAB矩陣處理
1.7.1 矩陣的操作
1.7.2 矩陣與數(shù)組區(qū)別
1.8 M文件
1.8.1 腳本文件
1.8.2 函數(shù)文件
1.8.3 M文件的組成
1.9 MATLAB的流程控制結(jié)構(gòu)
1.9.1 分支結(jié)構(gòu)
1.9.2 循環(huán)結(jié)構(gòu)
1.9.3 continue結(jié)構(gòu)
1.9.4 break結(jié)構(gòu)
1.10 神經(jīng)網(wǎng)絡的基本概念
1.10.1 生物神經(jīng)元的結(jié)構(gòu)與功能特點
1.10.2 人工神經(jīng)元模型
1.10.3 神經(jīng)網(wǎng)絡的結(jié)構(gòu)及工作方式
1.10.4 神經(jīng)元的數(shù)學模型
1.10.5 神經(jīng)元的網(wǎng)絡模型
1.10.6 神經(jīng)網(wǎng)絡的學習
1.11 神經(jīng)網(wǎng)絡的特點
1.12 神經(jīng)網(wǎng)絡的發(fā)展
1.13 神經(jīng)網(wǎng)絡的研究內(nèi)容
1.14 神經(jīng)網(wǎng)絡的應用
第2章 神經(jīng)網(wǎng)絡工具箱函數(shù)
2.1 感知器神經(jīng)網(wǎng)絡工具箱函數(shù)
2.1.1 創(chuàng)建函數(shù)
2.1.2 初始化函數(shù)
2.1.3 顯示函數(shù)
2.1.4 仿真函數(shù)
2.1.5 性能函數(shù)
2.1.6 訓練函數(shù)
2.1.7 學習函數(shù)
2.1.8 傳遞函數(shù)
2.2 線性神經(jīng)網(wǎng)絡工具箱函數(shù)
2.2.1 創(chuàng)建函數(shù)
2.2.2 學習函數(shù)
2.2.3 傳輸函數(shù)
2.2.4 權(quán)積函數(shù)
2.2.5 初始化函數(shù)
2.3 BP神經(jīng)網(wǎng)絡工具箱函數(shù)
2.3.1 創(chuàng)建函數(shù)
2.3.2 傳遞函數(shù)
2.3.3 MATLAB的發(fā)展史學習函數(shù)
2.3.4 性能函數(shù)
2.3.5 訓練函數(shù)
2.3.6 顯示函數(shù)
2.4 徑向基神經(jīng)網(wǎng)絡工具箱函數(shù)
2.4.1 創(chuàng)建函數(shù)
2.4.2 變換函數(shù)
2.4.3 傳遞函數(shù)
2.4.4 距離函數(shù)
2.5 自組織神經(jīng)網(wǎng)絡工具箱函數(shù)
2.5.1 創(chuàng)建函數(shù)
2.5.2 傳遞函數(shù)
2.5.3 距離函數(shù)
2.5.4 學習函數(shù)
2.5.5 初始化函數(shù)
2.5.6 訓練函數(shù)
2.5.7 顯示函數(shù)
2.5.8 權(quán)值函數(shù)
2.5.9 結(jié)構(gòu)函數(shù)
2.6 Hopfileld神經(jīng)網(wǎng)絡工具箱函數(shù)
2.6.1 傳遞函數(shù)
2.6.2 學習函數(shù)
2.7 Elman神經(jīng)網(wǎng)絡的工具箱函數(shù)
2.8 向量量化神經(jīng)網(wǎng)絡工具箱函數(shù)
2.8.1 創(chuàng)建函數(shù)
2.8.2 顯示函數(shù)
第3章 前向型神經(jīng)網(wǎng)絡
3.1 感知器神經(jīng)網(wǎng)絡
3.1.1 單層感知器
3.1.2 多層感知器
3.1.3 感知器神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)
3.2 線性神經(jīng)網(wǎng)絡
3.2.1 線性神經(jīng)網(wǎng)絡結(jié)構(gòu)
3.2.2 線性神經(jīng)網(wǎng)絡學習
3.2.3 線性神經(jīng)網(wǎng)絡訓練
3.2.4 線性神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)
3.2.5 線性神經(jīng)網(wǎng)絡的局限性
3.2.6 線性神經(jīng)網(wǎng)絡的工程應用
3.3 BP神經(jīng)網(wǎng)絡
3.3.1 BP神經(jīng)網(wǎng)絡模型
3.3.2 BP神經(jīng)網(wǎng)絡算法
3.3.3 BP網(wǎng)絡設計
3.3.4 BP神經(jīng)網(wǎng)絡局限性
3.3.5 BP神經(jīng)網(wǎng)絡算法改進
3.3.6 數(shù)值優(yōu)化的BP網(wǎng)絡訓練算法
3.3.7 BP神經(jīng)網(wǎng)絡的工程應用
3.4 徑向基神經(jīng)網(wǎng)絡
3.4.1 正則化理論及正則化RBF網(wǎng)絡
3.4.2 徑向基神經(jīng)網(wǎng)絡結(jié)構(gòu)
3.4.3 徑向基神經(jīng)網(wǎng)絡學習
3.4.4 徑向基神經(jīng)網(wǎng)絡的工程應用
3.4.5 廣義回歸神經(jīng)網(wǎng)絡
3.4.6 概率神經(jīng)網(wǎng)絡
第4章 反饋型神經(jīng)網(wǎng)絡
4.1 反饋網(wǎng)絡的概念
4.2 Hopfield神經(jīng)網(wǎng)絡
4.2.1 離散Hopfield網(wǎng)絡（DHNN）
4.2.2 連續(xù)Hopfield神經(jīng)網(wǎng)絡
4.2.3 聯(lián)想記憶
4.2.4 Hopfield神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)
4.3 Elman神經(jīng)網(wǎng)絡
4.3.1 Elman神經(jīng)網(wǎng)絡結(jié)構(gòu)
4.3.2 Elman神經(jīng)網(wǎng)絡的訓練
4.3.3 Elman神經(jīng)網(wǎng)絡MATLAB實現(xiàn)
4.4 Boltzmann機網(wǎng)絡
4.4.1 BM網(wǎng)絡結(jié)構(gòu)
4.4.2 BM網(wǎng)絡的規(guī)則
4.4.3 用BM網(wǎng)絡解TSP
4.4.4 Boltzmann機網(wǎng)絡的MATLAB實現(xiàn)
4.5 雙向聯(lián)想記憶神經(jīng)網(wǎng)絡
4.5.1 BAM網(wǎng)絡結(jié)構(gòu)與原理
4.5.2 能量函數(shù)與穩(wěn)定性分析
4.5.3 BAM網(wǎng)絡的權(quán)值設計
4.5.4 BAM網(wǎng)絡的應用
4.6 BSB模型
4.6.1 BSB網(wǎng)絡模型概述
4.6.2 BSB的MATLAB實現(xiàn)
第5章 競爭型神經(jīng)網(wǎng)絡
5.1 競爭型神經(jīng)網(wǎng)絡的概念與原理
5.1.1 競爭型神經(jīng)網(wǎng)絡概念
5.1.2 競爭型神經(jīng)網(wǎng)絡的原理
5.2 幾種聯(lián)想學習規(guī)則
5.2.1 內(nèi)星學習規(guī)則
5.2.2 外星學習規(guī)則
5.2.3 科荷倫（Kohonen）學習規(guī)則
5.3 自組織競爭神經(jīng)網(wǎng)絡模型
5.3.1 自組織競爭網(wǎng)絡結(jié)構(gòu)
5.3.2 自組織競爭網(wǎng)絡學習規(guī)則
5.3.3 網(wǎng)絡訓練
5.3.4 競爭型網(wǎng)絡存在的問題
5.3.5 競爭型網(wǎng)絡的工程應用
5.4 自組織特征映射神經(jīng)網(wǎng)絡
5.4.1 SOFM網(wǎng)絡的生物學基礎
5.4.2 SOFM網(wǎng)絡的拓撲結(jié)構(gòu)
5.4.3 SOFM網(wǎng)絡學習算法
5.4.4 SOFM網(wǎng)絡的訓練過程
5.4.5 SOFM網(wǎng)絡的MATLAB實現(xiàn)
5.4.6 SOFM網(wǎng)絡在實際工程中的應用
5.5 自適應共振網(wǎng)絡
5.5.1 ART-1網(wǎng)絡
5.5.2 ART-2網(wǎng)絡
5.6 學習向量量化神經(jīng)網(wǎng)絡
5.6.1 LVQ網(wǎng)絡模型
5.6.2 LVQ網(wǎng)絡學習算法
5.6.3 LVQ網(wǎng)絡學習MATLAB實現(xiàn)
5.7 對向傳播網(wǎng)絡
5.7.1 對向傳播網(wǎng)絡概述
5.7.2 CPN網(wǎng)絡學習及規(guī)則
5.7.3 對向傳播網(wǎng)絡實際應用
第6章 神經(jīng)網(wǎng)絡的控制系統(tǒng)預測及診斷
6.1 神經(jīng)網(wǎng)絡的預測控制
6.1.1 系統(tǒng)辨識
6.1.2 自校正控制
6.1.3 自適應控制
6.1.4 預測控制
6.1.5 神經(jīng)網(wǎng)絡的預測控制MATLAB實現(xiàn)
6.2 NARMA-L2（反饋線性化）控制
6.2.1 NARMA-L2原理
6.2.2 NARMA-L2控制MATLAB實現(xiàn)
6.2.3 NARMA-L2控制器實例分析
6.3 地震預報的MATLAB實現(xiàn)
6.3.1 概述
6.3.2 地震預報的MATLAB實例分析
6.4 交通運輸能力預測的MATLAB實現(xiàn)
6.4.1 概述
6.4.2 交通運輸能力預測的MATLAB實例分析
6.5 農(nóng)作物蟲情預測的MATLAB實現(xiàn)
6.5.1 概述
6.5.2 農(nóng)作物蟲情預測MATLAB實例分析
6.6 基于概率神經(jīng)網(wǎng)絡的故障診斷
6.6.1 概述
6.6.2 基于PNN的故障診斷實例分析
6.7 基于BP網(wǎng)絡和Elman網(wǎng)絡的齒輪箱故障診斷
6.7.1 概述
6.7.2 基于 BP網(wǎng)絡的齒輪箱故障診斷實例分析
6.7.3 Elman網(wǎng)絡的齒輪箱故障診斷實例分析
6.8 基于RBF網(wǎng)絡的船用柴油機故障診斷
6.8.1 概述
6.8.2 基于RBF網(wǎng)絡的船用柴油機故障診斷實例分析
第7章 神經(jīng)網(wǎng)絡圖形用戶接口
7.1 圖形用戶界面介紹
7.2 網(wǎng)絡設計
7.2.1 網(wǎng)絡輸入/輸出設置
7.2.2 創(chuàng)建網(wǎng)絡
7.3 網(wǎng)絡的訓練與仿真
7.3.1 網(wǎng)絡訓練
7.3.2 網(wǎng)絡仿真
7.4 GUI數(shù)據(jù)處理
7.4.1 GUI數(shù)據(jù)導出工作空間
7.4.2 工作空間到GUI數(shù)據(jù)導入
7.4.3 GUI數(shù)據(jù)清除
7.4.4 數(shù)據(jù)的存取
7.5 神經(jīng)網(wǎng)絡擬合工具箱的GUI
第8章 神經(jīng)網(wǎng)絡的Simulink
8.1 Simulink交互式仿真集成環(huán)境
8.1.1 Simulink模型的創(chuàng)建
8.1.2 Simulink建模操作
8.1.3 Simulink參數(shù)設置
8.1.4 簡單的Simulink例子
8.2 Simulink神經(jīng)網(wǎng)絡模塊
8.2.1 傳遞函數(shù)模塊庫
8.2.2 網(wǎng)絡輸入模塊庫
8.2.3 權(quán)值設置模塊庫
8.2.4 處理模塊庫
8.2.5 控制系統(tǒng)模塊庫
8.3 Simulink神經(jīng)網(wǎng)絡設計
8.3.1 模型構(gòu)建
8.3.2 模型仿真
8.3.3 修改信號源
第9章 自定義神經(jīng)網(wǎng)絡
9.1 自定義網(wǎng)絡
9.1.1 創(chuàng)建自定義網(wǎng)絡
9.1.2 網(wǎng)絡訓練
9.2 自定義函數(shù)
9.2.1 初始化函數(shù)
9.2.2 學習函數(shù)
9.2.3 仿真函數(shù)
9.2.4 自組織映射函數(shù)
參考文獻