MATLAB R2016a神經(jīng)網(wǎng)絡設計與應用28個案例分析（精通MATLAB）

第1章線性神經(jīng)網(wǎng)絡的工程應用

1.1系統(tǒng)辨識的MATLAB實現(xiàn)

1.2自適應系統(tǒng)辨識的MATLAB實現(xiàn)

1.3線性系統(tǒng)預測的MATLAB實現(xiàn)

1.4線性神經(jīng)網(wǎng)絡用于消噪處理的MATLAB實現(xiàn)

第2章神經(jīng)網(wǎng)絡預測的實例分析

2.1地震預報的MATLAB實現(xiàn)

2.1.1概述

2.1.2地震預報的MATLAB實例分析

2.2交通運輸能力預測的MATLAB實現(xiàn)

2.2.1概述

2.2.2交通運輸能力預測的MATLAB實例分析

2.3農(nóng)作物蟲情預測的MATLAB實現(xiàn)

2.3.1概述

2.3.2農(nóng)作物蟲情預測的MATLAB實例分析

2.4基于概率神經(jīng)網(wǎng)絡的故障診斷

2.4.1概述

2.4.2基于PNN的故障診斷實例分析

2.5基于BP網(wǎng)絡和Elman網(wǎng)絡的齒輪箱故障診斷

2.5.1概述

2.5.2基于BP網(wǎng)絡的齒輪箱故障診斷實例分析

2.5.3基于Elman網(wǎng)絡的齒輪箱故障診斷實例分析

2.6基于RBF網(wǎng)絡的船用柴油機故障診斷

2.6.1概述

2.6.2基于RBF網(wǎng)絡的船用柴油機故障診斷實例分析

第3章BP網(wǎng)絡算法分析與工程應用

3.1數(shù)值優(yōu)化的BP網(wǎng)絡訓練算法

3.1.1擬牛頓法

3.1.2共軛梯度法

3.1.3LevenbergMarquardt法

3.2BP網(wǎng)絡的工程應用

3.2.1BP網(wǎng)絡在分類中的應用

3.2.2函數(shù)逼近

3.2.3BP網(wǎng)絡用于膽固醇含量的估計

3.2.4模式識別

第4章神經(jīng)網(wǎng)絡算法分析與實現(xiàn)

4.1Elman神經(jīng)網(wǎng)絡

4.1.1Elman神經(jīng)網(wǎng)絡結構

4.1.2Elman神經(jīng)網(wǎng)絡的訓練

4.1.3Elman神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)

4.2Boltzmann機網(wǎng)絡

4.2.1BM網(wǎng)絡結構

4.2.2BM網(wǎng)絡的規(guī)則

4.2.3用BM網(wǎng)絡解TSP

4.2.4BM網(wǎng)絡的MATLAB實現(xiàn)

4.3BSB模型

4.3.1BSB神經(jīng)模型概述

4.3.2BSB的MATLAB實現(xiàn)

第5章預測控制算法分析與實現(xiàn)

5.1系統(tǒng)辨識

5.2自校正控制

5.2.1單步輸出預測

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自適應控制

5.3.1MIT自適應律

5.3.2MIT歸一化算法

第6章改進的廣義預測控制算法分析與實現(xiàn)

6.1預測控制

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)絡預測控制的MATLAB實現(xiàn)

第7章SOFM網(wǎng)絡算法分析與應用

7.1SOFM網(wǎng)絡的生物學基礎

7.2SOFM網(wǎng)絡的拓撲結構

7.3SOFM網(wǎng)絡學習算法

7.4SOFM網(wǎng)絡的訓練過程

7.5SOFM網(wǎng)絡的MATLAB實現(xiàn)

7.6SOFM網(wǎng)絡在實際工程中的應用

7.6.1SOFM網(wǎng)絡在人口分類中的應用

7.6.2SOFM網(wǎng)絡在土壤分類中的應用

第8章幾種網(wǎng)絡算法分析與應用

8.1競爭型神經(jīng)網(wǎng)絡的概念與原理

8.1.1競爭型神經(jīng)網(wǎng)絡的概念

8.1.2競爭型神經(jīng)網(wǎng)絡的原理

8.2幾種聯(lián)想學習規(guī)則

8.2.1內(nèi)星學習規(guī)則

8.2.2外星學習規(guī)則

8.2.3科荷倫學習規(guī)則

第9章Hopfield神經(jīng)網(wǎng)絡算法分析與實現(xiàn)

9.1離散Hopfield神經(jīng)網(wǎng)絡

9.1.1網(wǎng)絡的結構與工作方式

9.1.2吸引子與能量函數(shù)

9.1.3網(wǎng)絡的權值設計

9.2連續(xù)Hopfield神經(jīng)網(wǎng)絡

9.3聯(lián)想記憶

9.3.1聯(lián)想記憶網(wǎng)絡

9.3.2聯(lián)想記憶網(wǎng)絡的改進

9.4Hopfield神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)

第10章學習向量量化與對向傳播網(wǎng)絡算法分析與實現(xiàn)

10.1學習向量量化網(wǎng)絡

10.1.1LVQ網(wǎng)絡模型

10.1.2LVQ網(wǎng)絡學習算法

10.1.3LVQ網(wǎng)絡學習的MATLAB實現(xiàn)

10.2對向傳播網(wǎng)絡

10.2.1對向傳播網(wǎng)絡概述

10.2.2CPN網(wǎng)絡學習及規(guī)則

10.2.3對向傳播網(wǎng)絡的實際應用

第11章NARMAL2控制算法分析與實現(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實現(xiàn)

11.3NARMAL2控制器原理及實例分析

11.3.1NARMAL2控制器原理

11.3.2NARMAL2控制器實例分析

第12章神經(jīng)網(wǎng)絡函數(shù)及其導函數(shù)

12.1神經(jīng)網(wǎng)絡的學習函數(shù)

12.2神經(jīng)網(wǎng)絡的輸入函數(shù)及其導函數(shù)

12.3神經(jīng)網(wǎng)絡的性能函數(shù)及其導函數(shù)

12.3.1性能函數(shù)

12.3.2性能函數(shù)的導函數(shù)

第13章Simulink神經(jīng)網(wǎng)絡設計

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)設置

13.1.4簡單的Simulink例子

13.2Simulink神經(jīng)網(wǎng)絡模塊

13.2.1傳遞函數(shù)模塊庫

13.2.2網(wǎng)絡輸入模塊庫

13.2.3權值設置模塊庫

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)絡設計

13.3.1模型構建

13.3.2模型仿真

13.3.3修改信號源

第14章BP神經(jīng)元模型與應用案例

14.1BP神經(jīng)元及其模型

14.2BP網(wǎng)絡的學習

14.2.1BP網(wǎng)絡學習算法

14.2.2BP網(wǎng)絡學習算法的比較

14.3BP網(wǎng)絡的局限性

14.4BP網(wǎng)絡的MATLAB程序應用舉例

14.4.1BP網(wǎng)絡設計的基本方法

14.4.2BP網(wǎng)絡應用舉例

第15章自適應共振網(wǎng)絡算法分析與應用

15.1ART1網(wǎng)絡

15.1.1網(wǎng)絡系統(tǒng)結構

15.1.2ATR1網(wǎng)絡運行過程

15.1.3ATR1學習算法

15.1.4ART1網(wǎng)絡應用

15.2ART2網(wǎng)絡

15.2.1網(wǎng)絡結構與運行原理

15.2.2網(wǎng)絡的數(shù)學模型與學習算法

15.2.3ART2網(wǎng)絡在系統(tǒng)辨識中的應用

第16章徑向基網(wǎng)絡算法分析與應用

16.1正則化理論及正則化RBF網(wǎng)絡

16.1.1正則化理論

16.1.2正則化RBF網(wǎng)絡

16.2徑向基神經(jīng)網(wǎng)絡結構

16.2.1徑向基神經(jīng)元模型

16.2.2徑向基神經(jīng)網(wǎng)絡模型

16.3徑向基神經(jīng)網(wǎng)絡學習

16.4徑向基神經(jīng)網(wǎng)絡的工程應用

16.4.1函數(shù)逼近

16.4.2散布常數(shù)對徑向基網(wǎng)絡的影響

16.5廣義回歸神經(jīng)網(wǎng)絡

16.5.1GRNN網(wǎng)絡結構

16.5.2GRNN網(wǎng)絡工作原理

16.6概率神經(jīng)網(wǎng)絡

16.6.1PNN網(wǎng)絡結構

16.6.2PNN網(wǎng)絡工作原理

16.6.3應用PNN進行變量分類

第17章感知器算法分析與實現(xiàn)

17.1單層感知器模型

17.2單層感知器的學習算法

17.3感知器的局限性

17.4單層感知器神經(jīng)網(wǎng)絡的MATLAB仿真

17.4.1感知器神經(jīng)網(wǎng)絡設計的基本方法

17.4.2單層感知器神經(jīng)網(wǎng)絡的應用舉例

17.5多層感知器神經(jīng)網(wǎng)絡及其MATLAB仿真

17.5.1多層感知器神經(jīng)網(wǎng)絡的設計方法

17.5.2多層感知器神經(jīng)網(wǎng)絡的應用舉例

17.6用于線性分類問題的進一步討論

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)絡與BP網(wǎng)絡工具箱函數(shù)及其應用

18.1線性神經(jīng)網(wǎng)絡工具箱函數(shù)

18.1.1創(chuàng)建函數(shù)及其應用

18.1.2學習函數(shù)及其應用

18.1.3性能函數(shù)及其應用

18.1.4權積函數(shù)及其應用

18.1.5初始化函數(shù)

18.2BP神經(jīng)網(wǎng)絡工具箱函數(shù)

18.2.1創(chuàng)建函數(shù)及其應用

18.2.2傳遞函數(shù)及其應用

18.2.3學習函數(shù)及其應用

18.2.4性能函數(shù)及其應用

18.2.5訓練函數(shù)及其應用

18.2.6顯示函數(shù)及其應用

第19章BP網(wǎng)絡算法分析與實現(xiàn)

19.1BP神經(jīng)網(wǎng)絡模型

19.2BP神經(jīng)網(wǎng)絡算法

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)絡設計

19.4BP神經(jīng)網(wǎng)絡局限性

19.5BP神經(jīng)網(wǎng)絡算法改進

19.5.1附加動量法

19.5.2有自適應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)絡工具箱函數(shù)及其應用

20.1創(chuàng)建函數(shù)

20.2傳遞函數(shù)

20.3距離函數(shù)

20.4學習函數(shù)

20.5初始化函數(shù)

20.6訓練函數(shù)

20.7顯示函數(shù)

20.8權值函數(shù)

20.9結構函數(shù)

第21章線性網(wǎng)絡算法分析與實現(xiàn)

21.1線性神經(jīng)網(wǎng)絡結構

21.2線性神經(jīng)網(wǎng)絡學習

21.3線性神經(jīng)網(wǎng)絡訓練

21.4線性神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)

21.5線性神經(jīng)網(wǎng)絡的局限性

21.5.1超定系統(tǒng)

21.5.2不定系統(tǒng)

21.5.3線性相關向量

21.5.4學習速率過大

第22章神經(jīng)網(wǎng)絡工具箱函數(shù)及其應用

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

22.2.1傳輸函數(shù)

22.2.2學習函數(shù)

22.3Elman神經(jīng)網(wǎng)絡工具箱函數(shù)

22.4學習向量量化網(wǎng)絡工具箱函數(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)絡算法分析與實現(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)絡結構

23.1.4感知器算法

23.1.5網(wǎng)絡的訓練

23.1.6單層感知器實現(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多層感知器實現(xiàn)

23.3感知器神經(jīng)網(wǎng)絡的MATLAB實現(xiàn)