精通MATLAB神經網路 ( 簡體 字) |
| 作者：朱凱 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 24724
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：1/1/2010 |
| 頁數：456 |
| 光碟數：1 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 |
| ISBN：9787121099854 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：前 言
神經網絡是一種能適應新環境的系統，它通過對過去經驗（信息）的重復學習，而具有分析、預測、推理、分類等功能，是當今能夠仿效人類大腦去解決復雜問題的系統，神經網絡是人工智能技術領域的重要方向，在自動控制、信號處理、工業控制，以及模式識別等諸多領域獲得了廣泛的應用。
隨著計算機技術的迅猛發展，神經網絡技術與計算機技術不斷融合，催生了一系列可用于神經網絡的軟件，如NeuroSolutions、NeuralSight、MATLAB等，這些軟件的廣泛應用，極大地推動了神經網絡的發展。
MATLAB已成為國際公認的最優秀的科技應用軟件，具有編程簡單、數據可視化功能強、可操作性強等特點，而且具備功能強大、專業函數豐富的神經網絡工具箱，是進行神經網絡方面工作必備的高效軟件工具。
利用MATLAB的神經網絡工具箱，通過任意連接及合成不同的網絡架構以實現類神經網絡仿真及專業化應用，而且還具有視覺化美感的操作界面，可以快速構建出相應的神經網絡，便捷地訓練、測試網絡。
本書導讀
本書讀者
本書可作為從事計算機、信息處理、控制、地球物理、醫學、管理等專業的本科生，研究生學習神經網絡的輔助教材和參考書，也可供相應的工程技術人員參考使用。
作者致謝
本書在編寫過程中，尤其是綜合實戰篇部分，參考、借鑒了一些國內外書籍、論文和文獻資料，對此特向各位從事神經網絡研究和應用工作的專家老師們表示真誠的敬意和感謝！
最后，感謝父母和朋友們的支持與鼓勵，使得本書的創作過程得以堅持下去；感謝朱沭紅老師、許艷老師的大力支持和辛勤勞動！
由于作者水平和經驗有限，書中錯漏之處在所難免，還望得到專家、讀者和行內人士的批評指正，我們的郵箱是：wa_2003@126.com。
編著者 2009年11月18日
|
內容簡介：
本書由MATLAB入門篇、神經網絡提高篇和神經網絡綜合實戰篇3篇組成。MATLAB入門篇主要介紹MATLAB軟件、基本運算、圖形繪制、程序設計和Simulink仿真；神經網絡提高篇講述神經網絡的主要內容，包括神經網絡工具箱和GUI工具，以及感知器、線性、BP、徑向基、自組織、反饋等各種不同的神經網絡，講述各種神經網絡的性能分析與直觀的圖形結果，使讀者更加透徹地了解各種神經網絡的性能及其優缺點，從而達到理解和應用神經網絡的目的。 |
目錄：目 錄
第一篇 MATLAB入門篇
第1章 MATLAB概述 2
1.1 MATLAB的產生與發展 2
1.2 MATLAB的優勢與特點 2
1.3 MATLAB系統的構成 4
1.4 MATLAB桌面操作環境 5
1.4.1 MATLAB啟動和退出 5
1.4.2 MATLAB主菜單及功能 6
1.4.3 MATLAB命令窗口 9
1.4.4 MATLAB工作空間 11
1.4.5 M文件編輯/調試器 13
1.4.6 圖形窗口 14
1.4.7 MATLAB文件管理 16
1.4.8 MATLAB幫助 16
1.5 MATLAB的工具箱 17
1.6 小結 18
第2章 MATLAB計算基礎 19
2.1 MATLAB數值類型 19
2.2 關系運算和邏輯運算 21
2.3 矩陣及其運算 22
2.3.1 矩陣的創建 22
2.3.2 矩陣的運算 24
2.4 復數及其運算 25
2.4.1 復數表示 25
2.4.2 復數繪圖 27
2.4.3 復數操作函數 28
2.5 符號運算 28
2.5.1 符號運算概述 28
2.5.2 常用的符號運算 30
2.6 小結 33
第3章 MATLAB繪圖入門 34
3.1 MATLAB中繪圖的基本步驟 34
3.2 在工作空間直接繪圖 35
3.3 利用繪圖函數繪圖 36
3.3.1 二維圖形 36
3.3.2 三維圖形 37
3.4 圖形的修飾 41
3.5 小結 44
第4章 MATLAB編程入門 45
4.1 MATLAB編程概述 45
4.2 MATLAB程序設計原則 46
4.3 M文件 47
4.4 MATLAB程序流程控制 49
4.5 MATLAB中的函數及調用 52
4.5.1 函數類型 52
4.5.2 函數參數傳遞 55
4.6 函數句柄 60
4.7 MATLAB程序調試 61
4.7.1 常見程序錯誤 61
4.7.2 調試方法 64
4.7.3 調試工具 64
4.7.4 M文件分析工具 67
4.7.5 Profiler分析工具 69
4.8 MATLAB程序設計技巧 70
4.8.1 嵌套計算 70
4.8.2 循環計算 72
4.8.3 使用例外處理機制 72
4.8.4 使用全局變量 74
4.8.5 通過varargin傳遞參數 76
4.9 小結 77
第5章 Simulink仿真入門 78
5.1 Simulink仿真概述 78
5.1.1 Simulink的啟動與退出 78
5.1.2 Simulink模塊庫 79
5.2 Simulink仿真模型及仿真過程 84
5.3 Simulink模塊的處理 86
5.3.1 Simulink模塊參數設置 86
5.3.2 Simulink模塊基本操作 88
5.3.3 Simulink模塊連接 90
5.4 Simulink仿真設置 92
5.4.1 仿真器參數設置 92
5.4.2 工作空間數據導入/導出
5.4.2 設置 94
5.5 Simulink仿真舉例 95
5.6 小結 98
第二篇 神經網絡提高篇
第6章 MATLAB神經網絡工具箱概述 100
6.1 神經網絡簡介 100
6.2 神經網絡模型及訓練 101
6.2.1 生物神經元模型 101
6.2.2 神經網絡模型 102
6.2.3 神經網絡的訓練 104
6.2.4 神經網絡的分類 105
6.3 神經網絡的應用 106
6.4 神經網絡工具箱簡介 108
6.4.1 工具箱的功能 108
6.4.2 工具箱的新特性 108
6.4.3 MATLAB中的神經網絡
6.4.3 數據結構 110
6.4.4 工具箱函數簡介 112
6.5 小結 113
第7章 MATLAB神經網絡GUI工具 114
7.1 基礎GUI工具nntool 114
7.1.1 網絡創建 114
7.1.2 網絡訓練 119
7.1.3 網絡仿真 121
7.1.4 圖形界面數據操作 122
7.2 數據擬合GUI工具nftool 127
7.3 模式識別GUI工具nprtool 131
7.4 數據聚類GUI工具nctool 136
7.5 小結 139
第8章 感知器神經網絡 140
8.1 感知器神經網絡結構 140
8.1.1 感知器神經元模型 140
8.1.2 單層感知器神經網絡
8.1.2 結構 141
8.2 感知器學習規則 142
8.2.1 感知器網絡學習算法 143
8.2.2 標準化感知器網絡
8.2.2 學習算法 144
8.3 感知器網絡的MATLAB實現 144
8.3.1 感知器網絡的生成 144
8.3.2 感知器網絡的仿真 146
8.3.3 感知器網絡的初始化 147
8.3.4 感知器網絡的學習和
8.3.4 訓練 148
8.4 感知器網絡的局限性 152
8.4.1 單層感知器網絡的
8.4.1 局限性 152
8.4.2 多層感知器神經網絡 152
8.5 感知器神經網絡設計實例 153
8.5.1 輸入向量的二類劃分 153
8.5.2 奇異樣本輸入向量的
8.5.2 訓練 155
8.5.3 標準化感知器學習規則
8.5.3 實例 158
8.5.4 線性不可分樣本問題 159
8.6 小結 161
第9章 線性神經網絡 162
9.1 線性神經網絡結構 162
9.1.1 線性神經元模型 162
9.1.2 線性神經網絡結構 163
9.2 線性濾波器 164
9.3 線性神經網絡學習規則 164
9.3.1 均方誤差 165
9.3.2 LMS算法 165
9.4 線性神經網絡的MATLAB
9.4 實現 166
9.4.1 線性神經元生成 166
9.4.2 線性神經網絡生成 169
9.4.3 線性濾波器生成 170
9.4.4 線性神經網絡訓練 171
9.5 線性網絡的局限性 175
9.5.1 非線性系統 175
9.5.2 超定系統 178
9.5.3 不定系統 178
9.5.4 線性相關向量 181
9.5.5 學習速率過大 183
9.6 線性神經網絡設計實例 185
9.6.1 線性預測 185
9.6.2 自適應濾波噪聲抵消 187
9.6.3 自適應濾波系統辨識 189
9.7 小結 192
第10章 BP神經網絡 193
10.1 BP神經網絡結構 193
10.1.1 BP網絡神經元模型 193
10.1.2 BP神經網絡結構 194
10.2 BP網絡學習規則 195
10.2.1 BP算法 195
10.2.2 批處理學習算法 198
10.3 BP網絡的MATLAB實現 199
10.3.1 BP網絡的創建與仿真 199
10.3.2 BP網絡的訓練 200
10.4 BP網絡的局限性 215
10.5 BP神經網絡設計實例 216
10.5.1 函數逼近 216
10.5.2 回歸分析 218
10.5.3 特征識別 220
10.6 小結 224
第11章 徑向基神經網絡 225
11.1 基本徑向基神經網絡 225
11.1.1 徑向基網絡神經元
11.1.1 模型 225
11.1.2 徑向基神經網絡結構 226
11.2 概率神經網絡 227
11.3 廣義回歸神經網絡 228
11.4 徑向基網絡的MATLAB
11.4 實現 229
11.4.1 徑向基神經網絡的
11.4.1 精確創建 230
11.4.2 更有效的徑向基神經
11.4.2 網絡創建 231
11.4.3 概率神經網絡的創建 231
11.4.4 廣義回歸神經網絡的
11.4.4 創建 232
11.5 徑向基網絡設計實例 233
11.5.1 徑向基網絡函數逼近 233
11.5.2 散布常數的影響之欠
11.5.2 交疊情形 236
11.5.3 散布常數的影響之過
11.5.3 交疊情形 238
11.5.4 廣義回歸網絡函數
11.5.4 逼近 239
11.5.5 概率神經網絡模式
11.5.5 分類 242
11.6 小結 245
第12章 自組織神經網絡 246
12.1 自組織競爭網絡 246
12.1.1 自組織競爭網絡結構
12.1.1 模型 246
12.1.2 自組織競爭神經網絡
12.1.2 的學習算法 247
12.2 自組織特征映射網絡 250
12.2.1 自組織特征映射網絡
12.2.1 模型 250
12.2.2 自組織特征映射網絡
12.2.2 結構 258
12.2.3 自組織特征映射網絡的
12.2.3 學習規則 259
12.3 學習矢量量化網絡 259
12.3.1 學習矢量量化網絡
12.3.1 結構 260
12.3.2 學習矢量量化網絡的
12.3.2 學習規則 260
12.3.3 與自組織映射網絡的
12.3.3 比較 262
12.4 自組織神經網絡的MATLAB
12.4 實現 263
12.4.1 自組織競爭網絡的
12.4.1 設計 263
12.4.2 自組織競爭網絡的
12.4.2 訓練 264
12.4.3 SOFM網絡的設計 265
12.4.4 SOFM網絡的訓練 267
12.4.5 LVQ網絡的設計 267
12.4.6 LVQ網絡的訓練 270
12.5 自組織神經網絡應用實例 271
12.5.1 自組織競爭網絡模式
12.5.1 分類 271
12.5.2 一維自組織特征映射
12.5.2 網絡 273
12.5.3 二維自組織特征映射
12.5.3 網絡 275
12.5.4 LVQ網絡應用實例 277
12.6 小結 279
第13章 反饋神經網絡 280
13.1 Hopfield網絡 280
13.1.1 離散Hopfield網絡
13.1.1 模型 281
13.1.2 連續Hopfield網絡
13.1.2 模型 283
13.1.3 聯想記憶 285
13.1.4 Hopfield網絡結構 287
13.2 Elman反饋神經網絡 287
13.3 反饋神經網絡的MATLAB
13.3 實現 288
13.3.1 設計Hopfield網絡 288
13.3.2 Elman網絡的創建與
13.3.2 仿真 290
13.3.3 訓練Elman網絡 291
13.4 反饋神經網絡應用實例 292
13.4.1 二神經元Hopfield
13.4.1 網絡設計 292
13.4.2 Hopfield網絡中的偽
13.4.2 平衡點 295
13.4.3 三神經元Hopfield
13.4.3 網絡設計 297
13.4.4 利用Elman網絡進行
13.4.4 振幅檢測 300
13.5 小結 303
第三篇 神經網絡綜合實戰篇
第14章 神經網絡優化 306
14.1 支持向量機 306
14.1.1 統計學習理論 307
14.1.2 支持向量機（SVM）
14.1.2 理論 307
14.1.3 支持向量機實例 310
14.2 Boltzmann機與模擬退火算法 314
14.2.1 Boltzmann機的網絡
14.2.1 結構 314
14.2.2 模擬退火算法 315
14.2.3 Boltzmann機的工作
14.2.3 原理 316
14.3 基于遺傳算法的神經網絡
14.3 優化 317
14.3.1 遺傳算法介紹 318
14.3.2 基于遺傳算法的神經網絡
14.3.2 優化算法 320
14.3.3 遺傳算法優化實例 321
14.4 小結 325
第15章 神經網絡控制 326
15.1 神經網絡控制概述 327
15.1.1 監督式神經網絡控制 327
15.1.2 直接逆模型神經網絡
15.1.2 控制 328
15.1.3 神經網絡自適應控制 328
15.1.4 神經網絡內模控制 329
15.1.5 神經網絡預測控制 330
15.1.6 神經網絡自適應判斷
15.1.6 控制 331
15.1.7 多層神經網絡控制 331
15.1.8 分級神經網絡控制 332
15.2 神經網絡模型預測控制 333
15.2.1 系統辨識 334
15.2.2 預測控制 335
15.2.3 預測控制的Simulink
15.2.3 實例 335
15.3 神經網絡反饋線性化控制
15.3 （NARMA-L2） 341
15.3.1 NARMA-L2系統辨識 341
15.3.2 NARMA-L2控制器 342
15.3.3 NARMA-L2控制器
15.3.3 Simulink實例 343
15.4 神經網絡模型參考控制 347
15.5 小結 352
第16章 神經網絡故障診斷 353
16.1 神經網絡故障診斷概述 353
16.2 基于神經網絡的滾動軸承
16.2 故障診斷 354
16.2.1 問題背景 354
16.2.2 問題實例 356
16.3 基于神經網絡的汽車防抱死
16.3 系統故障診斷 359
16.3.1 問題背景 359
16.3.2 問題實例 361
16.4 基于神經網絡的柴油機
16.4 故障診斷 364
16.4.1 問題背景 364
16.4.2 問題實例 366
16.5 基于神經網絡的水循環系統
16.5 故障診斷 371
16.5.1 問題背景 371
16.5.2 問題實例 372
16.6 小結 374
第17章 神經網絡預測 375
17.1 神經網絡預測概述 375
17.2 基于神經網絡的地震預測 378
17.2.1 問題背景 378
17.2.2 問題實例 378
17.3 基于神經網絡的人口預測 382
17.3.1 問題背景 382
17.3.2 問題實例 382
17.4 基于神經網絡的電信業務量
17.4 預測 385
17.4.1 問題背景 385
17.4.2 問題實例 385
17.5 基于神經網絡的股市預測 388
17.5.1 問題背景 388
17.5.2 問題實例 389
17.6 基于神經網絡的信用風險
17.6 預測 391
17.6.1 問題背景 391
17.6.2 問題實例 392
17.7 小結 394
第18章 Simulink中的神經網絡設計 395
18.1 Simulink神經網絡模塊 395
18.1.1 傳遞函數模塊庫 396
18.1.2 網絡輸入函數模塊庫 397
18.1.3 權值函數模塊庫 397
18.1.4 處理函數模塊庫 398
18.1.5 控制系統模塊庫 398
18.2 神經網絡Simulink模型設計
18.2 實例 399
18.3 小結 403
第19章 自定義神經網絡 404
19.1 自定義網絡 404
19.1.1 定制網絡 405
19.1.2 定義網絡 406
19.1.3 網絡行為 414
19.2 相關工具箱函數 417
19.2.1 初始化函數 417
19.2.2 傳遞函數 417
19.2.3 學習函數 420
19.3 自定義函數 425
19.3.1 網絡構建函數 425
19.3.2 初始化函數 431
19.3.3 學習函數 432
19.3.4 自組織映射函數 435
19.4 小結 437
附錄A 工具箱函數列表 438
參考文獻 444
|
| 序： |
