MATLAB神經網絡原理與實例精解 ( 簡體 字) |
| 作者：陳明 等 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 35019
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：1/25/2013 |
| 頁數：431 |
| 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：9787302307419 |
| 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
人工神經網絡是一種類似于人類神經系統的信息處理技術，可以視為一種功能強大、應用廣泛的機器學習算法，廣泛應用于實現分類、聚類、擬合、預測、壓縮等功能，在高校研究和工程實踐中均有應用。它模仿生物神經元的工作過程，建立起了一套用于處理計算問題的數學模型。神經網絡的發展經歷了興起——低潮——復興的過程，20世紀80年代后人工神經網絡的發展十分迅速，其中應用最廣的是BP神經網絡。此外，還有徑向基網絡、自組織網絡、反饋網絡等其他神經網絡形式，分別適用于不同的場合。
神經網絡作為一種網絡模型，它的具體使用必須依賴某種實現方式。部分反饋神經網絡可以使用電子電路來實現，但更通用的實現方法是利用計算機編程語言。MATLAB就是一個非常好的選擇，利用它可以方便地實現網絡結構模型。MATLAB是美國MathWorks公司推出的科學計算軟件，在科研和工程實踐中獲得了廣泛的應用。MATLAB編程形式自由，可以方便地實現神經網絡算法，且自帶了神經網絡工具箱，用戶直接調用工具箱中的函數，即可使用神經網絡模型解決實際問題。
目前國內有一些介紹MATLAB神經網絡的書，但是隨著MATLAB版本的更新，工具箱中函數不斷變化，整體結構已經調整，市面上的書卻沒有跟上變化，與實際需求脫節。編寫本書的目的，便是為了讓讀者了解神經網絡的最新發展進程，并學會在最新的MATLAB版本中實現神經網絡，并應用神經網絡工具箱來解決實際問題。
本書是一本神經網絡原理與實踐相結合的書，涵蓋了大部分主流的神經網絡。它盡量以淺顯易懂的語言講解，讓讀者能理解神經網絡的原理，并學會在MATLAB中實現神經網絡。MATLAB版本逐年更新，神經網絡工具箱中函數的結構安排已經改變，本書使用最新的MATLAB版本，使讀者掌握應用工具箱解決實際問題的能力。本書講解時附帶了大量實例，對于簡單的例子，本書除了使用工具箱函數外，還用手算的方式給出了自己的實現，便于讀者理解神經網絡的具體實現細節。
本書特色
1. 提供配套教學視頻，高效、直觀
為了便于讀者高效、直觀地學習本書中的內容，作者對每章的重點內容都特意制作了教學視頻，這些視頻和本書的實例源文件一起收錄于配書光盤中。
2．軟件版本較新，函數較新
MATLAB每年更新兩次，神經網絡工具箱也隨之更新換代，許多舊的函數已經廢棄不用，同時又有新的函數補充進來。已經出版的圖書和網上的很多資料是舊版本的工具箱。本書基于MATLAB R2011b，介紹了新版本下的神經網絡工具箱的使用方法。
3．內容全面，重點突出
神經網絡根據結構的不同可以分為不同種類，本書內容涵蓋從最簡單的感知器到復雜的自組織競爭網絡等類型的神經網絡，對其原理進行了全面的介紹。在實際應用中，大部分場合使用的網絡都是BP神經網絡（多層感知器），而部分生僻的網絡則在MATLAB中沒有對應的工具箱函數。本書結合實用性，對常用的網絡進行了重點講解。
4．實例豐富，貼近實際
本書提供了大量的實例，每個例子都經過精挑細選，有很強的針對性。在實戰篇中還提供了多個貼近工程實踐的案例，便于讀者了解實際應用。
5．循序漸進，先易后難，由淺入深
本書先介紹MATLAB編程基礎，然后介紹神經網絡及其工具箱函數。對每一種網絡在三個層次上用實例講解：介紹工具箱函數時用簡單的實例，讓讀者了解函數的調用規則；在每章最后一節給出幾個復雜一些的應用實例，并且用手算的方式給出網絡內部的計算流程，讓讀者理解網絡的運行規則；在本書的最后一章列舉了若干個具體的應用案例，重點講解如何對實際問題進行抽象，再選取恰當的神經網絡解決該問題。
6．語言通俗，講解詳細，圖文并茂
本書在講解上力求詳細，在原理分析上力求通俗易懂，且在一些簡單的實例演示中，用純MATLAB編程實現了部分簡單的神經網絡，有利于加深讀者對神經網絡的理解。為了增加可讀性，本書給出了大量的代碼及其實際運行生成的效果圖。書中的代碼力求完整，注釋豐富，使讀者一目了然。配書光盤中詳細列出了書中的函數和腳本文件，方便讀者運行、調試。
7．給出了大量的閱讀和經驗點撥
本書講解時給出了大量需要讀者注意的關鍵知識點和經驗點撥，并在單獨的模塊中用不同的字體呈現出來，便于提醒讀者注意，加深讀者的印象。
8．提供“在線交流，有問必答”網絡互動答疑服務
國內最大的MATLAB&Simulink技術交流平臺——MATLAB中文論壇（www.iLoveMatlab.cn）聯合本書作者和編輯，一起為您提供與本書相關的問題解答和MATLAB技術支持服務，讓您獲得最佳的閱讀體驗。具體參與方式請詳細閱讀本書封底的說明。本書“有問必答”交流板塊網址：www.iLoveMatlab.cn/forum-222-1.html。
本書主要內容
第1篇 入門篇（第1∼第3章）
第1章 神經網絡概述。主要介紹了神經網絡的發展歷程、神經網絡的應用領域、網絡模型原理及訓練方式。
第2章 MATLAB快速入門。截至本書完稿，MATLAB的最新版本為MATLAB R2011b。這一章介紹了MATLAB的集成開發環境，使讀者可以迅速上手。MATLAB語言簡單易學，這一章從數據類型、流程控制、運算符、M文件編輯器等角度概述了MATLAB的特點。通過這一章的學習，讀者可以利用MATLAB編寫簡單的程序。
第3章 MATLAB函數與神經網絡工具箱。MATLAB具有豐富的內置函數。這一章給出了30個常用的函數的使用方法，并簡要介紹了神經網絡工具箱。
第2篇 原理篇（第4∼第11章）
第4章 單層感知器。單層感知器是最簡單的神經網絡，盡管其功能可以通過其他復雜的網絡實現，但依然有極佳的理論學習價值。
第5章 線性神經網絡。線性神經網絡又稱Adaline，能解決線性可分的問題。對于線性不可分的問題，可使用其他網絡模型，或者使用Adaline的變形形式。
第6章 BP神經網絡。BP網絡是神經網絡理論中最精華的部分，也是實際應用中最常見的網絡，它引入了誤差反向傳播算法，是一種多層前向網絡。
第7章 徑向基函數網絡。徑向基網絡是一種三層前向網絡，具有極強的非線性映射能力，且收斂速度明顯快于BP神經網絡。這一章包含普通的徑向基網絡和廣義回歸網絡、概率神經網絡。
第8章 自組織競爭神經網絡。自組織神經網絡往往使用無監督學習算法，用于解決聚類問題。其網絡模型中包含競爭網絡層，使用了競爭學習的學習方式。
第9章 反饋神經網絡。反饋神經網絡是與前向神經網絡相對的一種網絡形式，輸出端的信息以反饋的形式返回到輸入端構成輸入的一部分。適用于聯想記憶、數據預測等 場合。
第10章 隨機神經網絡。隨機網絡主要指Boltzmann機，其原理實際上與模擬退火算法相同。模擬退火算法是一種模擬退火過程的最優化算法，可用于求解函數極值。
第11章 用GUI設計神經網絡。MATLAB提供了可視化神經網絡工具nntool和nctool（分類聚類工具）、nftool（擬合工具）、nprtool（模式識別工具）、ntstool（時間序列工具）。
第3篇 實戰篇（第12、第13章）
第12章 Simulink。Simulink是MATLAB軟件提供的一個可視化仿真工具，用戶可以在Simulink中通過簡單的鼠標操作實現一個神經網絡模型。
第13章 神經網絡應用實例。這一章給出了7個具體的應用實例，涉及BP網絡、徑向基網絡、反饋網絡、概率神經網絡、自組織神經網絡，解決了圖像、工業、金融、體育等領域的不同問題。
適合閱讀本書的讀者
* 神經網絡的初學人員和提高者；
* 神經網絡或機器學習算法的研究者；
* MATLAB進階學習者；
* 高等學校相關課程的學生；
* MATLAB愛好者和研究人員。
本書作者
本書由陳明主筆編寫。其他參與編寫和資料整理的人員有武冬、郅曉娜、孫美芹、衛麗行、尹翠翠、蔡繼文、陳曉宇、遲劍、鄧薇、郭利魁、金貞姬、李敬才、李萍、劉敬、陳慧、劉艷飛、呂博、全哲、佘勇、宋學江、王浩、王康。
閱讀本書的過程中，若發現本書有任何錯漏或者對書中內容有任何疑問，您都可以通過電子郵件和我們取得聯系。電子郵箱地址：bookservice2008@163.com。
編著者
??
??
??
??
MATLAB神經網絡原理與實例精解
前言
·IV·
·III·
|
內容簡介：本書結合科研和高校教學的相關課程，全面、系統、詳細地介紹了MATLAB神經網絡的原理及應用，并給出了大量典型的實例供讀者參考。本書附帶1張光盤，收錄了本書重點內容的配套多媒體教學視頻及書中涉及的實例源文件。這些資料可以大大方便讀者高效、直觀地學習本書內容。
本書首先簡要介紹了MATLAB軟件的使用和常用的內置函數，隨后分門別類地介紹了BP網絡、徑向基網絡、自組織網絡、反饋網絡等不同類型的神經網絡，并在每章的最后給出了實例。在全書的最后，又以專門的一章收集了MATLAB神經網絡在圖像、工業、金融、體育等不同領域的具體應用，具有很高的理論和使用價值。全書內容詳實、重點突出，從三個層次循序漸進地利用實例講解網絡原理和使用方法，降低了學習門檻，使看似神秘高深的神經網絡算法更為簡單易學。
本書適合學習神經網絡的人員使用MATLAB方便地實現神經網絡以解決實際問題，也適合神經網絡或機器學習算法的研究者及MATLAB進階學習者閱讀。另外，本書可以作為高校相關課程的教材和教學參考書。
|
目錄：目 錄
第1篇 入門篇
第1章 神經網絡概述（ 教學視頻：10分鐘） 2
1.1 人工神經網絡簡介 2
1.2 神經網絡的特點及應用 3
1.2.1 神經網絡的特點 3
1.2.2 神經網絡的應用 4
1.3 人工神經網絡的發展歷史 5
1.4 神經網絡模型 7
1.5 神經網絡的學習方式 9
第2章 MATLAB快速入門（ 教學視頻：48分鐘） 10
2.1 MATLAB功能及歷史 10
2.1.1 MATLAB的功能和特點 10
2.1.2 MATLAB發展歷史 12
2.2 MATLAB R2011b集成開發環境 13
2.2.1 MATLAB的安裝 13
2.2.2 MATLAB集成開發環境 19
2.2.3 搜索路徑設定 21
2.3 MATLAB語言基礎 24
2.3.1 標識符與數組 24
2.3.2 數據類型 28
2.3.3 運算符 34
2.3.4 流程控制 37
2.3.5 M文件 41
第3章 MATLAB函數與神經網絡工具箱（ 教學視頻：62分鐘） 45
3.1 MATLAB常用命令 45
3.2 矩陣生成和基本運算 52
3.2.1 zeros 生成全零矩陣 52
3.2.2 ones 生成全1矩陣 53
3.2.3 magic 生成魔方矩陣 53
3.2.4 eye 生成單位矩陣 54
3.2.5 rand 生成均勻分布隨機數 54
3.2.6 randn 生成正態分布隨機數 55
3.2.7 linspace 產生線性等分向量 56
3.2.8 logspace 產生對數等分向量 57
3.2.9 randperm 生成隨機整數排列 58
3.2.10 randi 生成整數隨機數 59
3.2.11 range 向量的最大/最小值之差 60
3.2.12 minmax求最大/最小值 60
3.2.13 min/max/mean求最大/最小值 61
3.2.14 size/length/numel/ndims 矩陣維度相關 62
3.2.15 sum/prod 求和或積 64
3.2.16 var/std 求方差與標準差 66
3.2.17 diag 生成對角矩陣 68
3.2.18 repmat 矩陣復制和平鋪 69
3.2.19 reshape 矩陣變維 70
3.2.20 inv/pinv 矩陣求逆/求偽逆 71
3.2.21 rank/det 求矩陣的秩/行列式 73
3.2.22 eig 矩陣的特征值分解 73
3.2.23 svd 矩陣的奇異值分解 74
3.2.24 trace 求矩陣的跡 75
3.2.25 norm 求向量或矩陣的范數 76
3.3 數學函數 78
3.3.1 abs 求絕對值 78
3.3.2 exp/log 指數函數/對數函數 79
3.3.3 log10/log2 常用對數/以2為底的對數 79
3.3.4 fix/round/ceil/floor 取整函數 81
3.3.5 mod/rem 取模數/余數 81
3.4 圖形相關函數 82
3.4.1 plot 繪制二維圖像 82
3.4.2 坐標軸設置函數 83
3.4.3 subplot 同一窗口分區繪圖 88
3.4.4 figure/hold 創建窗口/圖形保持 88
3.4.5 semilogx/semilogy 單對數坐標圖 89
3.4.6 contour/ clabel曲面等高線/等高線標簽 90
3.4.7 gcf/gca/gco 返回當前圖形/坐標/對象句柄 91
3.4.8 mesh 繪制三維網格圖 92
3.5 神經網絡工具箱 92
3.5.1 工具箱函數基本介紹 93
3.5.2 神經網絡對象與屬性 95
第2篇 原理篇
第4章 單層感知器（ 教學視頻：27分鐘） 104
4.1 單層感知器的結構 104
4.2 單層感知器的學習算法 105
4.3 感知器的局限性 108
4.4 單層感知器相關函數詳解 108
4.4.1 newp——創建一個感知器 108
4.4.2 train——訓練感知器網絡 111
4.4.3 sim——對訓練好的網絡進行仿真 113
4.4.4 hardlim/hardlims——感知器傳輸函數 114
4.4.5 init——神經網絡初始化函數 115
4.4.6 adapt——神經網絡的自適應 117
4.4.7 mae——平均絕對誤差性能函數 119
4.5 單層感知器應用實例——坐標點的二類模式分類 120
4.5.1 手算 120
4.5.2 使用工具箱函數 127
第5章 線性神經網絡（ 教學視頻：41分鐘） 129
5.1 線性神經網絡的結構 129
5.2 LMS學習算法 130
5.3 LMS算法中學習率的選擇 132
5.3.1 確保網絡穩定收斂的學習率 132
5.3.2 學習率逐漸下降 133
5.4 線性神經網絡與感知器的對比 134
5.4.1 網絡傳輸函數 134
5.4.2 學習算法 134
5.5 線性神經網絡相關函數詳解 134
5.5.1 newlind——設計一個線性層 135
5.5.2 newlin——構造一個線性層 136
5.5.3 purelin——線性傳輸函數 138
5.5.4 learnwh——LMS學習函數 138
5.5.5 maxlinlr——計算最大學習率 141
5.5.6 mse——均方誤差性能函數 142
5.5.7 linearlayer——構造線性層的函數 143
5.6 線性神經網絡應用實例 144
5.6.1 實現二值邏輯——與 144
5.6.2 實現二值邏輯——異或 151
第6章 BP神經網絡（ 教學視頻：49分鐘） 156
6.1 BP神經網絡的結構 156
6.2 BP網絡的學習算法 158
6.2.1 最速下降法 158
6.2.2 最速下降BP法 159
6.2.3 串行和批量訓練方式 162
6.2.4 最速下降BP法的改進 163
6.3 設計BP網絡的方法 164
6.4 BP神經網絡的局限性 166
6.5 BP網絡相關函數詳解 166
6.5.1 logsig——Log-Sigmoid傳輸函數 167
6.5.2 tansig——Tan-Sigmoid傳輸函數 168
6.5.3 newff——創建一個BP網絡 169
6.5.4 feedforwardnet——創建一個BP網絡 172
6.5.5 newcf——級聯的前向神經網絡 173
6.5.6 cascadeforwardnet——新版級聯前向網絡 174
6.5.7 newfftd——前饋輸入延遲的BP網絡 175
6.5.8 dlogsig/dtansig——Sigmoid函數的導數 176
6.6 BP神經網絡應用實例 177
6.6.1 基于BP網絡的性別識別 177
6.6.2 實現二值邏輯——異或 191
第7章 徑向基函數網絡（ 教學視頻：62分鐘） 196
7.1 徑向基神經網絡的兩種結構 196
7.1.1 徑向基函數 196
7.1.2 正則化網絡 198
7.1.3 廣義網絡 199
7.2 徑向基神經網絡的學習算法 200
7.2.1 隨機選取固定中心 200
7.2.2 自組織選取中心 201
7.2.3 有監督選取中心 202
7.2.4 正交最小二乘法 203
7.3 徑向基神經網絡與多層感知器的比較 204
7.4 概率神經網絡 205
7.4.1 模式分類的貝葉斯決策理論 205
7.4.2 概率神經網絡的結構 206
7.4.3 概率神經網絡的優點 207
7.5 廣義回歸神經網絡 208
7.5.1 廣義回歸神經網絡的理論基礎 208
7.5.2 廣義回歸神經網絡的結構 209
7.6 徑向基神經網絡相關函數詳解 210
7.6.1 newrb——設計一個徑向基函數網絡 210
7.6.2 newrbe——設計一個嚴格的徑向基網絡 212
7.6.3 radbas——徑向基函數 213
7.6.4 dist——歐幾里得距離權函數 215
7.6.5 netprod——乘積網絡輸入函數 215
7.6.6 dotprod——內積權函數 216
7.6.7 netsum——求和網絡輸入函數 217
7.6.8 newpnn——設計概率神經網絡 217
7.6.9 compet——競爭性傳輸函數 218
7.6.10 ind2vec/vec2ind——向量-下標轉換函數 220
7.6.11 newgrnn——設計廣義回歸神經網絡 220
7.6.12 normprod——歸一化點積權函數 221
7.7 徑向基網絡應用實例 222
7.7.1 異或問題 222
7.7.2 RBF網絡曲線擬合 227
7.7.3 GRNN網絡曲線擬合 234
7.7.4 PNN網絡用于坐標點分類 237
第8章 自組織競爭神經網絡（ 教學視頻：52分鐘） 243
8.1 競爭神經網絡 243
8.2 競爭神經網絡的學習算法 243
8.2.1 Kohonen學習規則 244
8.2.2 閾值學習規則 245
8.3 自組織特征映射網絡 246
8.4 SOM的學習算法 247
8.5 學習矢量量化網絡 249
8.5.1 LVQ1學習規則 250
8.5.2 LVQ2規則 250
8.6 自組織競爭網絡相關函數詳解 251
8.6.1 gridtop——網格拓撲函數 251
8.6.2 hextop——六邊形拓撲函數 252
8.6.3 randtop——隨機拓撲結構函數 253
8.6.4 tritop——三角拓撲函數 253
8.6.5 dist、boxdist、linkdist、mandist——距離函數 255
8.6.6 newc——競爭網絡 258
8.6.7 competlayer——新版競爭網絡函數 260
8.6.8 newsom——自組織特征映射網絡 261
8.6.9 selforgmap——新版自組織映射網絡函數 262
8.6.10 newlvq——學習矢量量化網絡 265
8.6.11 lvqnet——新版學習矢量量化網絡函數 267
8.6.12 mapminmax——歸一化函數 268
8.7 自組織競爭神經網絡應用實例 269
8.7.1 坐標點的分類（競爭神經網絡） 269
8.7.2 坐標點的分類（自組織映射網絡） 275
第9章 反饋神經網絡（ 教學視頻：51分鐘） 278
9.1 離散Hopfield神經網絡 278
9.1.1 Hopfield網絡的結構 278
9.1.2 Hopfield網絡的穩定性 279
9.1.3 設計離散Hopfield網絡 282
9.2 連續Hopfield神經網絡 284
9.3 Elman神經網絡 285
9.4 盒中腦模型 286
9.5 反饋神經網絡相關函數詳解 288
9.5.1 newhop——生成一個離散Hopfield網絡 289
9.5.2 satlin——飽和線性傳遞函數 290
9.5.3 satlins——對稱飽和線性傳遞函數 291
9.5.4 nnt2hop——更新Hopfield網絡 291
9.5.5 newelm——創建Elman反饋網絡 292
9.5.6 elmannet——創建Elman反饋網絡（新版本） 294
9.6 反饋神經網絡應用實例 296
9.6.1 二維平面上的聯想記憶網絡 296
9.6.2 Elman股價預測 303
第10章 隨機神經網絡（ 教學視頻：40分鐘） 308
10.1 模擬退火算法 308
10.1.1 模擬退火算法的引出 308
10.1.2 退火算法的參數控制 310
10.2 Boltzmann機 311
10.2.1 Boltzmann機基本原理 312
10.2.2 Boltzmann機的學習規則 314
10.2.3 Boltzmann機的運行步驟 316
10.3 Sigmoid置信度網絡 316
10.4 MATLAB模擬退火算法工具 317
10.4.1 MATLAB優化工具箱 318
10.4.2 模擬退火算法相關函數 322
10.5 模擬退火算法求解TSP問題 327
第11章 用GUI設計神經網絡（ 教學視頻：56分鐘） 334
11.1 神經網絡工具（nntool） 334
11.1.1 nntool界面介紹 334
11.1.2 使用nntool建立神經網絡 337
11.2 神經網絡分類/聚類工具（nctool） 340
11.3 神經網絡擬合工具（nftool） 348
11.4 神經網絡模式識別工具（nprtool） 353
11.5 神經網絡時間序列工具（ntstool） 359
11.6 nntraintool與view 365
第3篇 實戰篇
第12章 Simulink 368
12.1 Simulink中的神經網絡模塊 368
12.2 用gensim生成模塊 371
12.2.1 相關函數介紹 371
12.2.2 gensim使用實例 374
第13章 神經網絡應用實例（ 教學視頻：96分鐘） 377
13.1 BP神經網絡實現圖像壓縮 377
13.1.1 問題背景 377
13.1.2 神經網絡建模 378
13.1.3 神經網絡壓縮的實現 380
13.2 Elman網絡預測上證股市開盤價 387
13.2.1 問題背景 387
13.2.2 神經網絡建模 387
13.2.3 Elman網絡預測股價的實現 388
13.3 徑向基網絡預測地下水位 395
13.3.1 問題背景 395
13.3.2 神經網絡建模 395
13.3.3 徑向基網絡預測的實現 397
13.4 基于BP網絡的個人信貸信用評估 402
13.4.1 問題背景 402
13.4.2 神經網絡建模 402
13.4.3 個人信貸信用評估的實現 404
13.5 基于概率神經網絡的手寫體數字識別 411
13.5.1 問題背景 411
13.5.2 神經網絡建模 412
13.5.3 手寫體數字識別的實現 414
13.6 基于概率神經網絡的柴油機故障診斷 420
13.6.1 問題背景 420
13.6.2 神經網絡建模 421
13.6.3 柴油機故障診斷的實現 422
13.7 基于自組織特征映射網絡的亞洲足球水平聚類 425
13.7.1 問題背景 426
13.7.2 神經網絡建模 426
13.7.3 足球水平聚類的實現 428
??
??
??
??
MATLAB神經網絡原理與實例精解
目錄
·X·
·XI·
|
| 序： |
