MATLAB神經網絡編程

第1章 MATLAB基本知識
　1.1 MATLAB概述
　　1.1.1 MATLAB的發(fā)展史及影響
　　1.1.2 MATLAB的功能特點
　　1.1.3 MATLABR2010a的新特點
　1.2 MATLAB初步應用
　　1.2.1 MATLAB的啟動和關閉
　　1.2.2 MATLAB的工具條與菜單
　　1.2.3 MATLAB命令窗口
　　1.2.4 MATLAB工作空間
　　1.2.5 MATLAB命令歷史窗口
　　1.2.6 MATLAB的當前目錄
　1.3 MATLAB的變量與符號
　　1.3.1 特殊變量
　　1.3.2 標點符號
　1.4 向量的創(chuàng)建法
　　1.4.1 直接輸入法
　　1.4.2 用冒號生成法
　　1.4.3 用函數生成法
　　1.4.4 向量的連接法
　1.5 矩陣的表示
　　1.5.1 矩陣的建立
　　1.5.2 矩陣的拆分
　1.6 矩陣元素的排列與替換
　　1.6.1 下標與索引
　　1.6.2 元素的提取與替換
　　1.6.3 矩陣中行與列的相關操作
　　1.6.4 end函數的使用
　1.7 矩陣和數組的基本運算
　　1.7.1 矩陣和數組的運算
　　1.7.2 矩陣的函數運算
　1.8 MATLAB的幫助功能
　　1.8.1 幫助命令
　　1.8.2 查詢命令
　　1.8.3 聯(lián)機幫助
　　1.8.4 演示幫助
　　
第2章 MATLAB基本的程序及繪圖功能
　2.1 MATLAB的控制語句
　　2.1.1 條件控制
　　2.1.2 循環(huán)控制
　　2.1.3 程序的流程控制
　2.2 M文件
　　2.2.1 腳本文件
　　2.2.2 M函數
　2.3 二維圖形
　　2.3.1 基本的二維繪圖函數
　　2.3.2 線型、點型、色彩
　　2.3.3 窗口控制
　　2.3.4 坐標軸控制
　　2.3.5 圖形標注
　2.4 三維圖形
　　2.4.1 三維曲線繪圖
　　2.4.2 三維曲面繪圖
　　
第3章 神經網絡緒論
　3.1 人工神經網絡概念的提出
　3.2 人工神經網絡的發(fā)展史及其研究的內容
　　3.2.1 人工神經網絡的發(fā)展史
　　3.2.2 人工神經網絡研究的內容
　3.3 神經細胞以及人工神經元的組成
　3.4 人工神經元的模型
　3.5 神經元的結構
　3.6 神經網絡的特點與優(yōu)點
　3.7 人工神經元的應用
　3.8 人工神經元與人工智能
　　3.8.1 人工智能的概述
　　3.8.2 人工神經元與人工智能的比較
　3.9 用MATLAB計算人工神經網絡輸出
　　
第4章 前向型神經網絡
　4.1 感知器網絡
　　4.1.1 感知器的結構
　　4.1.2 感知器的學習
　　4.1.3 感知器的局限性
　　4.1.4 感知器的“異域”問題
　　4.1.5 感知器的神經網絡訓練函數
　　4.1.6 感知器網絡的實現(xiàn)
　　4.1.7 線性分類問題的擴展討論
　　4.1.8 線性可分限制的解決方法
　4.2 線性神經網絡
　　4.2.1 線性神經網絡的模型
　　4.2.2 W-H學習規(guī)則
　　4.2.3 線性神經網絡的訓練函數
　　4.2.4 線性神經網絡的構建
　　4.2.5 網絡訓練
　　4.2.6 線性神經網絡的實現(xiàn)
　　4.2.7 線性神經網絡的局限性
　　4.2.8 系統(tǒng)辨識
　4.3 BP傳播網絡
　　4.3.1 BP網絡模型結構
　　4.3.2 BP學習規(guī)則
　　4.3.3 BP網絡的訓練函數
　　4.3.4 BP網絡的實現(xiàn)
　　4.3.5 BP網絡的限制
　　4.3.6 BP方法的改進
　　
第5章 局部型神經網絡
　5.1 徑向基函數網絡
　　5.1.1 徑向神經元與徑向基函數網絡模型
　　5.1.2 徑向基函數網絡的學習算法
　　5.1.3 廣義回歸神經網絡
　　5.1.4 徑向基函數網絡的訓練函數
　　5.1.5 徑向基函數網絡的實現(xiàn)
　　5.1.6 基于RBF網絡的非線性濾波
　　5.1.7 RBF網絡與多層感知器的比較
　5.2 B樣條基函數
　5.3 概率神經網絡
　　5.3.1 PNN網絡結構
　　5.3.2 PNN網絡的工作原理
　　5.3.3 PNN網絡的設計
　5.4 CMAC網絡
　　5.4.1 CMAC網絡基本結構
　　5.4.2 CMAC的學習算法
　5.5 GMDH網絡
　　5.5.1 GMDH網絡的概述
　　5.5.2 GMDH網絡的訓練
　5.6 CMAC、B樣條和RBF的異同
　　5.6.1 CMAC、B樣條和RBF的相同之處
　　5.6.2 CMAC、B樣條和RBF的不同之處
　　
第6章 反饋型神經網絡
　6.1 Hopfield網絡
　　6.1.1 離散Hopfield網絡
　　6.1.2 連續(xù)Hopfield網絡
　　6.1.3 聯(lián)想記憶
　　6.1.4 Hopfield網絡結構
　　6.1.5 Hopfield網絡模型學習過程
　　6.1.6 幾個重要結論
　　6.1.7 Hopfield網絡的應用
　6.2 Elman網絡
　　6.2.1 Elman網絡結構
　　6.2.2 修正網絡權值的學習算法
　　6.2.3 穩(wěn)定性推導
　　6.2.4 對角遞歸網絡穩(wěn)定時學習速率的確定
　　6.2.5 Elman網絡與訓練
　　6.2.6 Elman網絡的應用
　6.3 雙向聯(lián)想記憶網絡
　　6.3.1 BAM網絡結構與原理
　　6.3.2 能量函數與穩(wěn)定性分析
　　6.3.3 BAM網絡的權值設計
　　6.3.4 BAM網絡的應用
　6.4 盒中腦模型
　　6.4.1 盒中腦模型的描述
　　6.4.2 盒中腦模型的實現(xiàn)
　6.5 局部遞歸神經網絡
　　6.5.1 PIDNNC的設計
　　6.5.2 閉環(huán)控制系統(tǒng)穩(wěn)定性分析
　　
第7章 競爭型神經網絡
　7.1 自組織神經網絡的基本函數
　　7.1.1 創(chuàng)建函數
　　7.1.2 學習函數
　　7.1.3 競爭傳遞函數
　　7.1.4 初始化函數
　　7.1.5 距離函數
　　7.1.6 訓練競爭層函數
　　7.1.7 繪圖函數
　　7.1.8 結構函數
　7.2 自組織競爭神經網絡
　　7.2.1 常用的幾種聯(lián)想學習規(guī)則
　　7.2.2 自組織競爭神經網絡的結構
　　7.2.3 自組織競爭神經網絡的設計
　　7.2.4 自組織競爭神經網絡的應用
　7.3 自組織特征映射網絡
　　7.3.1 自組織特征映射網絡模型
　　7.3.2 自組織特征映射網絡的結構
　　7.3.3 自組織特征映射網絡的設計
　　7.3.4 自組織特征映射網絡的應用
　7.4 學習向量量化神經網絡
　　7.4.1 學習向量量化神經網絡的結構
　　7.4.2 學習向量量化神經網絡的學習
　　7.4.3 學習向量量化的學習算法的改進
　　7.4.4 學習向量量化神經網絡的應用
　7.5 主分量分析
　　7.5.1 主分量分析方法
　　7.5.2 主分量分析網絡的算法
　　7.5.3 非線性主分量分析及其網絡模型
　　
第8章 神經網絡控制的綜合應用
　8.1 神經網絡控制結構
　　8.1.1 神經網絡監(jiān)督控制
　　8.1.2 神經網絡預測控制
　　8.1.3 神經網絡自適應評判控制
　8.2 最小方差自校正控制
　　8.2.1 最小方差控制
　　8.2.2 最小方差間接自校正控制
　　8.2.3 最小方差直接自校正控制
　8.3 模型預測控制
　　8.3.1 系統(tǒng)辨識
　　8.3.2 廣義預測控制
　8.4 農作物蟲情預測
　　8.4.1 基于神經網絡的蟲情預測原理
　　8.4.2 BP網絡設計
　8.5 模型參考控制
　　8.5.1 模型參考控制概念
　　8.5.2 模型參考控制實例分析
　8.6 神經網絡控制的應用
　　8.6.1 機器人神經網絡數字控制
　　8.6.2 神經網絡的跟蹤迭代學習控制
　　
第9章 神經網絡在Simulink中的應用
　9.1 Simulink交互式仿真集成環(huán)境
　　9.1.1 Simulink模型的創(chuàng)建
　　9.1.2 Simulink仿真
　　9.1.3 Simulink簡單示例
　9.2 Simulink神經網絡模塊
　　9.2.1 傳遞函數模塊
　　9.2.2 網絡輸入模塊
　　9.2.3 權值設置模塊
　　9.2.4 控制系統(tǒng)模塊
　9.3 Simulink應用示例
　　
第10章 神經網絡的模糊控制及其自定義網絡
　10.1 神經網絡的模糊控制
　　10.1.1 神經網絡控制的結構
　　10.1.2 神經網絡的特征
　　10.1.3 神經網絡模糊控制器的應用
　　10.1.4 神經網絡模糊控制應用于洗衣機中
　10.2 神經網絡的自定義網絡
　　10.2.1 定制網絡
　　10.2.2 網絡設計
　　10.2.3 網絡訓練
參考文獻