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的工具條與功能表
1.2.3 MATLAB命令窗口
1.2.4 MATLAB工作空間
1.2.5 MATLAB命令歷史視窗
1.2.6 MATLAB的目前的目錄
1.3 MATLAB的變數與符號
1.3.1 特殊變數
1.3.2 標點符號
1.4 向量的創建法
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 矩陣和陣列的基本運算
1.7.1 矩陣和陣列的運算
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 線上說明
1.8.4 演示説明

第2章 MATLAB基本的程式及繪圖功能
2.1 MATLAB的控制語句
2.1.1 條件控制
2.1.2 迴圈控制
2.1.3 程式的流程控制
2.2 M文件
2.2.1 指令檔
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 視窗控制
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 神經網路緒論
3.1 人工神經網路概念的提出
3.2 人工神經網路的發展史及其研究的內容
3.2.1 人工神經網路的發展史
3.2.2 人工神經網路研究的內容
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 神經網路的特點與優點
3.7 人工神經元的應用
3.8 人工神經元與人工智慧
3.8.1 人工智慧的概述
3.8.2 人工神經元與人工智慧的比較
3.9 用MATLAB計算人工神經網路輸出

第4章 前向型神經網路
4.1 感知器網路
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 感知器的神經網路訓練函數
4.1.6 感知器網路的實現
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 線性神經網路
4.2.1 線性神經網路的模型
4.2.2 W-H學習規則
4.2.3 線性神經網路的訓練函數
4.2.4 線性神經網路的構建
4.2.5 網路訓練
4.2.6 線性神經網路的實現
4.2.7 線性神經網路的局限性
4.2.8 系統辨識
4.3 BP傳播網路
4.3.1 BP網路模型結構
4.3.2 BP學習規則
4.3.3 BP網路的訓練函數
4.3.4 BP網路的實現
4.3.5 BP網路的限制
4.3.6 BP方法的改進

第5章 局部型神經網路
5.1 徑向基函數網路
5.1.1 徑向神經元與徑向基函數網路模型
5.1.2 徑向基函數網路的學習演算法
5.1.3 廣義回歸神經網路
5.1.4 徑向基函數網路的訓練函數
5.1.5 徑向基函數網路的實現
5.1.6 基於RBF網路的非線性濾波
5.1.7 RBF網路與多層感知器的比較
5.2 B樣條基函數
5.3 概率神經網路
5.3.1 PNN網路結構
5.3.2 PNN網路的工作原理
5.3.3 PNN網路的設計
5.4 CMAC網路
5.4.1 CMAC網路基本結構
5.4.2 CMAC的學習演算法
5.5 GMDH網路
5.5.1 GMDH網路的概述
5.5.2 GMDH網路的訓練
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 回饋型神經網路
6.1 Hopfield網路
6.1.1 離散Hopfield網路
6.1.2 連續Hopfield網路
6.1.3 聯想記憶
6.1.4 Hopfield網路結構
6.1.5 Hopfield網路模型學習過程
6.1.6 幾個重要結論
6.1.7 Hopfield網路的應用
6.2 Elman網路
6.2.1 Elman網路結構
6.2.2 修正網路權值的學習演算法
6.2.3 穩定性推導
6.2.4 對角遞迴網路穩定時學習速率的確定
6.2.5 Elman網路與訓練
6.2.6 Elman網路的應用
6.3 雙向聯想記憶網路
6.3.1 BAM網路結構與原理
6.3.2 能量函數與穩定性分析
6.3.3 BAM網路的權值設計
6.3.4 BAM網路的應用
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
6.5 局部遞迴神經網路
6.5.1 PIDNNC的設計
6.5.2 閉環控制系統穩定性分析

第7章 競爭型神經網路
7.1 自組織神經網路的基本函數
7.1.1 創建函數
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 自組織競爭神經網路
7.2.1 常用的幾種聯想學習規則
7.2.2 自組織競爭神經網路的結構
7.2.3 自組織競爭神經網路的設計
7.2.4 自組織競爭神經網路的應用
7.3 自組織特徵映射網路
7.3.1 自組織特徵映射網路模型
7.3.2 自組織特徵映射網路的結構
7.3.3 自組織特徵映射網路的設計
7.3.4 自組織特徵映射網路的應用
7.4 學習向量量化神經網路
7.4.1 學習向量量化神經網路的結構
7.4.2 學習向量量化神經網路的學習
7.4.3 學習向量量化的學習演算法的改進
7.4.4 學習向量量化神經網路的應用
7.5 主分量分析
7.5.1 主分量分析方法
7.5.2 主分量分析網路的演算法
7.5.3 非線性主分量分析及其網路模型

第8章 神經網路控制的綜合應用
8.1 神經網路控制結構
8.1.1 神經網路監督控制
8.1.2 神經網路預測控制
8.1.3 神經網路自我調整評判控制
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 系統辨識
8.3.2 廣義預測控制
8.4 農作物蟲情預測
8.4.1 基於神經網路的蟲情預測原理
8.4.2 BP網路設計
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 神經網路控制的應用
8.6.1 機器人神經網路數位控制
8.6.2 神經網路的跟蹤反覆運算學習控制

第9章 神經網路在Simulink中的應用
9.1 Simulink互動式模擬集成環境
9.1.1 Simulink模型的創建
9.1.2 Simulink模擬
9.1.3 Simulink簡單示例
9.2 Simulink神經網路模組
9.2.1 傳遞函數模組
9.2.2 網路輸入模組
9.2.3 權值設置模組
9.2.4 控制系統模組
9.3 Simulink應用示例

第10章 神經網路的模糊控制及其自訂網路
10.1 神經網路的模糊控制
10.1.1 神經網路控制的結構
10.1.2 神經網路的特徵
10.1.3 神經網路模糊控制器的應用
10.1.4 神經網路模糊控制應用於洗衣機中
10.2 神經網路的自訂網路
10.2.1 定制網路
10.2.2 網路設計
10.2.3 網路訓練
參考文獻