中圖網(wǎng)小程序
一鍵登錄
更方便
MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析 版權(quán)信息
- ISBN：9787121412349
- 條形碼：9787121412349 ; 978-7-121-41234-9
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析 本書特色
隨書提供PPT和實(shí)例源程序下載，讀者可以登錄www.hxedu.com.cn(華信教育資源網(wǎng))查找本書下載。 本書以MATLAB R2020a為平臺(tái)，以神經(jīng)網(wǎng)絡(luò)算法為背景，循序漸進(jìn)地介紹了神經(jīng)網(wǎng)絡(luò)的多種算法。本書以理論為基礎(chǔ)，以實(shí)際應(yīng)用為主導(dǎo)，以典型案例為實(shí)踐，通過理論與實(shí)踐相結(jié)合，向讀者展示利用MATLAB解決各種神經(jīng)網(wǎng)絡(luò)問題的簡便性、快捷性。
MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析 內(nèi)容簡介
本書既可以作為相關(guān)專業(yè)本科生和研究生的學(xué)習(xí)用書，也可以作為廣大科研人員、學(xué)者、工程技術(shù)人員的參考用書。
MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析 目錄
目錄
第1章 MATLAB R2020a基礎(chǔ) 1
1．1 MATLAB的功能 1
1．1．1 MATLAB的基本功能 1
1．1．2 MATLAB的重要功能 2
1．2 MATLAB的特點(diǎn) 2
1．3 MATLAB的發(fā)展史 4
1．4 MATLAB R2020a的新功能 5
1．5 MATLAB的啟動(dòng) 6
1．6 MATLAB的語言基礎(chǔ) 6
1．6．1 常量和變量 7
1．6．2 運(yùn)算符 8
1．7 MATLAB的工具箱 9
1．7．1 符號(hào)計(jì)算工具箱 9
1．7．2 統(tǒng)計(jì)工具箱 9
1．7．3 *優(yōu)化工具箱 9
1．8 MATLAB的幫助系統(tǒng) 10
1．8．1 命令行幫助 10
1．8．2 幫助導(dǎo)航/瀏覽器 11
1．8．3 DEMO幫助系統(tǒng) 11
1．8．4 網(wǎng)絡(luò)資源幫助 13
第2章 神經(jīng)網(wǎng)絡(luò)概述 14
2．1 神經(jīng)網(wǎng)絡(luò)的相關(guān)概念 14
2．1．1 生物神經(jīng)元 14
2．1．2 生物神經(jīng)元的信息處理機(jī)制 15
2．1．3 人工神經(jīng)元的模型 17
2．2 神經(jīng)網(wǎng)絡(luò)的發(fā)展史 18
2．3 神經(jīng)網(wǎng)絡(luò)的研究方向 19
2．4 神經(jīng)網(wǎng)絡(luò)的基本特征和主要功能 20
2．5 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性 21
2．6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 21
2．7 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 22
2．8 神經(jīng)網(wǎng)絡(luò)的工具箱 22
2．8．1 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 22
2．8．2 神經(jīng)網(wǎng)絡(luò)的對象與屬性 26
第3章 感知器及其應(yīng)用 33
3．1 感知器典型案例分析 33
3．2 單層感知器 39
3．2．1 單層感知器的結(jié)構(gòu) 39
3．2．2 單層感知器的功能 40
3．2．3 感知器的學(xué)習(xí) 42
3．2．4 感知器的訓(xùn)練 42
3．2．5 使用單層感知器解決邏輯運(yùn)算 43
3．3 多層感知器 44
3．3．1 多層感知器的模型 44
3．3．2 多層感知器的設(shè)計(jì) 45
3．4 感知器的局限性 46
3．5 感知器網(wǎng)絡(luò)的工具箱函數(shù) 46
3．5．1 創(chuàng)建函數(shù) 46
3．5．2 訓(xùn)練函數(shù) 47
3．5．3 網(wǎng)絡(luò)仿真 50
3．5．4 傳遞函數(shù) 50
3．5．5 初始化函數(shù) 51
3．5．6 自適應(yīng)函數(shù) 52
3．5．7 性能函數(shù) 53
3．5．8 學(xué)習(xí)函數(shù) 55
3．5．9 顯示函數(shù) 56
3．6 感知器的應(yīng)用 58
第4章 線性神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 68
4．1 線性神經(jīng)網(wǎng)絡(luò)典型案例分析 68
4．2 線性神經(jīng)網(wǎng)絡(luò)概述 71
4．2．1 線性神經(jīng)元的結(jié)構(gòu) 72
4．2．2 初始化線性神經(jīng)網(wǎng)絡(luò) 74
4．2．3 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 74
4．2．4 學(xué)習(xí)率的選擇 76
4．2．5 自適應(yīng)線性濾波 77
4．2．6 網(wǎng)絡(luò)的訓(xùn)練 78
4．3 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 79
4．3．1 創(chuàng)建函數(shù) 79
4．3．2 學(xué)習(xí)函數(shù) 83
4．3．3 傳遞函數(shù) 86
4．3．4 初始化函數(shù) 86
4．3．5 性能函數(shù) 87
4．4 網(wǎng)絡(luò)的局限性 87
4．4．1 相關(guān)向量 88
4．4．2 學(xué)習(xí)率過大 89
4．5 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用 91
第5章 BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 100
5．1 BP神經(jīng)網(wǎng)絡(luò)典型案例分析 100
5．2 BP神經(jīng)網(wǎng)絡(luò)概述 102
5．2．1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 103
5．2．2 神經(jīng)元模型 103
5．3 BP神經(jīng)網(wǎng)絡(luò)算法 105
5．3．1 梯度下降法 105
5．3．2 *速下降BP算法 106
5．3．3 動(dòng)量BP算法 108
5．3．4 VLBP算法 112
5．3．5 擬牛頓算法 114
5．3．6 RPROP算法 114
5．3．7 LM算法 115
5．3．8 CGBP算法 116
5．4 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 117
5．5 BP神經(jīng)網(wǎng)絡(luò)的局限性 120
5．6 BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 120
5．6．1 創(chuàng)建函數(shù) 120
5．6．2 傳遞函數(shù) 124
5．6．3 學(xué)習(xí)函數(shù) 126
5．6．4 訓(xùn)練函數(shù) 127
5．6．5 性能函數(shù) 131
5．6．6 顯示函數(shù) 132
5．7 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用 134
第6章 RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 155
6．1 RBF神經(jīng)網(wǎng)絡(luò)典型案例分析 155
6．2 RBF神經(jīng)網(wǎng)絡(luò)概述 157
6．2．1 徑向基函數(shù) 158
6．2．2 正則化RBF神經(jīng)網(wǎng)絡(luò) 160
6．2．3 廣義RBF神經(jīng)網(wǎng)絡(luò) 161
6．3 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 162
6．3．1 隨機(jī)選取中心法 163
6．3．2 自組織選取中心法 163
6．3．3 有監(jiān)督選取中心法 164
6．3．4 正交*小二乘法 165
6．4 RBF神經(jīng)網(wǎng)絡(luò)的函數(shù) 166
6．4．1 創(chuàng)建函數(shù) 167
6．4．2 徑向基傳遞函數(shù) 169
6．4．3 轉(zhuǎn)換函數(shù) 170
6．4．4 權(quán)函數(shù) 171
6．4．5 輸入函數(shù) 174
6．4．6 競爭傳遞函數(shù) 174
6．5 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和缺點(diǎn) 175
6．5．1 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) 175
6．5．2 RBF神經(jīng)網(wǎng)絡(luò)的缺點(diǎn) 176
6．6 徑向基函數(shù)的應(yīng)用 176
6．7 RBF神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用 183
6．7．1 RBF神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)監(jiān)督中的應(yīng)用 183
6．7．2 RBF自校正控制 186
6．8 廣義回歸神經(jīng)網(wǎng)絡(luò) 190
6．8．1 GRNN的結(jié)構(gòu) 190
6．8．2 GRNN的實(shí)現(xiàn) 191
6．9 概率神經(jīng)網(wǎng)絡(luò) 194
第7章 反饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 199
7．1 反饋神經(jīng)網(wǎng)絡(luò)典型案例分析 199
7．2 Hopfield神經(jīng)網(wǎng)絡(luò) 203
7．2．1 單層全反饋型神經(jīng)網(wǎng)絡(luò) 204
7．2．2 狀態(tài)軌跡 204
7．2．3 狀態(tài)軌跡發(fā)散 205
7．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò) 206
7．3．1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 206
7．3．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性 207
7．3．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 211
7．4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò) 212
7．4．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性 213
7．4．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 214
7．4．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)求解TSP問題 214
7．5 Elman神經(jīng)網(wǎng)絡(luò) 220
7．5．1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 220
7．5．2 Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 220
7．5．3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值的穩(wěn)定性 221
7．5．4 對角遞歸穩(wěn)定學(xué)習(xí)率的確定 223
7．6 反饋神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 223
7．6．1 創(chuàng)建函數(shù) 223
7．6．2 傳遞函數(shù) 229
7．7 反饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用 230
第8章 自組織競爭神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 244
8．1 自組織競爭神經(jīng)網(wǎng)絡(luò)案例分析 244
8．2 競爭神經(jīng)網(wǎng)絡(luò) 247
8．2．1 競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 248
8．2．2 競爭神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 248
8．2．3 競爭神經(jīng)網(wǎng)絡(luò)存在的問題 252
8．3 SOM神經(jīng)網(wǎng)絡(luò) 253
8．3．1 SOM神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 253
8．3．2 SOM神經(jīng)網(wǎng)絡(luò)的基本原理 254
8．3．3 SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 254
8．3．4 SOM神經(jīng)網(wǎng)絡(luò)算法 255
8．3．5 SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程 257
8．4 LVQ神經(jīng)網(wǎng)絡(luò) 258
8．4．1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 258
8．4．2 LVQ1算法的基本步驟 260
8．4．3 LVQ2算法的基本步驟 261
8．5 自組織競爭神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 262
8．5．1 創(chuàng)建函數(shù) 262
8．5．2 學(xué)習(xí)函數(shù) 268
8．5．3 傳遞函數(shù) 274
8．5．4 距離函數(shù) 275
8．5．5 歸一化函數(shù) 278
8．5．6 初始化函數(shù) 280
8．5．7 拓?fù)浜瘮?shù) 280
8．5．8 訓(xùn)練函數(shù) 282
8．5．9 權(quán)值函數(shù) 282
8．5．10 顯示函數(shù) 283
8．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用 284
第9章 其他神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 301
9．1 盒中腦神經(jīng)網(wǎng)絡(luò) 301
9．2 隨機(jī)神經(jīng)網(wǎng)絡(luò) 304
9．2．1 模擬退火算法的原理 304
9．2．2 BM網(wǎng)絡(luò)的結(jié)構(gòu) 304
9．2．3 BM網(wǎng)絡(luò)的規(guī)則 305
9．2．4 模擬退火算法的特點(diǎn) 306
9．2．5 模擬退火算法的相關(guān)函數(shù) 306
9．2．6 BM網(wǎng)絡(luò)的應(yīng)用 311
9．3 對偶傳播神經(jīng)網(wǎng)絡(luò) 316
9．3．1 CPN網(wǎng)絡(luò)概述 317
9．3．2 CPN網(wǎng)絡(luò)的功能分析 317
9．3．3 CPN網(wǎng)絡(luò)的應(yīng)用 318
9．4 小波神經(jīng)網(wǎng)絡(luò) 322
9．4．1 小波理論 322
9．4．2 小波神經(jīng)網(wǎng)絡(luò)概述 323
9．4．3 小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用 325
9．5 模糊神經(jīng)網(wǎng)絡(luò) 329
9．5．1 模糊數(shù)學(xué)知識(shí) 329
9．5．2 模糊邏輯系統(tǒng) 330
9．5．3 T-S模糊神經(jīng)網(wǎng)絡(luò) 332
9．5．4 T-S模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 333
9．5．5 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用 335
9．6 混沌神經(jīng)網(wǎng)絡(luò) 342
9．6．1 混沌神經(jīng)網(wǎng)絡(luò)的發(fā)展 342
9．6．2 混沌神經(jīng)網(wǎng)絡(luò)的模型 343
9．6．3 混沌通信技術(shù) 346
9．6．4 混沌神經(jīng)網(wǎng)絡(luò)的應(yīng)用 347
第10章 神經(jīng)網(wǎng)絡(luò)的GUI應(yīng)用 353
10．1 神經(jīng)網(wǎng)絡(luò)工具 353
10．2 神經(jīng)網(wǎng)絡(luò)工具的GUI應(yīng)用 358
10．3 擬合工具的GUI應(yīng)用 360
10．4 分類/聚類工具的GUI應(yīng)用 366
10．5 模式識(shí)別工具的GUI應(yīng)用 373
10．6 時(shí)間序列工具的GUI應(yīng)用 380
第11章 神經(jīng)網(wǎng)絡(luò)的經(jīng)典應(yīng)用 387
11．1 實(shí)現(xiàn)圖像壓縮 387
11．1．1 案例背景 387
11．1．2 BP神經(jīng)網(wǎng)絡(luò)壓縮建模 387
11．1．3 BP神經(jīng)網(wǎng)絡(luò)壓縮的實(shí)現(xiàn) 390
11．2 預(yù)測地下水水位 394
11．2．1 案例背景 395
11．2．2 神經(jīng)網(wǎng)絡(luò)的建模 395
11．2．3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的實(shí)現(xiàn) 396
11．3 BP_Adaboost設(shè)計(jì)公司賬務(wù)預(yù)警 399
11．3．1 Adaboost算法 399
11．3．2 Adaboost模型 400
11．3．3 賬務(wù)預(yù)警系統(tǒng)介紹 400
11．3．4 建立預(yù)警模型 400
11．3．5 利用BP_Adaboost模型實(shí)現(xiàn)公司賬務(wù)預(yù)警 401
11．4 概率神經(jīng)網(wǎng)絡(luò)在遙感圖像中的應(yīng)用 406
11．5 PID神經(jīng)網(wǎng)絡(luò)控制 411
11．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用 418
11．6．1 在分類中的應(yīng)用 418
11．6．2 在估計(jì)中的應(yīng)用 420
參考文獻(xiàn) 424
第1章 MATLAB R2020a基礎(chǔ) 1
1．1 MATLAB的功能 1
1．1．1 MATLAB的基本功能 1
1．1．2 MATLAB的重要功能 2
1．2 MATLAB的特點(diǎn) 2
1．3 MATLAB的發(fā)展史 4
1．4 MATLAB R2020a的新功能 5
1．5 MATLAB的啟動(dòng) 6
1．6 MATLAB的語言基礎(chǔ) 6
1．6．1 常量和變量 7
1．6．2 運(yùn)算符 8
1．7 MATLAB的工具箱 9
1．7．1 符號(hào)計(jì)算工具箱 9
1．7．2 統(tǒng)計(jì)工具箱 9
1．7．3 *優(yōu)化工具箱 9
1．8 MATLAB的幫助系統(tǒng) 10
1．8．1 命令行幫助 10
1．8．2 幫助導(dǎo)航/瀏覽器 11
1．8．3 DEMO幫助系統(tǒng) 11
1．8．4 網(wǎng)絡(luò)資源幫助 13
第2章 神經(jīng)網(wǎng)絡(luò)概述 14
2．1 神經(jīng)網(wǎng)絡(luò)的相關(guān)概念 14
2．1．1 生物神經(jīng)元 14
2．1．2 生物神經(jīng)元的信息處理機(jī)制 15
2．1．3 人工神經(jīng)元的模型 17
2．2 神經(jīng)網(wǎng)絡(luò)的發(fā)展史 18
2．3 神經(jīng)網(wǎng)絡(luò)的研究方向 19
2．4 神經(jīng)網(wǎng)絡(luò)的基本特征和主要功能 20
2．5 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性 21
2．6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 21
2．7 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 22
2．8 神經(jīng)網(wǎng)絡(luò)的工具箱 22
2．8．1 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 22
2．8．2 神經(jīng)網(wǎng)絡(luò)的對象與屬性 26
第3章 感知器及其應(yīng)用 33
3．1 感知器典型案例分析 33
3．2 單層感知器 39
3．2．1 單層感知器的結(jié)構(gòu) 39
3．2．2 單層感知器的功能 40
3．2．3 感知器的學(xué)習(xí) 42
3．2．4 感知器的訓(xùn)練 42
3．2．5 使用單層感知器解決邏輯運(yùn)算 43
3．3 多層感知器 44
3．3．1 多層感知器的模型 44
3．3．2 多層感知器的設(shè)計(jì) 45
3．4 感知器的局限性 46
3．5 感知器網(wǎng)絡(luò)的工具箱函數(shù) 46
3．5．1 創(chuàng)建函數(shù) 46
3．5．2 訓(xùn)練函數(shù) 47
3．5．3 網(wǎng)絡(luò)仿真 50
3．5．4 傳遞函數(shù) 50
3．5．5 初始化函數(shù) 51
3．5．6 自適應(yīng)函數(shù) 52
3．5．7 性能函數(shù) 53
3．5．8 學(xué)習(xí)函數(shù) 55
3．5．9 顯示函數(shù) 56
3．6 感知器的應(yīng)用 58
第4章 線性神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 68
4．1 線性神經(jīng)網(wǎng)絡(luò)典型案例分析 68
4．2 線性神經(jīng)網(wǎng)絡(luò)概述 71
4．2．1 線性神經(jīng)元的結(jié)構(gòu) 72
4．2．2 初始化線性神經(jīng)網(wǎng)絡(luò) 74
4．2．3 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 74
4．2．4 學(xué)習(xí)率的選擇 76
4．2．5 自適應(yīng)線性濾波 77
4．2．6 網(wǎng)絡(luò)的訓(xùn)練 78
4．3 線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 79
4．3．1 創(chuàng)建函數(shù) 79
4．3．2 學(xué)習(xí)函數(shù) 83
4．3．3 傳遞函數(shù) 86
4．3．4 初始化函數(shù) 86
4．3．5 性能函數(shù) 87
4．4 網(wǎng)絡(luò)的局限性 87
4．4．1 相關(guān)向量 88
4．4．2 學(xué)習(xí)率過大 89
4．5 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用 91
第5章 BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 100
5．1 BP神經(jīng)網(wǎng)絡(luò)典型案例分析 100
5．2 BP神經(jīng)網(wǎng)絡(luò)概述 102
5．2．1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 103
5．2．2 神經(jīng)元模型 103
5．3 BP神經(jīng)網(wǎng)絡(luò)算法 105
5．3．1 梯度下降法 105
5．3．2 *速下降BP算法 106
5．3．3 動(dòng)量BP算法 108
5．3．4 VLBP算法 112
5．3．5 擬牛頓算法 114
5．3．6 RPROP算法 114
5．3．7 LM算法 115
5．3．8 CGBP算法 116
5．4 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 117
5．5 BP神經(jīng)網(wǎng)絡(luò)的局限性 120
5．6 BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 120
5．6．1 創(chuàng)建函數(shù) 120
5．6．2 傳遞函數(shù) 124
5．6．3 學(xué)習(xí)函數(shù) 126
5．6．4 訓(xùn)練函數(shù) 127
5．6．5 性能函數(shù) 131
5．6．6 顯示函數(shù) 132
5．7 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用 134
第6章 RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 155
6．1 RBF神經(jīng)網(wǎng)絡(luò)典型案例分析 155
6．2 RBF神經(jīng)網(wǎng)絡(luò)概述 157
6．2．1 徑向基函數(shù) 158
6．2．2 正則化RBF神經(jīng)網(wǎng)絡(luò) 160
6．2．3 廣義RBF神經(jīng)網(wǎng)絡(luò) 161
6．3 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 162
6．3．1 隨機(jī)選取中心法 163
6．3．2 自組織選取中心法 163
6．3．3 有監(jiān)督選取中心法 164
6．3．4 正交*小二乘法 165
6．4 RBF神經(jīng)網(wǎng)絡(luò)的函數(shù) 166
6．4．1 創(chuàng)建函數(shù) 167
6．4．2 徑向基傳遞函數(shù) 169
6．4．3 轉(zhuǎn)換函數(shù) 170
6．4．4 權(quán)函數(shù) 171
6．4．5 輸入函數(shù) 174
6．4．6 競爭傳遞函數(shù) 174
6．5 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和缺點(diǎn) 175
6．5．1 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) 175
6．5．2 RBF神經(jīng)網(wǎng)絡(luò)的缺點(diǎn) 176
6．6 徑向基函數(shù)的應(yīng)用 176
6．7 RBF神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用 183
6．7．1 RBF神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)監(jiān)督中的應(yīng)用 183
6．7．2 RBF自校正控制 186
6．8 廣義回歸神經(jīng)網(wǎng)絡(luò) 190
6．8．1 GRNN的結(jié)構(gòu) 190
6．8．2 GRNN的實(shí)現(xiàn) 191
6．9 概率神經(jīng)網(wǎng)絡(luò) 194
第7章 反饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 199
7．1 反饋神經(jīng)網(wǎng)絡(luò)典型案例分析 199
7．2 Hopfield神經(jīng)網(wǎng)絡(luò) 203
7．2．1 單層全反饋型神經(jīng)網(wǎng)絡(luò) 204
7．2．2 狀態(tài)軌跡 204
7．2．3 狀態(tài)軌跡發(fā)散 205
7．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò) 206
7．3．1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 206
7．3．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性 207
7．3．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 211
7．4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò) 212
7．4．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性 213
7．4．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 214
7．4．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)求解TSP問題 214
7．5 Elman神經(jīng)網(wǎng)絡(luò) 220
7．5．1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 220
7．5．2 Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 220
7．5．3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值的穩(wěn)定性 221
7．5．4 對角遞歸穩(wěn)定學(xué)習(xí)率的確定 223
7．6 反饋神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 223
7．6．1 創(chuàng)建函數(shù) 223
7．6．2 傳遞函數(shù) 229
7．7 反饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用 230
第8章 自組織競爭神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 244
8．1 自組織競爭神經(jīng)網(wǎng)絡(luò)案例分析 244
8．2 競爭神經(jīng)網(wǎng)絡(luò) 247
8．2．1 競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 248
8．2．2 競爭神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 248
8．2．3 競爭神經(jīng)網(wǎng)絡(luò)存在的問題 252
8．3 SOM神經(jīng)網(wǎng)絡(luò) 253
8．3．1 SOM神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 253
8．3．2 SOM神經(jīng)網(wǎng)絡(luò)的基本原理 254
8．3．3 SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 254
8．3．4 SOM神經(jīng)網(wǎng)絡(luò)算法 255
8．3．5 SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程 257
8．4 LVQ神經(jīng)網(wǎng)絡(luò) 258
8．4．1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 258
8．4．2 LVQ1算法的基本步驟 260
8．4．3 LVQ2算法的基本步驟 261
8．5 自組織競爭神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 262
8．5．1 創(chuàng)建函數(shù) 262
8．5．2 學(xué)習(xí)函數(shù) 268
8．5．3 傳遞函數(shù) 274
8．5．4 距離函數(shù) 275
8．5．5 歸一化函數(shù) 278
8．5．6 初始化函數(shù) 280
8．5．7 拓?fù)浜瘮?shù) 280
8．5．8 訓(xùn)練函數(shù) 282
8．5．9 權(quán)值函數(shù) 282
8．5．10 顯示函數(shù) 283
8．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用 284
第9章 其他神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 301
9．1 盒中腦神經(jīng)網(wǎng)絡(luò) 301
9．2 隨機(jī)神經(jīng)網(wǎng)絡(luò) 304
9．2．1 模擬退火算法的原理 304
9．2．2 BM網(wǎng)絡(luò)的結(jié)構(gòu) 304
9．2．3 BM網(wǎng)絡(luò)的規(guī)則 305
9．2．4 模擬退火算法的特點(diǎn) 306
9．2．5 模擬退火算法的相關(guān)函數(shù) 306
9．2．6 BM網(wǎng)絡(luò)的應(yīng)用 311
9．3 對偶傳播神經(jīng)網(wǎng)絡(luò) 316
9．3．1 CPN網(wǎng)絡(luò)概述 317
9．3．2 CPN網(wǎng)絡(luò)的功能分析 317
9．3．3 CPN網(wǎng)絡(luò)的應(yīng)用 318
9．4 小波神經(jīng)網(wǎng)絡(luò) 322
9．4．1 小波理論 322
9．4．2 小波神經(jīng)網(wǎng)絡(luò)概述 323
9．4．3 小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用 325
9．5 模糊神經(jīng)網(wǎng)絡(luò) 329
9．5．1 模糊數(shù)學(xué)知識(shí) 329
9．5．2 模糊邏輯系統(tǒng) 330
9．5．3 T-S模糊神經(jīng)網(wǎng)絡(luò) 332
9．5．4 T-S模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 333
9．5．5 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用 335
9．6 混沌神經(jīng)網(wǎng)絡(luò) 342
9．6．1 混沌神經(jīng)網(wǎng)絡(luò)的發(fā)展 342
9．6．2 混沌神經(jīng)網(wǎng)絡(luò)的模型 343
9．6．3 混沌通信技術(shù) 346
9．6．4 混沌神經(jīng)網(wǎng)絡(luò)的應(yīng)用 347
第10章 神經(jīng)網(wǎng)絡(luò)的GUI應(yīng)用 353
10．1 神經(jīng)網(wǎng)絡(luò)工具 353
10．2 神經(jīng)網(wǎng)絡(luò)工具的GUI應(yīng)用 358
10．3 擬合工具的GUI應(yīng)用 360
10．4 分類/聚類工具的GUI應(yīng)用 366
10．5 模式識(shí)別工具的GUI應(yīng)用 373
10．6 時(shí)間序列工具的GUI應(yīng)用 380
第11章 神經(jīng)網(wǎng)絡(luò)的經(jīng)典應(yīng)用 387
11．1 實(shí)現(xiàn)圖像壓縮 387
11．1．1 案例背景 387
11．1．2 BP神經(jīng)網(wǎng)絡(luò)壓縮建模 387
11．1．3 BP神經(jīng)網(wǎng)絡(luò)壓縮的實(shí)現(xiàn) 390
11．2 預(yù)測地下水水位 394
11．2．1 案例背景 395
11．2．2 神經(jīng)網(wǎng)絡(luò)的建模 395
11．2．3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的實(shí)現(xiàn) 396
11．3 BP_Adaboost設(shè)計(jì)公司賬務(wù)預(yù)警 399
11．3．1 Adaboost算法 399
11．3．2 Adaboost模型 400
11．3．3 賬務(wù)預(yù)警系統(tǒng)介紹 400
11．3．4 建立預(yù)警模型 400
11．3．5 利用BP_Adaboost模型實(shí)現(xiàn)公司賬務(wù)預(yù)警 401
11．4 概率神經(jīng)網(wǎng)絡(luò)在遙感圖像中的應(yīng)用 406
11．5 PID神經(jīng)網(wǎng)絡(luò)控制 411
11．6 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用 418
11．6．1 在分類中的應(yīng)用 418
11．6．2 在估計(jì)中的應(yīng)用 420
參考文獻(xiàn) 424
展開全部
MATLAB R2020a神經(jīng)網(wǎng)絡(luò)典型案例分析 作者簡介
張德豐，佛山科學(xué)技術(shù)學(xué)院教授，主要從事智能算法、光電傳感等方面的科研與教學(xué)工作。主持和參與省部級(jí)、市級(jí)項(xiàng)目4項(xiàng)，課題涉及到計(jì)算機(jī)應(yīng)用、自動(dòng)控制、光學(xué)等領(lǐng)域。獲校級(jí)優(yōu)秀青年教師獎(jiǎng)、教學(xué)成果獎(jiǎng)、教學(xué)評估優(yōu)秀及教學(xué)質(zhì)量獎(jiǎng)等多個(gè)獎(jiǎng)項(xiàng)。指導(dǎo)學(xué)生參加"挑戰(zhàn)杯??創(chuàng)青春”大學(xué)生創(chuàng)業(yè)大賽，獲省級(jí)金獎(jiǎng)、***銀獎(jiǎng)。出版《MATLAB R2017a模式識(shí)別》《Python機(jī)器學(xué)習(xí)及實(shí)踐》《TensorFlow深度學(xué)習(xí)及實(shí)踐》等書籍。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
經(jīng)典常談
- >
山海經(jīng)
- >
朝聞道
- >
名家?guī)阕x魯迅:朝花夕拾
- >
中國歷史的瞬間
- >
煙與鏡
- >
巴金－再思錄
本類暢銷
