面向MATLAB工具箱的神经网络理论与应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

面向MATLAB工具箱的神经网络理论与应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 概述1

1.1 人工神经网络概念的提出1

1.2 神经细胞以及人工神经元的组成2

1.3 人工神经网络应用领域4

1.4 人工神经网络发展的回顾5

1.5 人工神经网络的基本结构与模型7

1.5.1 人工神经元的模型8

1.5.2 激活转移函数8

1.5.3 单层神经元网络模型结构11

1.5.4 多层神经网络12

1.5.5 递归神经网络14

1.6 用MATLAB计算人工神经网络输出15

1.7 本章小结18

习题19

第2章 前向神经网络20

2.1 感知器20

2.1.1 感知器的网络结构21

2.1.2 感知器的图形解释22

2.1.3 感知器的学习规则23

2.1.4 网络的训练25

2.1.5 感知器的局限性33

2.1.6 “异或”问题36

2.1.7 解决线性可分性限制的办法39

2.1.8 本节小结40

2.2 自适应线性元件40

2.2.1 自适应线性神经元模型和结构40

2.2.2 W-H学习规则41

2.2.3 网络训练42

2.2.4 例题与分析44

2.2.5 对比与分析55

2.2.6 单步延时线及其自适应滤波器的实现56

2.2.7 自适应线性网络的应用59

2.2.8 本节小结63

2.3 反向传播网络63

2.3.1 BP网络模型与结构64

2.3.2 BP学习规则65

2.3.3 BP网络的训练及其设计过程67

2.3.4 BP网络的设计72

2.3.5 限制与不足82

2.3.6 反向传播法的改进方法84

2.3.7 基于数值优化方法的网络训练算法92

2.3.8 数值实例对比95

2.3.9 本节小结100

习题100

第3章 递归神经网络102

3.1 各种递归神经网络102

3.1.1 全局反馈型递归神经网络104

3.1.2 前向递归神经网络106

3.1.3 混合型网络115

3.1.4 本节小结116

3.2 全局反馈递归网络118

3.2.1 霍普菲尔德网络模型119

3.2.2 状态轨迹120

3.2.3 离散型霍普菲尔德网络123

3.2.4 连续型霍普菲尔德网络139

3.2.5 本节小结158

3.3 Elman网络160

3.3.1 网络结构及其输入输出关系式161

3.3.2 修正网络权值的学习算法162

3.3.3 稳定性推导164

3.3.4 对稳定性结论的分析165

3.3.5 对角递归网络稳定时学习速率的确定167

3.3.6 本节小结168

3.4 对角递归神经网络169

3.4.1 网络结构及其输入输出关系式169

3.4.2 网络的稳定性分析171

3.4.3 进一步的讨论176

3.4.4 数值实例178

3.4.5 本节小结181

3.5 局部递归神经网络181

3.5.1 PIDNNC的设计182

3.5.2 闭环控制系统稳定性分析185

3.5.3 实时在线控制策略的设计步骤187

3.5.4 数值应用188

3.5.5 本节小结189

习题189

第4章 局部连接神经网络191

4.1 径向基函数网络191

4.1.1 径向基函数及其网络分析191

4.1.2 网络的训练与设计193

4.1.3 广义径向基函数网络195

4.1.4 数字应用对比及性能分析196

4.1.5 本节小结197

4.2 B样条基函数及其网络198

4.3 CMAC神经网络200

4.3.1 CMAC网络基本结构200

4.3.2 CMAC的学习算法201

4.4 局部神经网络的性能对比分析201

4.4.1 CMAC、B样条和RBF共有的结构特点202

4.4.2 CMAC、B样条和RBF的不同之处203

4.5 K型局部连接神经网络205

4.5.1 网络结构与权值修正法205

4.5.2 网络特性分析207

4.5.3 数字应用对比及性能分析208

4.5.4 本节小结211

习题211

第5章 自组织竞争神经网络212

5.1 几种联想学习规则212

5.1.1 内星学习规则213

5.1.2 外星学习规则216

5.1.3 科荷伦学习规则218

5.2 自组织竞争网络219

5.2.1 网络结构219

5.2.2 竞争学习规则221

5.2.3 竞争网络的训练过程222

5.3 科荷伦自组织映射网络225

5.3.1 科荷伦网络拓扑结构226

5.3.2 网络的训练过程228

5.4 自适应共振理论236

5.4.1 ART-1网络结构237

5.4.2 ART-1的运行过程239

5.4.3 ART-2神经网络245

5.5 本章小结252

习题252

第6章 随机神经网络254

6.1 概述254

6.1.1 随机神经网络的发展254

6.1.2 GNN模型描述255

6.1.3 RNN的学习算法256

6.1.4 RNN的应用258

6.1.5 其他随机网络260

6.1.6 研究前景262

6.2 用Boltzmann机求解典型NP优化问题TSP263

6.2.1 Boltzmann机网络模型及其权值修正规则263

6.2.2 用Boltzmann机网络解TSP266

6.2.3 Boltzmann机与Hopfield网络解TSP的对比268

6.2.4 本节小结271

6.3 随机神经网络算法改进及其应用271

6.3.1 DRNN解TSP的参数推导和改进方法272

6.3.2 DRNN网络解TSP改进方法的实验对比275

6.3.3 本节小结276

6.4 采用DRNN网络优化求解的对比研究276

6.4.1 DRNN与Hopfield网络求解TSP的理论分析276

6.4.2 DRNN与Hopfield网络解TSP的实验对比280

6.4.3 本节小结282

习题282

第7章 面向工具箱的神经网络实际应用283

7.1 综述283

7.1.1 神经网络技术的选用283

7.1.2 神经网络各种模型的应用范围284

7.1.3 网络设计的基本原则285

7.2 神经网络在控制系统中的应用286

7.2.1 反馈线性化287

7.2.2 问题的提出288

7.2.3 神经网络设计288

7.3 利用神经网络进行字母的模式识别293

7.3.1 问题的阐述294

7.3.2 神经网络的设计295

7.4 用于字符识别的三种人工神经网络的性能对比300

7.4.1 用于字母识别的感知器网络300

7.4.2 用于字母识别的霍普菲尔德网络301

7.4.3 字母识别实验及其结果分析302

附录A MATLAB 7.1神经网络工具箱4.0.6函数一览表306

附录B 程序目录313

参考文献316