MATLAB R2016a神經網絡設計應用27例 ( 簡體 字) |
| 作者：顧艷春 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 48386
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：1/1/2018 |
| 頁數：468 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121333293 |
| 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：1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網絡和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。近年來，人工神經網絡正在模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。
神經網絡是通過對人腦的基本單元—神經元的建模和連接，探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。神經網絡的一個重要特性是它能夠從環境中學習，并把學習的結果分布存儲于網絡的突觸連接中。神經網絡的學習是一個過程，在其所處環境的激勵下，相繼給網絡輸入一些樣本模式，并按照一定的規則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束，之后就可以用生成的神經網絡來對真實數據分類。
神經網絡在很多領域中已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學習、自組織及非線性映射等優點的神經網絡與其他技術的結合，以及由此而來的混合方法和混合系統，已經成為一大研究熱點。由于其他方法也有它們各自的優點，所以將神經網絡與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前，這方面的工作有神經網絡與模糊邏輯、專家系統、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。
MATLAB自產生之日起就具有方便的數據可視化功能，以將向量和矩陣用圖形表現出來，并且可以對圖形進行標注和打印。高層次的作圖包括二維和三維的可視化、圖像處理、動畫和表達式作圖，可用于科學計算和工程繪圖。新版本的MATLAB對整個圖形處理功能進行了很大的改進和完善，使它不僅在一般數據可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數據的表現等），MATLAB同樣表現了出色的處理能力。同時，對一些特殊的可視化要求（例如圖形對話等），MATLAB也有相應的功能函數，保證了用戶不同層次的要求。另外，新版本的MATLAB還著重在圖形用戶界面（GUI）的制作上做了很大的改進，可以滿足對這方面有特殊要求的用戶的需求。
MATLAB對許多專門的領域都開發了功能強大的模塊集和工具箱。一般來說，它們都是由特定領域的專家開發的，用戶可以直接使用工具箱學習、應用和評估不同的方法而不需要自己編寫代碼。MATLAB在很多領域，如數據采集、數據庫接口、概率統計、樣條擬合、優化算法、偏微分方程求解、神經網絡、小波分析、信號處理、圖像處理、系統辨識、控制系統設計、LMI控制、魯棒控制、模型預測、模糊邏輯、金融分析、地圖工具、非線性控制設計、實時快速原型及半物理仿真、嵌入式系統開發、定點仿真、DSP與通信、電力系統仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。
一種語言之所以能夠如此迅速地普及和應用，顯示出如此旺盛的生命力，是因為它有著不同其他語言的特點。正如C語言等高級語言使人們擺脫了需要直接對計算機硬件資源進行操作的要求，被稱為第四代計算機語言的MATLAB（簡稱M語言），利用其豐富的函數資源和工具箱資源，使編程人員可以根據不同的需要選擇相應的優化函數，而不需要編寫煩瑣的程序代碼。該軟件最突出的特點就是簡潔、開放式、便捷等，它提供了更為直觀、符合人們思維習慣的代碼。同時給用戶帶來最直觀、最簡潔的程序開發環境。目前的MATLAB可以說是科學技工作者必不可少的工具之一，掌握這一重要工具將使得日常的學習和工作事半功倍。
MATLAB之所以有如此強大的功能在于其還在不斷擴大的工具箱的應用，離開了工具箱的應用，MATLAB環境下的操作也僅僅是簡單的矩陣運算與作圖而已。神經網絡工具箱正是在MATLAB環境下所開發出來的眾多工具箱之一，它是以人工神經網絡理論為基礎，用MATLAB語言構造出典型神經網絡的激活函數，根據各種典型的修正網絡權值的規則，加上網絡的訓練過程，用MATLAB編寫出各種網絡權值訓練的子程序，網絡的設計者可以根據所需去調用工具箱中有關神經網絡的設計與訓練程序，使自己能夠從煩瑣的編程中解脫出來，致力于思考問題和解決問題，從而提高效率和解題質量。
本書基于MATLAB R2016a全面講解MATLAB相關知識，幫助讀者盡快掌握MATLAB的應用。本書具有如下特點：
（1）全面細致，循序漸進。本書以MATLAB R2016a為平臺，簡要、全面、由淺入深地介紹MATLAB軟件的特色、使用，再輔以MATLAB在工程中的應用案例，幫助讀者盡快掌握用MATLAB進行工程應用分析的技能。
（2）內容新穎，應用典型。本書結合MATLAB解決工程應用中的各種實際問題，詳細地講解MATLAB軟件的使用方法與技巧，并通過大量典型的應用例子來實操，在講解過程中輔以相應的圖片，使讀者在閱讀時一目了然，從而快速掌握書中的內容。
（3）輕松易學，上手快速。本書理論與實例相結合，并通過MATLAB的在線幫助、自帶實例等內容，使讀者輕松掌握所學內容，快速上手，還可以提高快速分析和解決實際問題的能力，從而能夠在最短的時間內，以最高的效率解決實際通信系統中遇到的問題。
本書主要由顧艷春編寫，參加編寫的還有趙書蘭、劉志為、欒穎、王宇華、吳茂、方清城、鄧奮發、何正風、丁偉雄、李婭、辛煥平、楊文茵、李曉東和張德豐。
本書可以作為廣大科研人員、學者、工程技術人員的參考用書，也可以作為廣大在校本科生和研究生的學習用書。本書提供案例源代碼下載，讀者可以登錄華信教育資源網查找本書，免費下載。
由于時間倉促，加之作者水平有限，所以錯誤和疏漏之處在所難免。在此，誠懇地期望得到各領域的專家和廣大讀者的批評指正。
編 著 者 |
內容簡介：本書以MATLAB R2016a為平臺，通過專業技術與大量典型實例相結合，介紹了各種典型網絡的訓練過程和實際應用。全書共27個案例，從實用角度出發，詳盡地講述感知器網絡、線性神經網絡、RBF神經網絡、BP神經網絡、反饋神經網絡及自組織神經網絡等內容，擴展介紹神經網絡在其他工程領域的實際應用。本書可作為科研人員及工程技術人員的參考用書，也可作為本科生和研究生的學習用書。 |
目錄：第1章 RBF神經網絡的實際應用 1
1.1 用于曲線擬合的RBF神經網絡 1
1.2 徑向基網絡實現非線性函數回歸 10
1.3 CRNN網絡應用 13
1.4 PNN網絡應用 15
1.5 RBF神經網絡的優缺點 19
第2章 SOM網絡算法分析與應用 22
2.1 SOM網絡的生物學基礎 22
2.2 SOM網絡的拓撲結構 22
2.3 SOM網絡的權值調整 23
2.4 SOM網絡的MATLAB實現 26
2.5 SOM網絡的應用 33
第3章 線性網絡的實際應用 45
3.1 線性化建模 45
3.2 模式分類 50
3.3 消噪處理 51
3.4 系統辨識 54
3.5 系統預測 55
第4章 BP網絡算法分析與應用 61
4.1 BP網絡模型 61
4.2 BP網絡學習算法 62
4.2.1 BP網絡學習算法 62
4.2.2 BP網絡學習算法的比較 67
4.3 BP神經網絡特點 68
4.4 BP網絡功能 68
4.5 BP網絡實例分析 68
第5章 神經網絡在選址與地震預測中的應用 78
5.1 配送中心選址 78
5.2 地震預報 81
5.2.1 問題概述 82
5.2.2 網絡設計 83
5.2.3 網絡訓練與測試 83
5.2.4 網絡實現 88
第6章 模糊神經網絡的算法分析與實現 91
6.1 模糊神經網絡的形式 91
6.2 神經網絡和模糊控制結合的優點 92
6.3 神經模糊控制器 92
6.4 神經模糊控制器的學習算法 95
6.5 模糊神經網絡MATLAB函數 97
6.5.1 模糊神經系統的建模函數 97
6.5.2 采用網格分割方式生成模糊推理系統函數 102
6.6 MATLAB模糊神經推理系統的圖形用戶界面 103
第7章 BP網絡的典型應用 107
7.1 數據歸一化方法 107
7.2 提前終止法 109
7.3 BP網絡的局限性 111
7.4 BP網絡典型應用 112
7.4.1 用BP網絡估計膽固醇含量 112
7.4.2 線性神經網絡在信號預測中的應用 115
第8章 線性神經網絡算法分析與實現 120
8.1 線性神經網絡工具箱函數 120
8.1.1 創建函數 120
8.1.2 學習函數 122
8.1.3 性能函數 124
8.2 線性神經網絡模型及結構 125
8.3 線性神經網絡的學習算法與訓練 126
8.3.1 線性神經網絡的學習算法 126
8.3.2 線性神經網絡的訓練 128
8.4 線性神經網絡的濾波器 130
第9章 感知器網絡算法分析與實現 133
9.1 單層感知器 133
9.1.1 單層感知器模型 133
9.1.2 單層感知器功能 134
9.1.3 單層感知器結構 136
9.1.4 單層感知器學習算法 137
9.1.5 單層感知器訓練 138
9.1.6 單層感知器局限性 139
9.1.7 單層感知器的MATLAB實現 140
9.2 多層感知器 147
9.2.1 多層感知器模型 147
9.2.2 多層感知器設計方法 147
9.2.3 多層感知器的MATLAB實現 148
第10章 神經網絡工具箱函數分析與應用 153
10.1 神經網絡仿真函數 153
10.2 神經網絡訓練函數 155
10.2.1 train 156
10.2.2 trainb函數 156
10.3 神經網絡學習函數 158
10.4 神經網絡初始函數 161
10.5 神經網絡輸入函數 163
10.6 神經網絡的傳遞函數 165
10.7 神經網絡求點積函數 168
第11章 BM網絡與BSB網絡算法分析與實現 169
11.1 Boltzmann神經網絡 169
11.1.1 BM網絡的基本結構 169
11.1.2 BM模型的學習 169
11.1.3 BM網絡的實現 172
11.2 BSB神經網絡 174
第12章 感知器網絡工具箱函數及其應用 177
12.1 創建函數 177
12.2 顯示函數 180
12.3 性能函數 181
第13章 RBF神經網絡算法分析與應用 186
13.1 RBF神經網絡模型 186
13.2 RBF網的數學基礎 188
13.2.1 內插問題 188
13.2.2 正則化網絡 189
13.3 RBF神經網絡的學習算法 190
13.3.1 自組織選取中心法 190
13.3.2 梯度訓練方法 191
13.3.3 正交最小二乘（OLS）學習算法 192
13.4 其他RBF神經網絡 193
13.4.1 廣義回歸神經網絡 193
13.4.2 泛化回歸神經網絡 194
13.4.3 概率神經網絡 195
13.5 RBF神經網絡MATLAB函數 196
13.5.1 創建函數 196
13.5.2 權函數 199
13.5.3 輸入函數 200
13.5.4 傳遞函數 201
13.5.5 mse函數 201
13.5.6 變換函數 202
第14章 Simulink神經網絡應用 204
14.1 Simulink神經網絡仿真模型庫 204
14.2 Simulink神經網絡應用 208
第15章 ART網絡與CP網絡算法分析與應用 213
15.1 ART-1型網絡 213
15.1.1 ART-1型網絡結構 213
15.1.2 ART-1網絡學習過程 215
15.1.3 ART-1網絡的應用 216
15.2 ART-2型網絡 218
15.2.1 網絡結構與運行原理 219
15.2.2 網絡的數學模型與學習算法 220
15.2.3 ART-2型網絡在系統辨識中的應用 222
15.3 CP神經網絡概述 223
15.3.1 CP網絡學習 224
15.3.2 CP網絡應用 225
第16章 Hopfield網絡算法分析與實現 231
16.1 Hopfield神經網絡 231
16.1.1 離散型Hopfield網絡 231
16.1.2 DHNN的動力學穩定性 234
16.1.3 網絡權值的學習 236
16.1.4 聯想記憶功能 239
16.2 連續型Hopfield網絡 240
16.3 Hopfield神經網絡的應用 242
16.3.1 Hopfield神經網絡函數 242
16.3.2 Hopfield神經網絡的應用 245
第17章 LVQ網絡算法分析與應用 259
17.1 LVQ神經網絡的結構 259
17.2 LVQ神經網絡的學習算法 260
17.2.1 LVQ1算法 260
17.2.2 LVQ2算法 260
17.3 LVQ神經網絡的特點 261
17.4 LVQ神經網絡的MATLAB函數 262
17.5 LVQ神經網絡的應用 264
第18章 自組織網絡算法分析與實現 269
18.1 競爭學習的概念 270
18.2 競爭學習規則 271
18.3 競爭學習原理 272
18.4 競爭神經網絡MATLAB實現 275
18.5 競爭型神經網絡存在的問題 279
第19章 Elman網絡算法分析與應用 280
19.1 Elman神經網絡結構 280
19.2 Elman神經網絡權值修正的學習算法 281
19.3 Elman網絡穩定性推導 282
19.4 對角遞歸網絡穩定時學習速率的確定 283
19.5 Elman神經網絡在數據預測中的應用 284
第20章 BP網絡工具箱函數及其應用 288
20.1 創建函數 289
20.2 傳遞函數 291
20.3 學習函數 293
20.4 訓練函數 294
20.5 性能函數 297
20.6 顯示函數 298
第21章 神經網絡在實際案例中的應用 300
21.1 農作物蟲情預測 300
21.1.1 蟲情預測原理 300
21.1.2 網絡實現 301
21.2 人臉識別 304
21.2.1 模型建立 305
21.2.2 網絡實現 306
第22章 神經網絡工具箱函數分析與應用 310
22.1 神經網絡的構建函數 310
22.2 神經網絡的應用函數 324
第23章 線性神經網絡算法分析與設計 330
23.1 線性神經網絡結構 330
23.2 線性神經網絡設計 331
23.3 自適應濾波線性神經網絡 333
23.4 線性神經網絡的局限性 335
23.5 線性神經網絡的MATLAB應用舉例 336
第24章 神經網絡工具箱函數及實例分析 342
24.1 傳遞函數及其導函數 342
24.1.1 傳遞函數 342
24.1.2 傳遞函數的導函數 349
24.2 距離函數 354
24.3 權值函數及其導函數 356
24.3.1 權值函數 357
24.3.2 權值函數的導函數 358
24.4 結構函數 359
24.5 分析函數 361
24.6 轉換函數 362
24.7 繪圖函數 368
24.8 數據預處理和后處理函數 375
第25章 神經網絡的工程應用 383
25.1 線性神經網絡在線性預測中的應用 383
25.2 神經模糊控制在洗衣機中的應用 385
25.2.1 洗衣機的模糊控制 385
25.2.2 洗衣機的神經網絡模糊控制器的設計 387
25.3 模糊神經網絡在配送中心選址中的應用 391
25.4 Elman神經網絡在信號檢測中的應用 394
25.5 神經網絡在噪聲抵消系統中的應用 397
25.5.1 自適應噪聲抵消原理 397
25.5.2 噪聲抵消系統的MATLAB仿真 399
第26章 神經網絡算法分析與工具箱應用 402
26.1 網絡對象屬性 404
26.1.1 結構屬性 404
26.1.2 子對象結構屬性 408
26.1.3 函數屬性 411
26.1.4 權值和閾值 413
26.1.5 參數屬性 415
26.1.6 其他屬性 415
26.2 子對象屬性 416
26.2.1 輸入向量 416
26.2.2 網絡層 417
26.2.3 輸出向量 422
26.2.4 閾值向量 422
26.2.5 輸入權值向量 424
26.2.6 目標向量 427
26.2.7 網絡層權值向量 428
第27章 自定義函數及其應用 432
27.1 初始化函數 432
27.2 學習函數 435
27.3 仿真函數 440
27.3.1 傳遞函數 440
27.3.2 傳遞函數導數函數 443
27.3.3 網絡輸入函數 444
27.3.4 網絡輸入導函數 446
27.3.5 權值函數 448
27.3.6 權值導數函數 450
27.4 自組織函數 452
27.4.1 拓撲函數 452
27.4.2 距離函數 454
參考文獻 456 |
| 序： |
