-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

MATLAB R2020a神經網絡典型案例分析

( 簡體 字)
作者:張德豐類別:1. -> 工程繪圖與工程計算 -> Matlab
譯者:
出版社:電子工業出版社MATLAB R2020a神經網絡典型案例分析 3dWoo書號: 54748
詢問書籍請說出此書號!

缺書
NT售價: 445

出版日:6/1/2021
頁數:432
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:9787121412349
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

神經網絡的研究涉及多個學科知識,如生物學、心理學、仿生學等。神經網絡研究的目標是將機器改進成像人與人之間一樣,人與機器可以就疑難問題進行討論、模擬、測試,最終得出正確的結論。這就需要根據人腦中的神經構造對機器進行改造,從而達成目標,因此需要進一步討論神經網絡在人工智能中的作用。
自1943年神經生物學家Me Culloch和數學家Pitts提出第一個人工神經元模擬以來,神經網絡經歷了近80年的蓬勃發展,其類型豐富、應用廣泛、影響深遠。神經網絡與人腦的神經網絡具有密不可分的關系。大腦是人體的中樞神經系統。外界環境以聲、光、熱等形式的信號,作用于人的感覺器官,形成聽覺、視覺、嗅覺和觸覺。感覺器官接收的信號,以串聯或并聯的方式傳至大腦;神經網絡就是模擬人思維的第二種方式,是一個非線性動力學系統,其特色在于信息的分布式存儲和并行協同處理。
神經網絡是并行分布式系統,它采用了與傳統信息處理完全不同的機制,克服了傳統的基于邏輯符號人工智能在直覺和非結構化信息方面的缺陷。人類的神經網絡相當于統籌法的平行作業法,其特別之處是用一定的空間復雜性來有效地降低時間復雜性。大腦的神經元既是信息處理單元,又是信息存儲單元。信息處理的結果反映在突觸連接強度的變化上,作為神經元之間連接鍵的突觸,既是信號轉換站,又是信息存儲器。這種信息處理和存儲的合一,使人在思考和回憶事情時,就用不著像現行計算機那樣先找存儲地址,再提取存儲內容。也正是由于這個特別之處,人腦在回憶事情時,具有從部分信息恢復全局信息的能力。
MATLAB軟件自1984年由美國的MathWorks公司推出以來,歷經30多年的實踐檢驗、市場篩選和時間凝練,已經成為科學研究、工程技術等眾多領域最值得依賴的科學計算環境和標準仿真平臺。MATLAB中所配置的Neural Network Toolbox,將神經網絡各領域研究的成果完整地覆蓋,它以神經網絡理論為基礎,使用MATLAB語言構造出典型神經網絡的激活函數,如S形、線性、競爭層等激活函數,使設計者對所選定網絡輸出的計算變成對激活函數的調用。另外,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語言編寫出了各種網絡設計與訓練的程序,網絡設計者可以根據自己的設計調用相關網絡的設計訓練程序,這樣能夠使其從煩瑣的編程中解脫出來,集中精力思考問題和解決問題。
本書以MATLAB R2020a為平臺編寫,主要有以下幾方面特色。
1.案例引入,逐步分析
使用一個典型案例引入對應的網絡,利用網絡對案例進行分析,使讀者體會利用MATLAB解決神經網絡問題的快捷性、簡便性。
2.理論與實踐相結合
通過網絡解決案例后,再向讀者介紹相應的網絡的基本原理、MATLAB函數、實際應用等,做到學以致用。
3.逐層漸進,圖文并茂
本書層層深入、由簡單到復雜地介紹各種神經網絡,使讀者對神經網絡形成系統性認識。本書在介紹相關原理、概念時用插圖來表示,可更加形象地加深讀者的印象。在實例演示過程中大多以插圖的形式展示結果,由圖分析結果,引起讀者的學習興趣。
4.內容全面,應用典型
本書利用MATLAB剖析各種神經網絡問題,利用神經網絡快速解決各領域中的問題,而每個實例都是各個領域的典型代表,使讀者領略到MATLAB功能的強大。全書分為11章。
第1章是MATLAB R2020a基礎,主要包括MATLAB的功能、MATLAB的特點、MATLAB的發展史、MATLAB的語言基礎等內容。
第2章是神經網絡概述,主要包括神經網絡的相關概念、神經網絡的發展史、神經網絡的研究方向、神經網絡的工具箱等內容。
第3章是感知器及其應用,主要包括單層感知器、多層感知器、感知器的局限性、感知器網絡的工具箱函數等內容。
第4章是線性神經網絡及其應用,主要包括線性神經網絡概述、線性神經網絡工具箱函數、線性神經網絡的應用等內容。
第5章是BP神經網絡及其應用,主要包括BP神經網絡概述、BP神經網絡算法、BP神經網絡的設計、BP神經網絡工具箱函數等內容。
第6章是RBF神經網絡及其應用,主要包括RBF神經網絡概述、RBF神經網絡的學習算法、RBF神經網絡的函數、徑向基神經網絡的優點和缺點、廣義回歸神經網絡、概率神經網絡等內容。
第7章是反饋神經網絡及其應用,主要包括Hopfield模型、離散型Hopfield神經網絡、連續型Hopfield神經網絡、Elman神經網絡、反饋神經網絡工具箱函數等內容。
第8章是自組織競爭神經網絡及其應用,主要包括競爭神經網絡、SOM神經網絡、LVQ神經網絡、自組織競爭神經網絡工具箱函數等內容。
第9章是其他神經網絡及其應用,主要包括盒中腦神經網絡、隨機神經網絡、對偶傳播神經網絡、小波神經網絡、模糊神經網絡等內容。
第10章是神經網絡的GUI應用,主要包括神經網絡工具GUI應用、擬合工具GUI應用、分類/聚類工具GUI應用、模式識別工具GUI應用等內容。
第11章是神經網絡的經典應用,主要包括實現圖像壓縮、預測地下水水位、BP_Adaboost設計公司賬務預警、概率神經網絡在遙感圖像中的應用等內容。
本書既可以作為神經網絡初學者和提高者的學習資料,也可以作為廣大在校本科生和研究生的學習用書,還可以作為科研人員、學者和工程技術人員的參考用書。隨書提供實例源程序下載,讀者可以登錄(華信教育資源網)查找本書的下載資源(須先注冊成為會員)。
本書由佛山科學技術學院張德豐編著,由于時間倉促,加之作者水平有限,因此書中難免存在不足之處,希望廣大讀者批評指正。

編著者
2021年1月
內容簡介:

本書既可以作為相關專業本科生和研究生的學習用書,也可以作為廣大科研人員、學者、工程技術人員的參考用書。
目錄:

第1章 MATLAB R2020a基礎 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 2
1.3 MATLAB的發展史 4
1.4 MATLAB R2020a的新功能 5
1.5 MATLAB的啟動 6
1.6 MATLAB的語言基礎 6
1.6.1 常量和變量 7
1.6.2 運算符 8
1.7 MATLAB的工具箱 9
1.7.1 符號計算工具箱 9
1.7.2 統計工具箱 9
1.7.3 最優化工具箱 9
1.8 MATLAB的幫助系統 10
1.8.1 命令行幫助 10
1.8.2 幫助導航/瀏覽器 11
1.8.3 DEMO幫助系統 11
1.8.4 網絡資源幫助 13
第2章 神經網絡概述 14
2.1 神經網絡的相關概念 14
2.1.1 生物神經元 14
2.1.2 生物神經元的信息處理機制 15
2.1.3 人工神經元的模型 17
2.2 神經網絡的發展史 18
2.3 神經網絡的研究方向 19
2.4 神經網絡的基本特征和主要功能 20
2.5 神經網絡的特點和優越性 21
2.6 神經網絡的學習方法 21
2.7 神經網絡的應用 22
2.8 神經網絡的工具箱 22
2.8.1 神經網絡工具箱函數 22
2.8.2 神經網絡的對象與屬性 26
第3章 感知器及其應用 33
3.1 感知器典型案例分析 33
3.2 單層感知器 39
3.2.1 單層感知器的結構 39
3.2.2 單層感知器的功能 40
3.2.3 感知器的學習 42
3.2.4 感知器的訓練 42
3.2.5 使用單層感知器解決邏輯運算 43
3.3 多層感知器 44
3.3.1 多層感知器的模型 44
3.3.2 多層感知器的設計 45
3.4 感知器的局限性 46
3.5 感知器網絡的工具箱函數 46
3.5.1 創建函數 46
3.5.2 訓練函數 47
3.5.3 網絡仿真 50
3.5.4 傳遞函數 50
3.5.5 初始化函數 51
3.5.6 自適應函數 52
3.5.7 性能函數 53
3.5.8 學習函數 55
3.5.9 顯示函數 56
3.6 感知器的應用 58
第4章 線性神經網絡及其應用 68
4.1 線性神經網絡典型案例分析 68
4.2 線性神經網絡概述 71
4.2.1 線性神經元的結構 72
4.2.2 初始化線性神經網絡 74
4.2.3 網絡的學習規則 74
4.2.4 學習率的選擇 76
4.2.5 自適應線性濾波 77
4.2.6 網絡的訓練 78
4.3 線性神經網絡工具箱函數 79
4.3.1 創建函數 79
4.3.2 學習函數 83
4.3.3 傳遞函數 86
4.3.4 初始化函數 86
4.3.5 性能函數 87
4.4 網絡的局限性 87
4.4.1 相關向量 88
4.4.2 學習率過大 89
4.5 線性神經網絡的應用 91
第5章 BP神經網絡及其應用 100
5.1 BP神經網絡典型案例分析 100
5.2 BP神經網絡概述 102
5.2.1 BP神經網絡的結構 103
5.2.2 神經元模型 103
5.3 BP神經網絡算法 105
5.3.1 梯度下降法 105
5.3.2 最速下降BP算法 106
5.3.3 動量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神經網絡的設計 117
5.5 BP神經網絡的局限性 120
5.6 BP神經網絡工具箱函數 120
5.6.1 創建函數 120
5.6.2 傳遞函數 124
5.6.3 學習函數 126
5.6.4 訓練函數 127
5.6.5 性能函數 131
5.6.6 顯示函數 132
5.7 BP神經網絡的應用 134
第6章 RBF神經網絡及其應用 155
6.1 RBF神經網絡典型案例分析 155
6.2 RBF神經網絡概述 157
6.2.1 徑向基函數 158
6.2.2 正則化RBF神經網絡 160
6.2.3 廣義RBF神經網絡 161
6.3 RBF神經網絡的學習算法 162
6.3.1 隨機選取中心法 163
6.3.2 自組織選取中心法 163
6.3.3 有監督選取中心法 164
6.3.4 正交最小二乘法 165
6.4 RBF神經網絡的函數 166
6.4.1 創建函數 167
6.4.2 徑向基傳遞函數 169
6.4.3 轉換函數 170
6.4.4 權函數 171
6.4.5 輸入函數 174
6.4.6 競爭傳遞函數 174
6.5 RBF神經網絡的優點和缺點 175
6.5.1 RBF神經網絡的優點 175
6.5.2 RBF神經網絡的缺點 176
6.6 徑向基函數的應用 176
6.7 RBF神經網絡在控制領域中的應用 183
6.7.1 RBF神經網絡在網絡監督中的應用 183
6.7.2 RBF自校正控制 186
6.8 廣義回歸神經網絡 190
6.8.1 GRNN的結構 190
6.8.2 GRNN的實現 191
6.9 概率神經網絡 194
第7章 反饋神經網絡及其應用 199
7.1 反饋神經網絡典型案例分析 199
7.2 Hopfield神經網絡 203
7.2.1 單層全反饋型神經網絡 204
7.2.2 狀態軌跡 204
7.2.3 狀態軌跡發散 205
7.3 離散型Hopfield神經網絡 206
7.3.1 離散型Hopfield神經網絡的結構 206
7.3.2 離散型Hopfield神經網絡的穩定性 207
7.3.3 離散型Hopfield神經網絡的設計 211
7.4 連續型Hopfield神經網絡 212
7.4.1 連續型Hopfield神經網絡的穩定性 213
7.4.2 連續型Hopfield神經網絡的特點 214
7.4.3 連續型Hopfield神經網絡求解TSP問題 214
7.5 Elman神經網絡 220
7.5.1 Elman神經網絡的結構 220
7.5.2 Elman神經網絡的學習算法 220
7.5.3 Elman神經網絡權值的穩定性 221
7.5.4 對角遞歸穩定學習率的確定 223
7.6 反饋神經網絡工具箱函數 223
7.6.1 創建函數 223
7.6.2 傳遞函數 229
7.7 反饋神經網絡的應用 230
第8章 自組織競爭神經網絡及其應用 244
8.1 自組織競爭神經網絡案例分析 244
8.2 競爭神經網絡 247
8.2.1 競爭神經網絡的結構 248
8.2.2 競爭神經網絡的學習算法 248
8.2.3 競爭神經網絡存在的問題 252
8.3 SOM神經網絡 253
8.3.1 SOM神經網絡的特點 253
8.3.2 SOM神經網絡的基本原理 254
8.3.3 SOM神經網絡的拓撲結構 254
8.3.4 SOM神經網絡算法 255
8.3.5 SOM神經網絡的訓練過程 257
8.4 LVQ神經網絡 258
8.4.1 LVQ神經網絡的結構 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 自組織競爭神經網絡工具箱函數 262
8.5.1 創建函數 262
8.5.2 學習函數 268
8.5.3 傳遞函數 274
8.5.4 距離函數 275
8.5.5 歸一化函數 278
8.5.6 初始化函數 280
8.5.7 拓撲函數 280
8.5.8 訓練函數 282
8.5.9 權值函數 282
8.5.10 顯示函數 283
8.6 自組織競爭神經網絡的應用 284
第9章 其他神經網絡及其應用 301
9.1 盒中腦神經網絡 301
9.2 隨機神經網絡 304
9.2.1 模擬退火算法的原理 304
9.2.2 BM網絡的結構 304
9.2.3 BM網絡的規則 305
9.2.4 模擬退火算法的特點 306
9.2.5 模擬退火算法的相關函數 306
9.2.6 BM網絡的應用 311
9.3 對偶傳播神經網絡 316
9.3.1 CPN網絡概述 317
9.3.2 CPN網絡的功能分析 317
9.3.3 CPN網絡的應用 318
9.4 小波神經網絡 322
9.4.1 小波理論 322
9.4.2 小波神經網絡概述 323
9.4.3 小波神經網絡的應用 325
9.5 模糊神經網絡 329
9.5.1 模糊數學知識 329
9.5.2 模糊邏輯系統 330
9.5.3 T-S模糊神經網絡 332
9.5.4 T-S模糊神經網絡學習算法 333
9.5.5 模糊神經網絡的應用 335
9.6 混沌神經網絡 342
9.6.1 混沌神經網絡的發展 342
9.6.2 混沌神經網絡的模型 343
9.6.3 混沌通信技術 346
9.6.4 混沌神經網絡的應用 347
第10章 神經網絡的GUI應用 353
10.1 神經網絡工具 353
10.2 神經網絡工具的GUI應用 358
10.3 擬合工具的GUI應用 360
10.4 分類/聚類工具的GUI應用 366
10.5 模式識別工具的GUI應用 373
10.6 時間序列工具的GUI應用 380
第11章 神經網絡的經典應用 387
11.1 實現圖像壓縮 387
11.1.1 案例背景 387
11.1.2 BP神經網絡壓縮建模 387
11.1.3 BP神經網絡壓縮的實現 390
11.2 預測地下水水位 394
11.2.1 案例背景 395
11.2.2 神經網絡的建模 395
11.2.3 RBF神經網絡預測的實現 396
11.3 BP_Adaboost設計公司賬務預警 399
11.3.1 Adaboost算法 399
11.3.2 Adaboost模型 400
11.3.3 賬務預警系統介紹 400
11.3.4 建立預警模型 400
11.3.5 利用BP_Adaboost模型實現公司賬務預警 401
11.4 概率神經網絡在遙感圖像中的應用 406
11.5 PID神經網絡控制 411
11.6 自組織競爭神經網絡的應用 418
11.6.1 在分類中的應用 418
11.6.2 在估計中的應用 420
參考文獻 424
序: