MATLAB神经网络应用设计

　　前言
　　第1章 神经网络概述 1
　　1.1 神经网络的基本概念 1
　　1.1.1 生物神经元的结构与功能特点 1
　　1.1.2 人工神经元模型 1
　　1.1.3 神经网络的结构及工作方式 3
　　1.1.4 神经网络的学习 4
　　1.2 神经网络的发展和应用 7
　　1.2.1 神经网络的发展 7
　　1.2.2 神经网络的研究内容 8
　　1.2.3 神经网络的应用 8
　　1.3 神经网络的特点 8
　　1.4 MATLAB语言及入门 9
　　1.4.1 MATLAB概述 9
　　1.4.2 MATLAB语言特点 11
　　1.4.3 MATLAB快速入门 12
　　1.5 神经网络工具箱 23
　　第2章 感知神经网络 24
　　2.1 单层感知器 24
　　2.1.1 感知器模型 24
　　2.1.2 感知器的功能 25
　　2.1.3 感知器的局限性 27
　　2.1.4 感知器的学习算法 27
　　2.1.5 单层感知器的MATLAB实现 29
　　2.2 多层感知器 35
　　2.3 感知器神经网络的学习和训练 36
　　2.3.1 学习规则 36
　　2.3.2 网络训练 37
　　2.4 基于BP算法的多层感知器设计基础 39
　　2.4.1 网络信息容量与训练样本基础 39
　　2.4.2 训练样本集的设计 40
　　2.4.3 初始权值的设计 43
　　2.4.4 多层感知器的结构设计 44
　　2.4.5 网络训练与测试 45
　　2.5 感知器设计实例 46
　　2.5.1 二输入感知器分类问题 46
　　2.5.2 输入奇异样本对网络训练的影响 47
　　2.5.3 线性不可分输入量 48
　　第3章 自组织竞争神经网络 50
　　3.1 竞争学习的概念与原理 50
　　3.1.1 基本概念 50
　　3.1.2 竞争学习原理 52
　　3.2 自组织神经网络模型 54
　　3.2.1 自组织特征映射神经网络结构 55
　　3.2.2 自组织特征映射网络学习算法 55
　　3.3 自组织竞争网络的神经网络工具箱函数 56
　　3.3.1 神经网络创建函数 57
　　3.3.2 显示函数 58
　　3.3.3 变换函数 58
　　3.3.4 传递函数 60
　　3.3.5 距离函数 61
　　3.3.6 初始化函数 64
　　3.3.7 权值函数 64
　　3.3.8 学习函数 65
　　3.3.9 结构函数 66
　　3.4 实例分析 71
　　3.4.1 自组织竞争网络在模式分类中的应用 71
　　3.4.2 一维自组织特征映射网络设计 73
　　3.4.3 二维自组织特征映射网络设计 75
　　3.4.4 LVQ模式分类网络设计 77
　　3.5 自适应共振理论网络 79
　　3.5.1 ART I型网络 80
　　3.5.2 ART II型网络 87
　　第4章 BP神经网络 92
　　4.1 BP网络模型结构 92
　　4.1.1 神经元模型 92
　　4.1.2 前馈型神经网络结构 93
　　4.2 BP神经网络构建与算法 94
　　4.2.1 BP神经网络构建 94
　　4.2.2 BP网络的学习算法 95
　　4.3 BP网络的神经网络工具箱函数 98
　　4.3.1 BP网络创建函数 99
　　4.3.2 神经元上的传递函数 100
　　4.3.3 BP网络学习函数 103
　　4.3.4 BP网络训练函数 104
　　4.3.5 性能函数 106
　　4.3.6 显示函数 107
　　4.4 BP网络的局限性 112
　　4.5 BP网络的应用实例分析 113
　　4.5.1 函数逼近 113
　　4.5.2 模式识别 119
　　第5章 线性神经网络 129
　　5.1 线性神经网络构建 129
　　5.1.1 生成线性神经元 129
　　5.1.2 线性神经元系统设计 130
　　5.1.3 线性滤波器 131
　　5.2 线性神经网络学习算法 132
　　5.2.1 线性神经元网络模型 132
　　5.2.2 线性神经网络的学习算法 133
　　5.3 线性网络的神经网络工具箱函数 134
　　5.3.1 线性网络创建及设计函数 134
　　5.3.2 学习函数 135
　　5.3.3 传输及均方误差函数 139
　　5.4 线性网络的局限性 140
　　5.4.1 不定系统 140
　　5.4.2 超定系统 143
　　5.4.3 线性相关向量 145
　　5.4.4 学习速率过大 146
　　5.5 线性神经网络应用实例分析 148
　　5.5.1 线性系统辨识 148
　　5.5.2 应用线性网络进行预测 150
　　5.5.3 自适应预测 152
　　5.5.4 自适应系统辨识 154
　　第6章 径向基函数神经网络 157
　　6.1 径向基函数神经网络模型与学习算法 157
　　6.1.1 RBF神经网络模型 157
　　6.1.2 RBF网络的学习算法 158
　　6.2 径向基网络的神经网络函数 159
　　6.2.1 神经网络的创建函数 160
　　6.2.2 转换函数 162
　　6.2.3 传递函数 162
　　6.3 基于径向基函数技术的函数逼近与内插 163
　　6.3.1 插值问题描述 163
　　6.3.2 径向基函数技术解决插值问题 163
　　6.3.3 完全内插存在的问题 165
　　6.4 概率神经网络 166
　　6.4.1 PNN网络结构 166
　　6.4.2 PNN网络的工作原理 167
　　6.4.3 概率神经网络的设计 167
　　6.5 正则化理论与正则化RBF网络 168
　　6.5.1 正则化理论 168
　　6.5.2 正则化RBF网络 170
　　6.6 模式可分性观点与广义的RBF网络 171
　　6.6.1 模式的可分性 171
　　6.6.2 广义RBF网络 172
　　6.7 径向基函数的网络应用实例 173
　　6.7.1 函数逼近 173
　　6.7.2 散布常数对径向基函数网络设计的影响 175
　　6.7.3 应用PNN进行变量分类 177
　　6.7.4 应用GRNN进行函数逼近 179
　　第7章 反馈神经网络及 MATLAB实现 182
　　7.1 Hopfield神经网络及MATLAB实现 182
　　7.1.1 离散型Hopfield神经网络 182
　　7.1.2 连续型Hopfield神经网络 187
　　7.1.3 Hopfield网络的MATLAB开发 189
　　7.2 Elman神经网络及应用 191
　　7.2.1 Elman神经网络结构 191
　　7.2.2 Elman神经网络的学习过程 192
　　7.2.3 Elman神经网络的工程应用 192
　　7.2.4 基于Elman网络的空调负荷预测 196
　　7.3 双向联想记忆神经网络 198
　　7.3.1 BAM网络结构与原理 199
　　7.3.2 能量函数与稳定性分析 199
　　7.3.3 BAM网的权值设计 200
　　7.3.4 BAM网的应用 201
　　7.4 反馈网络应用实例分析 202
　　7.4.1 Hopfield网络的不稳定性 202
　　7.4.2 三神经元的Hopfield神经网络设计 204
　　7.4.3 应用CHNN网解决优化计算问题 206
　　7.5 Boltzmann机网络及仿真 209
　　7.5.1 BM网络的基本结构 209
　　7.5.2 BM模型的工作规则和学习规则 209
　　7.5.3 BM网络的MATLAB仿真 212
　　第8章 神经网络预测与控制 214
　　8.1 电力系统负荷预报的MATLAB实现 214
　　8.1.1 问题描述 214
　　8.1.2 输入/输出向量设计 215
　　8.1.3 BP网络设计 216
　　8.1.4 网络训练 216
　　8.2 地震预报的MATLAB实现 218
　　8.2.1 概述 219
　　8.2.2 BP网络设计 220
　　8.2.3 BP网络训练与测试 220
　　8.2.4 地震预测的竞争网络模型 224
　　8.3 交通运输能力预测的MATLAB实现 226
　　8.3.1 背景概述 227
　　8.3.2 网络创建与训练 227
　　8.3.3 结论与分析 231
　　8.4 河道浅滩演变预测的MATLAB实现 233
　　8.4.1 基于BP网络的演变预测 233
　　8.4.2 基于RBF网络的演变预测 239
　　8.5 农作物虫情预测的MATLAB实现 239
　　8.5.1 基于神经网络的虫情预测原理 240
　　8.5.2 BP网络设计 241
　　8.6 用水测量的MATLAB实现 243
　　8.6.1 问题概述 244
　　8.6.2 RBF网络设计 244
　　8.7 神经网络模型预测控制 246
　　8.7.1 系统辨识 246
　　8.7.2 预测控制 247
　　8.7.3 神经网络模型预测控制器实例分析 247
　　8.8 NARMA？L2（反馈线性化）控制 252
　　8.8.1 NARMA？L2模型辨识 252
　　8.8.2 NARMA？L2控制器 253
　　8.8.3 NARMA？L2控制器实例分析 254
　　第9章 神经网络优化及故障诊断 259
　　9.1 BP网络学习算法的改进 259
　　9.1.1 消除样本输入顺序影响的改进算法 259
　　9.1.2 附加动量的改进算法 260
　　9.1.3 采用自适应调整参数的改进算法 260
　　9.1.4 使用弹性方法的改进算法 261
　　9.1.5 基于共轭梯度法的改进算法 261
　　9.1.6 基于Levenberg-Marquardt法的改进算法 261
　　9.2 基于遗传算法的神经网络优化方法 262
　　9.2.1 概述 262
　　9.2.2 遗传算法简介 263
　　9.2.3 遗传算法工具箱 264
　　9.2.4 用遗传算法优化神经网络权值的学习过程 265
　　9.3 小波神经网络 266
　　9.3.1 概述 266
　　9.3.2 小波神经网络参数调整算法 267
　　9.3.3 小波神经网络的MATLAB函数 270
　　9.4 神经网络与故障模式识别 270
　　9.4.1 常用的模式识别方法 271
　　9.4.2 神经网络在故障模式识别中的应用 271
　　9.5 基于概率神经网络的故障诊断 273
　　9.5.1 概述 273
　　9.5.2 基于PNN的故障诊断 273
　　9.5.3 结论 275
　　9.6 基于BP网络和Elman网络的齿轮箱故障诊断 276
　　9.6.1 工程描述 276
　　9.6.2 输入和目标向量设计 277
　　9.6.3 BP网络设计 277
　　9.6.4 Elman网络设计 280
　　9.7 基于RBF网络的船用柴油机故障诊断 282
　　9.7.1 问题描述 282
　　9.7.2 涡轮增压系统的故障诊断 282
　　9.7.3 网络设计 284
　　第10章 图形用户界面设计 288
　　10.1 事件处理 288
　　10.2 回调函数 289
　　10.2.1 中断回调规则 291
　　10.2.2 回调函数原形 291
　　10.3 回调处理 293
　　10.3.1 递归函数调用 293
　　10.3.2 M文件调用 295
　　10.3.3 函数句柄调用 297
　　10.4 网络的创建 298
　　10.4.1 设置输入和期望输出 298
　　10.4.2 网络生成 300
　　10.5 网络训练与仿真 302
　　10.5.1 网络训练 302
　　10.5.2 网络仿真 302
　　10.6 GUI的数据处理 303
　　10.6.1 GUI导出数据到MATLAB工作空间 304
　　10.6.2 GUI的数据清除 305
　　10.6.3 GUI从MATLAB工作空间导入数据 305
　　10.6.4 GUI数据文件的存取 307
　　10.7 M文件编程设计 309
　　10.7.1 界面设计 309
　　10.7.2 函数回调 316
　　参考文献 320

　　本书利用目前国际上流行的MATLAB环境，结合神经网络工具箱，在深入浅出地介绍人工神经网络中的各种典型网络以及训练过程的基础上，利用MATLAB工具箱进行神经网络的设计与应用。本书给出了各种神经网络在不同应用时的网络性能分析与直观的图形结果，使读者更加透彻地了解各种神经网络的性能及其优缺点，从而达到正确、合理和充分应用神经网络的目的。
　　本书可作为计算机、电子学、信息科学、通信、控制等专业的本科生、研究生教材，也可作为其他专业科技人员学习神经网络或MATLAB及其神经网络工具箱的参考用书。