面向MATLAB工具箱的神經網絡理論與應用

前言

在《面向MATLAB工具箱的神經網絡理論與應用》第3版中，首先對第2版內容進行了重新整合，將第2版中的感知器、自適應線性元件和反向傳播網絡這3章合為一章——前向神經網絡；然后在第2版的基礎之上，增加了最近5年里有關人工神經網絡研究中的一些新理論、新進展，包括遞歸神經網絡、局部連接神經網絡、隨機神經網絡及它們的應用等；根據實際應用的情況，在第3版中還刪去了第2版中一些不太實用的內容。在結構安排上，第3版沿襲本書前兩版的特點：每一章的內容，按照網絡構造、基本原理、學習規(guī)則、訓練過程、應用局限性的順序進行編排。通過多層次、多方面的分析與綜合，深入淺出地闡述了各種不同神經網絡在原理、特性等方面的不同點與相同點，使不同層次、不同水平和階段的讀者都能夠根據自己的情況了解和掌握人工神經網絡的精髓和相應的深度，這使得本書既可以作為教材，也適用于自學。通過增加的最新內容，使得本書作為教材使用時也具有更加多樣的可選擇性：既可作為本科生教材，也可作為研究生教材；教師可以有重點地選擇感興趣的內容來進行40學時或60學時的教學。在寫作上，第3版仍然保持著前兩版所具有的特點：雖然是在介紹人工神經網絡理論，但敘述盡量做到深入淺出、淺顯易懂，通過采用各種方法，包括理論推導，作圖解釋，不同結構、算法的特點及功能的對比等，使讀者更容易掌握和理解。并在闡述人工神經網絡理論的基礎上，通過MATLAB環(huán)境下提供的神經網絡工具箱對一些實際應用問題進行求解演示，努力使讀者能夠采用工具箱中的函數直接設計訓練網絡，直觀地通過圖形或訓練特性對神經網絡的功能及其應用有一個深入和透徹的認識。

內容概要

本書利用目前國際上流行通用的MATLAB 7.0環(huán)境，結合神經網絡工具箱4.0.6版本，分別從網絡構造、基本原理、學習規(guī)則以及訓練過程和應用局限性幾個方面，通過多層次、多方面的分析與綜合，深入淺出地介紹了人工神經網絡中的各種典型網絡，以及各種不同神經網絡之間在原理和特性等方面的不同點與相同點。    本書可作為計算機、電子學、信息科學、通訊以及自動控制等專業(yè)的高年級本科生、研究生以及其他專業(yè)科技人員學習神經網絡或MATLAB環(huán)境下神經網絡工具箱時的教材或參考書。

書籍目錄

第3版前言第2版前言前言第1章  概述  1.1  人工神經網絡概念的提出  1.2  神經細胞以及人工神經元的組成  1.3  人工神經網絡應用領域  1.4  人工神經網絡發(fā)展的回顧  1.5  人工神經網絡的基本結構與模型    1.5.1  人工神經元的模型    1.5.2  激活轉移函數    1.5.3  單層神經元網絡模型結構    1.5.4  多層神經網絡    1.5.5  遞歸神經網絡  1.6  用MATLAB計算人工神經網絡輸出  1.7  本章小結  習題第2章  前向神經網絡  2.1  感知器    2.1.1  感知器的網絡結構    2.1.2  感知器的圖形解釋    2.1.3  感知器的學習規(guī)則    2.1.4  網絡的訓練    2.1.5  感知器的局限性    2.1.6  “異或”問題    2.1.7  解決線性可分性限制的辦法    2.1.8  本節(jié)小結  2.2  自適應線性元件    2.2.1  自適應線性神經元模型和結構    2.2.2  W-H學習規(guī)則    2.2.3  網絡訓練    2.2.4  例題與分析    2.2.5  對比與分析    2.2.6  單步延時線及其自適應濾波器的實現    2.2.7  自適應線性網絡的應用    2.2.8  本節(jié)小結  2.3  反向傳播網絡    2.3.1  BP網絡模型與結構    2.3.2  BP學習規(guī)則    2.3.3  BP網絡的訓練及其設計過程    2.3.4  BP網絡的設計    2.3.5  限制與不足    2.3.6  反向傳播法的改進方法    2.3.7  基于數值優(yōu)化方法的網絡訓練算法    2.3.8  數值實例對比    2.3.9  本節(jié)小結  習題第3章  遞歸神經網絡  3.1  各種遞歸神經網絡    3.1.1  全局反饋型遞歸神經網絡    3.1.2  前向遞歸神經網絡    3.1.3  混合型網絡    3.1.4  本節(jié)小結  3.2  全局反饋遞歸網絡    3.2.1  霍普菲爾德網絡模型    3.2.2  狀態(tài)軌跡    3.2.3  離散型霍普菲爾德網絡    3.2.4  連續(xù)型霍普菲爾德網絡    3.2.5  本節(jié)小結  3.3  Elman網絡    3.3.1  網絡結構及其輸入輸出關系式    3.3.2  修正網絡權值的學習算法    3.3.3  穩(wěn)定性推導    3.3.4  對穩(wěn)定性結論的分析    3.3.5  對角遞歸網絡穩(wěn)定時學習速率的確定    3.3.6  本節(jié)小結  3.4  對角遞歸神經網絡    3.4.1  網絡結構及其輸入輸出關系式    3.4.2  網絡的穩(wěn)定性分析    3.4.3  進一步的討論    3.4.4  數值實例    3.4.5  本節(jié)小結  3.5  局部遞歸神經網絡    3.5.1  PIDNNC的設計    3.5.2  閉環(huán)控制系統(tǒng)穩(wěn)定性分析    3.5.3  實時在線控制策略的設計步驟    3.5.4  數值應用    3.5.5  本節(jié)小結  習題第4章  局部連接神經網絡  4.1  徑向基函數網絡    4.1.1  徑向基函數及其網絡分析    4.1.2  網絡的訓練與設計    4.1.3  廣義徑向基函數網絡    4.1.4  數字應用對比及性能分析    4.1.5  本節(jié)小結  4.2  B樣條基函數及其網絡  4.3  CMAC神經網絡    4.3.1  CMAC網絡基本結構    4.3.2  CMAC的學習算法  4.4局  部神經網絡的性能對比分析    4.4.1  CMAC、B樣條和RBF共有的結構特點    4.4.2  CMAC、B樣條和RBF的不同之處  4.5  K型局部連接神經網絡    4.5.1  網絡結構與權值修正法    4.5.2  網絡特性分析    4.5.3  數字應用對比及性能分析    4.5.4  本節(jié)小結  習題第5章  自組織競爭神經網絡  5.1  幾種聯(lián)想學習規(guī)則    5.1.1  內星學習規(guī)則    5.1.2  外星學習規(guī)則    5.1.3  科荷倫學習規(guī)則  5.2  自組織競爭網絡    5.2.1  網絡結構    5.2.2  競爭學習規(guī)則    5.2.3  競爭網絡的訓練過程  5.3  科荷倫自組織映射網絡    5.3.1  科荷倫網絡拓撲結構    5.3.2  網絡的訓練過程  5.4  自適應共振理論    5.4.1  ART-1網絡結構    5.4.2  ART-1的運行過程    5.4.3  ART-2神經網絡  5.5  本章小結  習題第6章  隨機神經網絡  6.1  概述    6.1.1  隨機神經網絡的發(fā)展    6.1.2  GNN模型描述    6.1.3  RNN的學習算法    6.1.4  RNN的應用    6.1.5  其他隨機網絡    6.1.6  研究前景  6.2  用Boltzmann機求解典型NP優(yōu)化問題TSP    6.2.1  Boltzmann機網絡模型及其權值修正規(guī)則    6.2.2  用Boltzmann機網絡解TSP    6.2.3  Boltzmann機與Hopfield網絡解TSP的對比    6.2.4  本節(jié)小結  6.3  隨機神經網絡算法改進及其應用    6.3.1  DRNN解TSP的參數推導和改進方法    6.3.2  DRNN網絡解TSP改進方法的實驗對比    6.3.3  本節(jié)小結  6.4  采用DRNN網絡優(yōu)化求解的對比研究    6.4.1  DRNN與Hopfield網絡求解TSP的理論分析    6.4.2  DRNN與Hopfield網絡解TSP的實驗對比    6.4.3  本節(jié)小結  習題第7章  面向工具箱的神經網絡實際應用  7.1  綜述    7.1.1  神經網絡技術的選用    7.1.2  神經網絡各種模型的應用范圍    7.1.3  網絡設計的基本原則  7.2  神經網絡在控制系統(tǒng)中的應用    7.2.1  反饋線性化    7.2.2  問題的提出    7.2.3  神經網絡設計  7.3  利用神經網絡進行字母的模式識別    7.3.1  問題的闡述    7.3.2神經網絡的設計  7.4  用于字符識別的三種人工神經網絡的性能對比    7.4.1  用于字母識別的感知器網絡    7.4.2  用于字母識別的霍普菲爾德網絡    7.4.3  字母識別實驗及其結果分析附錄A  MATLAB 7.1神經網絡工具箱4.0.6函數一覽表附錄B  程序目錄參考文獻

章節(jié)摘錄

第1章 概述1.1 人工神經網絡概念的提出人腦是宇宙中已知最復雜、最完善和最有效的信息處理系統(tǒng)，是生物進化的最高產物，是人類智能、思維和情緒等高級精神活動的物質基礎，也是人類認識較少的領域之一。長期以來，人們不斷地通過神經學、生物學、心理學、認知學、數學、電子學和計算機科學等一系列學科，對神經網絡進行分析和研究，企圖揭示人腦的工作機理，了解神經系統(tǒng)進行信息處理的本質，并通過對人腦結構及其信息處理方式的研究，利用大腦神經網絡的一些特性，設計出具有類似大腦某些功能的智能系統(tǒng)來處理各種信息，解決不同問題。用機器代替人腦的部分勞動是當今科學技術發(fā)展的重要標志。計算機就是采用電子元件的組合來完成人腦的某些記憶、計算和判斷功能的系統(tǒng)。現代計算機中，每個電子元件的計算速度為納秒（10-9秒）級，而人腦中每個神經細胞的反應時間只有毫秒（101秒）級。然而在進行諸如記憶回溯、語言理解、直覺推理、圖像識別等決策過程中，人腦往往只需要一秒鐘左右的時間就可以完成復雜的處理。換句話說，腦神經細胞做出決定需要的運算不超過100步，范德曼（J.A.Feldman）稱之為100步程序長度。顯然，任何現代串行計算機絕不可能在100步運算中完成類似上述的一些任務。由此人們希望去追求一種新型的信號處理系統(tǒng)，它既有超越人的計算能力，又有類似于人的識別、判斷、聯(lián)想和決策的能力。人工神經網絡（Artificial Neural Network，簡稱ANN）正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統(tǒng)。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統(tǒng)。

編輯推薦

《面向MATLAB工具箱的神經網絡理論與應用》最主要的特點在于在闡述最典型的人工神經網絡理論的基礎上，通過MATLAB環(huán)境下提供的神經網絡工具箱進行例題的演示與應用，從而使得初學者能夠直觀地通過或圖形或訓練特性對神經網絡的功能及其應用有較深入和透徹的了解，同時也更加有助于問題的解決。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    面向MATLAB工具箱的神經網絡理論與應用 PDF格式下載

---