MATLAB神经网络仿真与应用

第一章 概论

1．1 matlab软件包的特征

1．2 matlab的运行环境

1．2．1 matlab的运行方式

1．2．2 matlab中的窗口

1．3 matlab的帮助系统

1．3．1 命令行帮助

1．3．2 联机帮助

1．3．3 演示帮助

1．4 matlab软件包的构成和应用概述

1．4．1 matlab软件包的构成

1．4．2 matlab的应用

1．5 神经网络发展和应用

1．5．1 人工神经网络发展的历史回顾

1．5．2 神经网络的应用

1．5．3 神经网络的学习方法

1．6 面向matlab工具箱的神经网络设计概述

1．6．1 matlab神经网络工具箱

1．6．2 神经网络技术的选取

1．6．3 运用工具箱设计网络的原则和过程

.第二章 matlab数值计算功能

2．1 矩阵与数组运算

2．1．1 矩阵的建立

2．1．2 矩阵和数组运算指令对照汇总

2．2 矩阵与数组函数

2．2．1 基本数组函数

2．2．2 基本矩阵函数

2．2．3 几个易混淆的两种函数运算

2．3 关系运算和逻辑运算

2．3．1 关系运算

2．3．2 逻辑运算

2．4 矩阵的分解

2．4．1 三角分解

2．4．2 正交分解

2．4．3 特征值分解

2．4．4 奇异值分解

2．5 多项式

2．5．1 多项式的表达和创建

2．5．2 多项式的运算

2．6 数据分析

2．6．1 基本统计函数指令

2．6．2 协方差阵和相关阵

2．6．3 有限差分和导数

2．6．4 数据滤波

2．7 数值分析

2．7．1 数值积分

2．7．2 微分方程的数值解

第三章 matlab符号处理

3．1 字符串

3．1. l 字符数组

3．1．2 字符的asch码转换

3．1．3 创建二维的字符数组

3．1．4 字符串中的单元数组

3．1．5 字符数组与单元数组间的转换

3．1. 6 字符串比较

3．1．7 判断字符串是否相等

3．1．8 通过字符的运算来比较字符

3．1．9 字符串中字符的分类

3．1．10 查找与替换

3．1．11 字符串和数值的相互转换

3．2 符号矩阵的运算

3．2．1 符号矩阵的创建

3．2．2 符号矩阵的加、减、乘、除运算

3．2．3 符号矩阵的逆和除运算

3．2．4 符号矩阵的幂运算

3．2．5 符号矩阵的综合运算指令

3．2．6 符号变量替换

3．2．7 符号矩阵的分解

3．2．8 符号微积分

3．2．9 符号代数方程的求解

3．2．10 符号微分方程的求解

3．3 符号函数绘图

第四章 绘图

4．1 二维绘图

4．1．1 plot

4．1．2 fihgure和subplot

4．1．3 绘图指令的开关控制

4．1．4 标题与坐标轴的操作

4．2 三维绘图

4．2．1 mesh

4．2．2 3d图形的颜色、光线来源及图上标点的设定

4．2．3 透视与视角的设置

4．3 图形句柄

4．3．1 图形对象

4．3．2 图形对象的句柄

4．3．3 对象创建函数

4．3．4 对象品性及其设置和查询

4．3．5 实时动画的制作

第五章 matlab的程序设计

5．1 matlab程序设计入门

5. 1．1 编辑程序和m文件的形式

5．1．2 matlab的命令文件

5．1．3 matlab的函数文件

5．2 参数与变量

5．2．1 参数

5．2．2 局部变量与全局变量

5．3 数据类型

5．4 程序结构

5. 4．1 顺序结构

5．4．2 循环结构

5．4．3 分支结构

5．5 程序流控制语句

5．5. 1 echo指令

5．5．2 input、yesinput指令

5．5．3 pause指令

5．5．4 keyboard指令

5．5．5 break指令

5．6 函数调用及变量传递

5．6．1 函数调用

5．6．2 参数传递

5．7 神经网络应用设计举例

5．7．1 带有偏差单元的递归神经网络

5．7．2 具有快速学习算法的补偿模糊神经网络

5．7．3 小脑模型神经网络算法研究

5．7．4 神经—模糊系统研究

第六章 感知器

6．1 感知器原理

6．1．1 感知器神经模型

6．1．2 感知器神经元网络的结构

6．1．3 感知器神经网络的学习规则

6．2 感知器神经网络的设计

6．2．1 感知器神经网络的初始化

6．2．2 感知器神经网络的创建

6．2．3 感知器神经网络的仿真

6．2．4 感知器神经网络的训练

6．3 感知器神经网络的局限性

6．4 图形用户界面

6．5 matlab中关于感知器神经网络的工具函数

6．6 感知器神经网络设计实例

6．6．1 多个感知器神经元的分类问题

6．6．2 奇异样本对感知器神经网络训练的影响

6．6．3 线性不可分的输入向量

第七章 线性神经网络

7．1 线性神经网络原理

7．1．1 线性神经元模型

7．1．2 线性神经网络的结构

7．1．3 线性神经网络的学习规则

7．2 线性神经网络的设计

7．2．1 线性神经网络的初始化

7．2．2 线性神经网络的创建

7．2．3 线性神经网络的设计

7．2．4 线性神经网络的训练

7．3 线性神经网络的局限性

7．4 matlab中有关线性神经网络的工具函数

7．5 线性神经网络设计实例

第八章 bp神经网络

8．1 bp网络理论

8．1．1 bp网络结构

8．1．2 bp网络学习公式推导

8．2 面向matlab的bp神经网络原理

8．2．1 bp神经元结构

8．2．2 bp神经网络的结构

8．3 面向matlab的bp神经网络的设计

8．3．1 bp神经网络的初始化

8．3．2 bp神经网络的创建

8．3．3 bp神经网络的仿真

8．3．4 bp神经网络的训练

8．3．5 bp神经网络泛化的改进

8．3．6 bp神经网络训练样本的处理

第九章 径向基神经网络

9．1 径向基函数神经网络的理论基础

9，2 面向matlab工具箱的径向基神经网络

9．2．1 面向matlab工具箱的径向基神经元模型

9．2．2 面向matlab工具箱的径向基神经网络

9．3 径向基神经网络的设计

9．3．1 精确设计函数(newrbe)

9．3．2 普通设计函数(newrb)

9．4 广义回归神经网络

9．5 概率神经网络

9．6 matlab中关于径向基函数神经网络的工具函数

9．? 径向基函数网络与模糊理论的结合及应用

9．7．1 径向基函数网络和模糊推理系统的功能等价关系

9．7．2 基于自适应模糊系统的径向基高斯函数网络

9．7．3 学习算法

9．7．4 非线性系统的故障诊断

第十章 自组织竞争人工神经网络

10．1 自组织竞争人工神经网络

10．1．1 自组织竞争人工神经网络的结构

10．1．2 自组织竞争人工神经网络的创建

10．1．3 自组织竞争人工神经网络的训练

10. 2 自组织特征映射神经网络

10．2．1 自组织特征映射神经网络的结构

10．2．2 自组织特征映射神经网络的创建

10．2．3 自组织特征映射神经网络的训练

10．3 学习向量量化神经网络

10．3．1 学习向量量化神经网络的结构

10．3．2 学习向量量化神经网络的创建

10．3．3 学习向量量化神经网络的训练

10．4 matlab中关于自组织神经网络的工具函数

10．5 网络设计实例

10．5．1 使用自组织竞争神经网络进行模式识别

10．5．2 一维自组织特征映射神经网络设计实例

10．5．3 二维自组织特征映射神经网络设计实例

第十一章 回归神经网络

11．1 回归神经网络理论基础

11．1．1 hopfield网络

11．1．2 elman神经网络

11．2 e1man神经网络

11．2．1 elman神经网络的结构

11．2．2 elman神经网络的创建

11．2．3 elman神经网络的训练

11．3 hopfield神经网络

11．3．1 hopfield神经网络的结构

11．3．2 hopfield神经网络的设计

11．4 有关回归神经网络的工具函数

主要参考文献