MATLAB神经网络原理与实例精解 PDF 清晰完整版

《MATLAB神经网络原理与实例精解》结合科研和高校教学的相关课程，全面、系统、详细地介绍了MATLAB神经网络的原理及应用，并给出了大量典型的实例供读者参考。《MATLAB神经网络原理与实例精解》附带1张光盘，收录了《MATLAB神经网络原理与实例精解》重点内容的配套多媒体教学视频及书中涉及的实例源文件。这些资料可以大大方便读者高效、直观地学习《MATLAB神经网络原理与实例精解》内容。

《MATLAB神经网络原理与实例精解》首先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的最后给出了实例。在全书的最后，又以专门的一章收集了MATLAB神经网络在图像、工业、金融、体育等不同领域的具体应用，具有很高的理论和使用价值。全书内容详实、重点突出，从三个层次循序渐进地利用实例讲解网络原理和使用方法，降低了学习门槛，使看似神秘高深的神经网络算法更为简单易学。

《MATLAB神经网络原理与实例精解》适合学习神经网络的人员使用MATLAB方便地实现神经网络以解决实际问题，也适合神经网络或机器学习算法的研究者及MATLAB进阶学习者阅读。另外，《MATLAB神经网络原理与实例精解》可以作为高校相关课程的教材和教学参考书。

目录

• 第1篇 入门篇
• 第1章 神经网络概述（ 教学视频：10分钟）
• 1.1 人工神经网络简介
• 1.2 神经网络的特点及应用
• 1.2.1 神经网络的特点
• 1.2.2 神经网络的应用
• 1.3 人工神经网络的发展历史
• 1.4 神经网络模型
• 1.5 神经网络的学习方式
• 第2章 matlab快速入门（ 教学视频：48分钟）
• 2.1 matlab功能及历史
• 2.1.1 matlab的功能和特点
• 2.1.2 matlab发展历史
• 2.2 matlab r2011b集成开发环境
• 2.2.1 matlab的安装
• 2.2.2 matlab集成开发环境
• 2.2.3 搜索路径设定
• 2.3 matlab语言基础
• 2.3.1 标识符与数组
• 2.3.2 数据类型
• 2.3.3 运算符
• 2.3.4 流程控制
• 2.3.5 m文件
• 第3章 matlab函数与神经网络工具箱（ 教学视频：62分钟）
• 3.1 matlab常用命令
• 3.2 矩阵生成和基本运算
• 3.2.1 zeros 生成全零矩阵
• 3.2.2 ones 生成全1矩阵
• 3.2.3 magic 生成魔方矩阵
• 3.2.4 eye 生成单位矩阵
• 3.2.5 rand 生成均匀分布随机数
• 3.2.6 randn 生成正态分布随机数
• 3.2.7 linspace 产生线性等分向量
• 3.2.8 logspace 产生对数等分向量
• 3.2.9 randperm 生成随机整数排列
• 3.2.10 randi 生成整数随机数
• 3.2.11 range 向量的最大/最小值之差
• 3.2.12 minmax求最大/最小值
• 3.2.13 min/max/mean求最大/最小值
• 3.2.14 size/length/numel/ndims 矩阵维度相关
• 3.2.15 sum/prod 求和或积
• 3.2.16 var/std 求方差与标准差
• 3.2.17 diag 生成对角矩阵
• 3.2.18 repmat 矩阵复制和平铺
• 3.2.19 reshape 矩阵变维
• 3.2.20 inv/pinv 矩阵求逆/求伪逆
• 3.2.21 rank/det 求矩阵的秩/行列式
• 3.2.22 eig 矩阵的特征值分解
• 3.2.23 svd 矩阵的奇异值分解
• 3.2.24 trace 求矩阵的迹
• 3.2.25 norm 求向量或矩阵的范数
• 3.3 数学函数
• 3.3.1 abs 求绝对值
• 3.3.2 exp/log 指数函数/对数函数
• 3.3.3 log10/log2 常用对数/以2为底的对数
• 3.3.4 fix/round/ceil/floor 取整函数
• 3.3.5 mod/rem 取模数/余数
• 3.4 图形相关函数
• 3.4.1 plot 绘制二维图像
• 3.4.2 坐标轴设置函数
• 3.4.3 subplot 同一窗口分区绘图
• 3.4.4 figure/hold 创建窗口/图形保持
• 3.4.5 semilogx/semilogy 单对数坐标图
• 3.4.6 contour/ clabel曲面等高线/等高线标签
• 3.4.7 gcf/gca/gco 返回当前图形/坐标/对象句柄
• 3.4.8 mesh 绘制三维网格图
• 3.5 神经网络工具箱
• 3.5.1 工具箱函数基本介绍
• 3.5.2 神经网络对象与属性
• 第2篇 原理篇
• 第4章 单层感知器（ 教学视频：27分钟）
• 4.1 单层感知器的结构
• 4.2 单层感知器的学习算法
• 4.3 感知器的局限性
• 4.4 单层感知器相关函数详解
• 4.4.1 newp——创建一个感知器
• 4.4.2 train——训练感知器网络
• 4.4.3 sim——对训练好的网络进行仿真
• 4.4.4 hardlim/hardlims——感知器传输函数
• 4.4.5 init——神经网络初始化函数
• 4.4.6 adapt——神经网络的自适应
• 4.4.7 mae——平均绝对误差性能函数
• 4.5 单层感知器应用实例——坐标点的二类模式分类
• 4.5.1 手算
• 4.5.2 使用工具箱函数
• 第5章 线性神经网络（ 教学视频：41分钟）
• 5.1 线性神经网络的结构
• 5.2 lms学习算法
• 5.3 lms算法中学习率的选择
• 5.3.1 确保网络稳定收敛的学习率
• 5.3.2 学习率逐渐下降
• 5.4 线性神经网络与感知器的对比
• 5.4.1 网络传输函数
• 5.4.2 学习算法
• 5.5 线性神经网络相关函数详解
• 5.5.1 newlind——设计一个线性层
• 5.5.2 newlin——构造一个线性层
• 5.5.3 purelin——线性传输函数
• 5.5.4 learnwh——lms学习函数
• 5.5.5 maxlinlr——计算最大学习率
• 5.5.6 mse——均方误差性能函数
• 5.5.7 linearlayer——构造线性层的函数
• 5.6 线性神经网络应用实例
• 5.6.1 实现二值逻辑——与
• 5.6.2 实现二值逻辑——异或
• 第6章 bp神经网络（ 教学视频：49分钟）
• 6.1 bp神经网络的结构
• 6.2 bp网络的学习算法
• 6.2.1 最速下降法
• 6.2.2 最速下降bp法
• 6.2.3 串行和批量训练方式
• 6.2.4 最速下降bp法的改进
• 6.3 设计bp网络的方法
• 6.4 bp神经网络的局限性
• 6.5 bp网络相关函数详解
• 6.5.1 logsig——log-sigmoid传输函数
• 6.5.2 tansig——tan-sigmoid传输函数
• 6.5.3 newff——创建一个bp网络
• 6.5.4 feedforwardnet——创建一个bp网络
• 6.5.5 newcf——级联的前向神经网络
• 6.5.6 cascadeforwardnet——新版级联前向网络
• 6.5.7 newfftd——前馈输入延迟的bp网络
• 6.5.8 dlogsig/dtansig——sigmoid函数的导数
• 6.6 bp神经网络应用实例
• 6.6.1 基于bp网络的性别识别
• 6.6.2 实现二值逻辑——异或
• 第7章 径向基函数网络（ 教学视频：62分钟）
• 7.1 径向基神经网络的两种结构
• 7.1.1 径向基函数
• 7.1.2 正则化网络
• 7.1.3 广义网络
• 7.2 径向基神经网络的学习算法
• 7.2.1 随机选取固定中心
• 7.2.2 自组织选取中心
• 7.2.3 有监督选取中心
• 7.2.4 正交最小二乘法
• 7.3 径向基神经网络与多层感知器的比较
• 7.4 概率神经网络
• 7.4.1 模式分类的贝叶斯决策理论
• 7.4.2 概率神经网络的结构
• 7.4.3 概率神经网络的优点
• 7.5 广义回归神经网络
• 7.5.1 广义回归神经网络的理论基础
• 7.5.2 广义回归神经网络的结构
• 7.6 径向基神经网络相关函数详解
• 7.6.1 newrb——设计一个径向基函数网络
• 7.6.2 newrbe——设计一个严格的径向基网络
• 7.6.3 radbas——径向基函数
• 7.6.4 dist——欧几里得距离权函数
• 7.6.5 netprod——乘积网络输入函数
• 7.6.6 dotprod——内积权函数
• 7.6.7 netsum——求和网络输入函数
• 7.6.8 newpnn——设计概率神经网络
• 7.6.9 compet——竞争性传输函数
• 7.6.10 ind2vec/vec2ind——向量-下标转换函数
• 7.6.11 newgrnn——设计广义回归神经网络
• 7.6.12 normprod——归一化点积权函数
• 7.7 径向基网络应用实例
• 7.7.1 异或问题
• 7.7.2 rbf网络曲线拟合
• 7.7.3 grnn网络曲线拟合
• 7.7.4 pnn网络用于坐标点分类
• 第8章 自组织竞争神经网络（ 教学视频：52分钟）
• 8.1 竞争神经网络
• 8.2 竞争神经网络的学习算法
• 8.2.1 kohonen学习规则
• 8.2.2 阈值学习规则
• 8.3 自组织特征映射网络
• 8.4 som的学习算法
• 8.5 学习矢量量化网络
• 8.5.1 lvq1学习规则
• 8.5.2 lvq2规则
• 8.6 自组织竞争网络相关函数详解
• 8.6.1 gridtop——网格拓扑函数
• 8.6.2 hextop——六边形拓扑函数
• 8.6.3 randtop——随机拓扑结构函数
• 8.6.4 tritop——三角拓扑函数
• 8.6.5 dist、boxdist、linkdist、mandist——距离函数
• 8.6.6 newc——竞争网络
• 8.6.7 competlayer——新版竞争网络函数
• 8.6.8 newsom——自组织特征映射网络
• 8.6.9 selforgmap——新版自组织映射网络函数
• 8.6.10 newlvq——学习矢量量化网络
• 8.6.11 lvqnet——新版学习矢量量化网络函数
• 8.6.12 mapminmax——归一化函数
• 8.7 自组织竞争神经网络应用实例
• 8.7.1 坐标点的分类（竞争神经网络）
• 8.7.2 坐标点的分类（自组织映射网络）
• 第9章 反馈神经网络（ 教学视频：51分钟）
• 9.1 离散hopfield神经网络
• 9.1.1 hopfield网络的结构
• 9.1.2 hopfield网络的稳定性
• 9.1.3 设计离散hopfield网络
• 9.2 连续hopfield神经网络
• 9.3 elman神经网络
• 9.4 盒中脑模型
• 9.5 反馈神经网络相关函数详解
• 9.5.1 newhop——生成一个离散hopfield网络
• 9.5.2 satlin——饱和线性传递函数
• 9.5.3 satlins——对称饱和线性传递函数
• 9.5.4 nnt2hop——更新hopfield网络
• 9.5.5 newelm——创建elman反馈网络
• 9.5.6 elmannet——创建elman反馈网络（新版本）
• 9.6 反馈神经网络应用实例
• 9.6.1 二维平面上的联想记忆网络
• 9.6.2 elman股价预测
• 第10章 随机神经网络（ 教学视频：40分钟）
• 10.1 模拟退火算法
• 10.1.1 模拟退火算法的引出
• 10.1.2 退火算法的参数控制
• 10.2 boltzmann机
• 10.2.1 boltzmann机基本原理
• 10.2.2 boltzmann机的学习规则
• 10.2.3 boltzmann机的运行步骤
• 10.3 sigmoid置信度网络
• 10.4 matlab模拟退火算法工具
• 10.4.1 matlab优化工具箱
• 10.4.2 模拟退火算法相关函数
• 10.5 模拟退火算法求解tsp问题
• 第11章 用gui设计神经网络（ 教学视频：56分钟）
• 11.1 神经网络工具（nntool）
• 11.1.1 nntool界面介绍
• 11.1.2 使用nntool建立神经网络
• 11.2 神经网络分类/聚类工具（nctool）
• 11.3 神经网络拟合工具（nftool）
• 11.4 神经网络模式识别工具（nprtool）
• 11.5 神经网络时间序列工具（ntstool）
• 11.6 nntraintool与view
• 第3篇 实战篇
• 第12章 simulink
• 12.1 simulink中的神经网络模块
• 12.2 用gensim生成模块
• 12.2.1 相关函数介绍
• 12.2.2 gensim使用实例
• 第13章 神经网络应用实例（ 教学视频：96分钟）
• 13.1 bp神经网络实现图像压缩
• 13.1.1 问题背景
• 13.1.2 神经网络建模
• 13.1.3 神经网络压缩的实现
• 13.2 elman网络预测上证股市开盘价
• 13.2.1 问题背景
• 13.2.2 神经网络建模
• 13.2.3 elman网络预测股价的实现
• 13.3 径向基网络预测地下水位
• 13.3.1 问题背景
• 13.3.2 神经网络建模
• 13.3.3 径向基网络预测的实现
• 13.4 基于bp网络的个人信贷信用评估
• 13.4.1 问题背景
• 13.4.2 神经网络建模
• 13.4.3 个人信贷信用评估的实现
• 13.5 基于概率神经网络的手写体数字识别
• 13.5.1 问题背景
• 13.5.2 神经网络建模
• 13.5.3 手写体数字识别的实现
• 13.6 基于概率神经网络的柴油机故障诊断
• 13.6.1 问题背景
• 13.6.2 神经网络建模
• 13.6.3 柴油机故障诊断的实现
• 13.7 基于自组织特征映射网络的亚洲足球水平聚类
• 13.7.1 问题背景
• 13.7.2 神经网络建模
• 13.7.3 足球水平聚类的实现