面向MATLAB工具箱的神经网络理论与应用

第2版前言.

前言

第1章 概述

1.1 人工神经网络概念的提出

1.2 神经细胞以及人工神经元的组成

1.3 人工神经网络应用领域

1.4 人工神经网络发展的回顾

1.5 人工神经网络的基本结构与模型

1.5.1 人工神经元的模型

1.5.2 激活转移函数

1.5.3 单层神经元网络模型结构

1.5.4 多层神经网络

1.5.5 反馈网络

1.6 用matlab计算人工神经网络输出

1.7 本章小结

习题

第2章 感知器

2.1 感知器的网络结构

2.2 感知器的图形解释

2.3 感知器的学习规则

.2.4 网络的训练

2.5 感知器的局限性

2.6 “异或”问题

2.7 解决线性可分性限制的办法

2.8 本章小结

习题

第3章 自适应线性元件

3.1 自适应线性神经元模型和结构

3.2 w-h学习规则

3.3 网络训练

3.4 例题与分析

3.5 对比与分析

3.6 单步延时线及其自适应滤波器的实现

3.7 自适应线性网络的应用

3.7.1 线性化建模

3.7.2 预测

3.7.3 消除噪声

3.8 本章小结

习题

第4章 反向传播网络

4.1 bp网络模型与结构

4.2 bp学习规则

4.2.1 信息的正向传递

4.2.2 利用梯度下降法求权值变化及误差的反向传播

4.2.3 误差反向传播的流程图与图形解释

4.3 bp网络的训练及其设计过程

4.4 bp网络的设计

4.4.1 网络的层数

4.4.2 隐含层的神经元数

4.4.3 初始权值的选取

4.4.4 学习速率

4.4.5 期望误差的选取

4.5 限制与不足

4.6 反向传播法的改进方法

4.6.1 附加动量法

4.6.2 自适应学习速率

4.6.3 弹性bp算法

4.7 基于数值优化方法的网络训练算法

4.7.1 拟牛顿法

4.7.2 共轭梯度法

4.7.3 levenberg-marquardt法

4.8 数值实例对比

4.9 本章小结

习题

第5章 反馈网络

5.1 霍普菲尔德网络模型

5.2 状态轨迹

5.2.1 状态轨迹为稳定点

5.2.2 状态轨迹为极限环

5.2.3 混沌现象

5.2.4 状态轨迹发散..

5.3 离散型霍普菲尔德网络

5.3.1 dhnn模型结构

5.3.2 联想记忆

5.3.3 dhnn的海布学习规则

5.3.4 影响记，亿容量的因素

5.3.5 网络的记忆容量确定

5.3.6 正交化的权值设计方法

5.4 连续型霍普菲尔德网络

5.4.1 对应于电子电路的网络结构

5.4.2 chnn方程的解及稳定性分析

5.4.3 霍普菲尔德能量函数及其稳定性分析

5.4.4 能量函数与优化计算

1. 能量函数设计的一般方法

2. 具体设计步骤

5.5 本章小结

习题

第6章 自组织竞争人工神经网络

6.1 几种联想学习规则

6.1.1 内星学习规则

6.1.2 外星学习规则

6.1.3 科荷伦学习规则

6.2 自组织竞争网络

6.2.1 网络结构

6.2.2 竞争学习规则

6.2.3 竞争网络的训练过程

6.3 科荷伦自组织映射网络

6.3.1 科荷伦网络拓扑结构

6.3.2 网络的训练过程

6.4 对传网络

6.4.1 网络结构

6.4.2 学习法则

6.4.3 训练过程

6.5 自适应共振理论

6.5.1 art1网络结构

6.5.2 art1的运行过程

6.6 本章小结

习题

第7章 面向工具箱的神经网络实际应用

7.1 综 述

7.1.1 神经网络技术的选取

7.1.2 神经网络各种模型的应用范围

7.1.3 网络设计的基本原则

7.2 神经网络在控制系统中的应用

7.2.1 反馈线性化

7.2.2 问题的提出

7.2.3 神经网络设计

7.3 利用神经网络进行字母的模式识别

7.3.1 问题的阐述

7.3.2 神经网络的设计

7.4 用自组织竞争网络优化模糊神经网络的结构与参数

7.4.1 fnn控制器的设计

7.4.2 被控对象模型的辨识

7.4.3 fnn控制器的训练

7.4.4 采用scnn优化模糊标记数与性能对比

附录

附录a matlab6.1神经网络工具箱4.01函数一览表

附录b 软件

参考文献...