本書以MATLAB R2016a為平臺編寫。全書共分28個案例，主要介紹神經網絡工具箱函數、前向型神經網絡、反饋型神經網絡、競爭型神經網絡、神經網絡的控制系統預測及診斷、神經網絡圖形用戶接口、神經網絡的Simulink、自定義神經網絡等內容，可使讀者全面了解MATLAB在神經網絡中的應用。
本書可以作為廣大科研人員、學者、工程技術人員的參考用書，也可以作為高等理工科院校電子信息、通信工程及自動控制等學科的本科生與研究生的學習用書。
本書是精通MATLAB叢書之一，以MATLAB R2016a為平臺編寫，通過28個案例介紹MATLAB在神經網絡中的應用，應用性強，實用價值高。本書提供所有程序源代碼。精通MATLAB相關書目如下：（1）MATLAB 8.X實戰指南（2）數字圖像處理高級應用基于MATLAB和CUDA的實現（第2版）（3）MATLAB通信系統建模與仿真（4）MATLAB R2015a數字圖像處理（5）MATLAB R2015b數學建模（6）MATLAB R2015a小波分析（7）MATLAB R2015b神經網絡技術（8）MATLAB R2015b*化計算（9）MATLAB R2015b概率與數理統計（10）MATLAB R2015b數值計算方法（11）MATLAB R2016a智能計算25個案例分析（12）MATLAB R2016a在電子信息工程中仿真案例分析（13）MATLAB R2016a神經網絡設計與應用28個案例分析
前言
人工神經網絡(Artificial Neural Network，ANN)也簡稱為神經網絡(NN)或連接模型(Connectionist
Model)，是對人腦或自然神經網絡(Natural Neural Network)若干基本特性的抽象和模擬。人工神經網絡以對大腦的生理研究成果為基礎，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能。國際著名的神經網絡研究專家、第一家神經計算機公司的創立者Hecht Nielsen給人工神經網絡下的定義是：
人工神經網絡是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連續或斷續的輸入作狀態響應而進行信息處理。這一定義是恰當的。
目前神經網絡研究方法已形成多個流派，最富有成果的研究工作包括多層網絡BP算法、Hopfield網絡模型、自適應共振理論、自組織特征映射理論等。人工神經網絡是在現代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特征，但遠不是自然神經網絡的逼真描寫，而只是它的某種簡化抽象和模擬。
MATLAB中所搭配的Neural Network
Toolbox，將神經網絡領域研究的成果完整覆蓋，它以人工神經網絡理論為基礎，用MATLAB語言構造出典型神經網絡的激活函數，如S型、線性、競爭層、飽和線性等激活函數，使設計者對所選定網絡輸出的計算變成對激活函數的調用。另外，根據各種典型的修正網絡權值的規則，加上網絡的訓練過程，用MATLAB編寫出各種網絡設計與訓練的子程序，網絡的設計者則可以根據自己的需要去調用工具箱中有關神經網絡的設計訓練程序，使自己能夠從煩瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高效率和解題質量。
本書結合神經網絡設計應用的實例，詳細介紹了MATLAB在神經網絡分析、設計中的方法與過程。本書具有以下特點：
(1) 內容翔實，實用性強，書中每介紹一個案例都給出了詳細說明，使讀者能快速掌握MATLAB在具體案例中的應用。
(2) 書中大量的例題均選自國內高校廣泛使用的神經網絡設計應用的經典案例，極具典型性與參考價值，還可供讀者上機進行實踐訓練或實驗使用。
(3) 文字敘述清楚，概念闡述準確，深入淺出，通俗易懂，方便自學。
全書分為28章，其主要內容概述如下：
線性神經網絡的工程應用；
神經網絡預測的實例分析；
BP網絡算法分析與工程應用；
神經網絡算法分析與實現；
預測控制算法分析與實現；
改進的廣義預測控制算法分析與實現；
SOFM網絡算法分析與應用；
幾種網絡算法分析與應用；
Hopfield網絡算法分析與實現；
學習向量量化與對向傳播網絡算法分析與實現；
NARMAL2控制算法分析與實現；
神經網絡工具箱函數及其應用；
Simulink神經網絡設計；
BP神經元模型與應用案例；
自適應共振網絡算法分析與應用等。
本書主要由方清城編寫，參加編寫的還有張基榮、陳華林、林彥佳、廖文輝、欒穎、周品、曾虹雁、鄧俊輝、陳添威、鄧耀隆、高永崇、李嘉樂、李錦濤、梁朗星、梁志成、許興杰、趙書蘭、張金林。
本書可以作為廣大科研人員、學者、工程技術人員的參考用書，也可以作為高等院校電子信息、通信工程及自動控制等學科的本科生與研究生的學習用書。
由于時間倉促，加之作者水平有限，所以書中疏漏之處在所難免。在此，誠懇地期望得到各領域的專家和廣大讀者的批評指正。
作者
2017年9月
目錄
第1章線性神經網絡的工程應用
1.1系統辨識的MATLAB實現
1.2自適應系統辨識的MATLAB實現
1.3線性系統預測的MATLAB實現
1.4線性神經網絡用于消噪處理的MATLAB實現
第2章神經網絡預測的實例分析
2.1地震預報的MATLAB實現
2.1.1概述
2.1.2地震預報的MATLAB實例分析
2.2交通運輸能力預測的MATLAB實現
2.2.1概述
2.2.2交通運輸能力預測的MATLAB實例分析
2.3農作物蟲情預測的MATLAB實現
2.3.1概述
2.3.2農作物蟲情預測的MATLAB實例分析
2.4基于概率神經網絡的故障診斷
2.4.1概述
2.4.2基于PNN的故障診斷實例分析
2.5基于BP網絡和Elman網絡的齒輪箱故障診斷
2.5.1概述
2.5.2基于BP網絡的齒輪箱故障診斷實例分析
2.5.3基于Elman網絡的齒輪箱故障診斷實例分析
2.6基于RBF網絡的船用柴油機故障診斷
2.6.1概述
2.6.2基于RBF網絡的船用柴油機故障診斷實例分析
第3章BP網絡算法分析與工程應用
3.1數值優化的BP網絡訓練算法
3.1.1擬牛頓法
3.1.2共軛梯度法
3.1.3LevenbergMarquardt法
3.2BP網絡的工程應用
3.2.1BP網絡在分類中的應用
3.2.2函數逼近
3.2.3BP網絡用于膽固醇含量的估計
3.2.4模式識別
第4章神經網絡算法分析與實現
4.1Elman神經網絡
4.1.1Elman神經網絡結構
4.1.2Elman神經網絡的訓練
4.1.3Elman神經網絡的MATLAB實現
4.2Boltzmann機網絡
4.2.1BM網絡結構
4.2.2BM網絡的規則
4.2.3用BM網絡解TSP
4.2.4BM網絡的MATLAB實現
4.3BSB模型
4.3.1BSB神經模型概述
4.3.2BSB的MATLAB實現
第5章預測控制算法分析與實現
5.1系統辨識
5.2自校正控制
5.2.1單步輸出預測
5.2.2最小方差控制
5.2.3最小方差間接自校正控制
5.2.4最小方差直接自校正控制
5.3自適應控制
5.3.1MIT自適應律
5.3.2MIT歸一化算法
第6章改進的廣義預測控制算法分析與實現
6.1預測控制
6.1.1基于CARIMA模型的JGPC
6.1.2基于CARMA模型的JGPC
6.2神經網絡預測控制的MATLAB實現
第7章SOFM網絡算法分析與應用
7.1SOFM網絡的生物學基礎
7.2SOFM網絡的拓撲結構
7.3SOFM網絡學習算法
7.4SOFM網絡的訓練過程
7.5SOFM網絡的MATLAB實現
7.6SOFM網絡在實際工程中的應用
7.6.1SOFM網絡在人口分類中的應用
7.6.2SOFM網絡在土壤分類中的應用
第8章幾種網絡算法分析與應用
8.1競爭型神經網絡的概念與原理
8.1.1競爭型神經網絡的概念
8.1.2競爭型神經網絡的原理
8.2幾種聯想學習規則
8.2.1內星學習規則
8.2.2外星學習規則
8.2.3科荷倫學習規則
第9章Hopfield神經網絡算法分析與實現
9.1離散Hopfield神經網絡
9.1.1網絡的結構與工作方式
9.1.2吸引子與能量函數
9.1.3網絡的權值設計
9.2連續Hopfield神經網絡
9.3聯想記憶
9.3.1聯想記憶網絡
9.3.2聯想記憶網絡的改進
9.4Hopfield神經網絡的MATLAB實現
第10章學習向量量化與對向傳播網絡算法分析與實現
10.1學習向量量化網絡
10.1.1LVQ網絡模型
10.1.2LVQ網絡學習算法
10.1.3LVQ網絡學習的MATLAB實現
10.2對向傳播網絡
10.2.1對向傳播網絡概述
10.2.2CPN網絡學習及規則
10.2.3對向傳播網絡的實際應用
第11章NARMAL2控制算法分析與實現
11.1反饋線性化控制系統原理
11.2反饋線性控制的MATLAB實現
11.3NARMAL2控制器原理及實例分析
11.3.1NARMAL2控制器原理
11.3.2NARMAL2控制器實例分析
第12章神經網絡函數及其導函數
12.1神經網絡的學習函數
12.2神經網絡的輸入函數及其導函數
12.3神經網絡的性能函數及其導函數
12.3.1性能函數
12.3.2性能函數的導函數
第13章Simulink神經網絡設計
13.1Simulink交互式仿真集成環境
13.1.1Simulink模型創建
13.1.2Simulink建模操作
13.1.3Simulink參數設置
13.1.4簡單的Simulink例子
13.2Simulink神經網絡模塊
13.2.1傳遞函數模塊庫
13.2.2網絡輸入模塊庫
13.2.3權值設置模塊庫
13.2.4處理模塊庫
13.2.5控制系統模塊庫
13.3Simulink神經網絡設計
13.3.1模型構建
13.3.2模型仿真
13.3.3修改信號源
第14章BP神經元模型與應用案例
14.1BP神經元及其模型
14.2BP網絡的學習
14.2.1BP網絡學習算法
14.2.2BP網絡學習算法的比較
14.3BP網絡的局限性
14.4BP網絡的MATLAB程序應用舉例
14.4.1BP網絡設計的基本方法
14.4.2BP網絡應用舉例
第15章自適應共振網絡算法分析與應用
15.1ART1網絡
15.1.1網絡系統結構
15.1.2ATR1網絡運行過程
15.1.3ATR1學習算法
15.1.4ART1網絡應用
15.2ART2網絡
15.2.1網絡結構與運行原理
15.2.2網絡的數學模型與學習算法
15.2.3ART2網絡在系統辨識中的應用
第16章徑向基網絡算法分析與應用
16.1正則化理論及正則化RBF網絡
16.1.1正則化理論
16.1.2正則化RBF網絡
16.2徑向基神經網絡結構
16.2.1徑向基神經元模型
16.2.2徑向基神經網絡模型
16.3徑向基神經網絡學習
16.4徑向基神經網絡的工程應用
16.4.1函數逼近
16.4.2散布常數對徑向基網絡的影響
16.5廣義回歸神經網絡
16.5.1GRNN網絡結構
16.5.2GRNN網絡工作原理
16.6概率神經網絡
16.6.1PNN網絡結構
16.6.2PNN網絡工作原理
16.6.3應用PNN進行變量分類
第17章感知器算法分析與實現
17.1單層感知器模型
17.2單層感知器的學習算法
17.3感知器的局限性
17.4單層感知器神經網絡的MATLAB仿真
17.4.1感知器神經網絡設計的基本方法
17.4.2單層感知器神經網絡的應用舉例
17.5多層感知器神經網絡及其MATLAB仿真
17.5.1多層感知器神經網絡的設計方法
17.5.2多層感知器神經網絡的應用舉例
17.6用于線性分類問題的進一步討論
17.6.1決策函數與決策邊界
17.6.2感知器的決策函數與決策邊界
第18章線性網絡與BP網絡工具箱函數及其應用
18.1線性神經網絡工具箱函數
18.1.1創建函數及其應用
18.1.2學習函數及其應用
18.1.3性能函數及其應用
18.1.4權積函數及其應用
18.1.5初始化函數
18.2BP神經網絡工具箱函數
18.2.1創建函數及其應用
18.2.2傳遞函數及其應用
18.2.3學習函數及其應用
18.2.4性能函數及其應用
18.2.5訓練函數及其應用
18.2.6顯示函數及其應用
第19章BP網絡算法分析與實現
19.1BP神經網絡模型
19.2BP神經網絡算法
19.2.1SDBP算法
19.2.2MOBP算法
19.2.3VLBP算法
19.2.4RPROP算法
19.2.5CGBP算法
19.3BP網絡設計
19.4BP神經網絡局限性
19.5BP神經網絡算法改進
19.5.1附加動量法
19.5.2有自適應lr的梯度下降法
19.5.3彈性梯度下降法
第20章自組織網絡工具箱函數及其應用
20.1創建函數
20.2傳遞函數
20.3距離函數
20.4學習函數
20.5初始化函數
20.6訓練函數
20.7顯示函數
20.8權值函數
20.9結構函數
第21章線性網絡算法分析與實現
21.1線性神經網絡結構
21.2線性神經網絡學習
21.3線性神經網絡訓練
21.4線性神經網絡的MATLAB實現
21.5線性神經網絡的局限性
21.5.1超定系統
21.5.2不定系統
21.5.3線性相關向量
21.5.4學習速率過大
第22章神經網絡工具箱函數及其應用
22.1徑向基神經網絡工具箱函數
22.1.1創建函數
22.1.2變換函數
22.1.3傳遞函數
22.1.4距離函數
22.2Hopfield神經網絡工具箱函數
22.2.1傳輸函數
22.2.2學習函數
22.3Elman神經網絡工具箱函數
22.4學習向量量化網絡工具箱函數
22.4.1創建函數
22.4.2顯示函數
第23章感知器網絡算法分析與實現
23.1單層感知器
23.1.1單層感知器模型
23.1.2感知器功能
23.1.3網絡結構
23.1.4感知器算法
23.1.5網絡的訓練
23.1.6單層感知器實現
23.1.7感知器局限性
23.2多層感知器
23.2.1多層感知器介紹
23.2.2多層感知器實現
23.3感知器神經網絡的MATLAB實現
第24章神經網絡工具箱函數分析與應用
24.1權值和閾值初始化函數
24.2訓練和自適應調整函數
第25章自組織競爭網絡算法分析與應用
25.1自組織競爭網絡結構
25.2自組織競爭網絡學習規則
25.2.1Kohonen權值學習規則
25.2.2閾值學習規則
25.3網絡訓練
25.4競爭型網絡存在的問題
25.5競爭型網絡的工程應用
第26章小波神經網絡在交通流量預測中的應用
26.1小波變換概述
26.2小波神經網絡的定義
26.3小波神經網絡的理論
26.4小波神經網絡的結構
26.5小波神經網絡用于交通流量預測
第27章模糊神經網絡算法分析與應用
27.1模糊神經網絡
27.2幾種常用模型的模糊神經網絡
27.2.1Mamdani模型模糊神經網絡
27.2.2TakagiSugeno模型模糊神經網絡
27.2.3模糊神經網絡的函數
27.2.4模糊神經網絡的應用
27.2.5神經模糊系統的圖形界面
第28章感知器網絡工具箱函數及其應用
28.1創建函數
28.2初始化函數
28.3顯示函數
28.4仿真函數
28.5性能函數
28.6訓練函數
28.7學習函數
28.8傳遞函數
附錄AMATLAB R2016a安裝說明
參考文獻
新書資訊