MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用

第1章 神經(jīng)網(wǎng)絡(luò)緒論
　1.1 人工神經(jīng)網(wǎng)絡(luò)的介紹
　1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
　　1.2.1 神經(jīng)網(wǎng)絡(luò)的起始
　　1.2.2 神經(jīng)網(wǎng)絡(luò)的蕭條
　　1.2.3 神經(jīng)網(wǎng)絡(luò)興盛
　1.3 神經(jīng)網(wǎng)絡(luò)模型
　　1.3.1 生物神經(jīng)元模塊
　　1.3.2 人工神經(jīng)元模型
　1.4 人工神經(jīng)網(wǎng)絡(luò)的分類
　1.5 神經(jīng)網(wǎng)絡(luò)的學習方式
　1.6 神經(jīng)網(wǎng)絡(luò)的特點及優(yōu)點
　　1.6.1 神經(jīng)網(wǎng)絡(luò)特點
　　1.6.2 神經(jīng)網(wǎng)絡(luò)的優(yōu)點
　1.7 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
　1.8 人工神經(jīng)網(wǎng)絡(luò)與人工智能
　　1.8.1 人工智能的概述
　　1.8.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　　1.8.3 人工神經(jīng)網(wǎng)絡(luò)與人工智能相比較
第2章 MATLAB語言及神經(jīng)元
　2.1 MATLAB簡介
　2.2 MATLAB的語言特點
　2.3 MATLAB 7.2的新特點
　2.4 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱
　　2.4.1 MATLAB 6.x神經(jīng)網(wǎng)絡(luò)工具箱
　　2.4.2 MATLAB 7.x神經(jīng)網(wǎng)絡(luò)工具箱
　2.5 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的對象與屬性
　　2.5.1 網(wǎng)絡(luò)對象屬性
　　2.5.2 子對象屬性
第3章 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)的分析及實例
　3.1 神經(jīng)網(wǎng)絡(luò)的構(gòu)建函數(shù)
　3.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用函數(shù)
　3.3 權(quán)值和閾值初始化函數(shù)
　3.4 訓練和自適應(yīng)調(diào)整函數(shù)
　3.5 神經(jīng)網(wǎng)絡(luò)的學習函數(shù)
　3.6 神經(jīng)網(wǎng)絡(luò)的輸入函數(shù)及其導(dǎo)函數(shù)
　　3.6.1 輸入函數(shù)
　　3.6.2 輸入函數(shù)的導(dǎo)函數(shù)
　3.7 神經(jīng)網(wǎng)絡(luò)的性能函數(shù)及其導(dǎo)函數(shù)
　　3.7.1 性能函數(shù)
　　3.7.2 性能函數(shù)的導(dǎo)函數(shù)
　3.8 傳遞函數(shù)及其導(dǎo)函數(shù)
　　3.8.1 傳遞函數(shù)
　　3.8.2 傳遞函數(shù)的導(dǎo)函數(shù)
　3.9 距離函數(shù)
　3.10 權(quán)值函數(shù)及其導(dǎo)函數(shù)
　　3.10.1 權(quán)值函數(shù)
　　3.10.2 權(quán)值函數(shù)的導(dǎo)函數(shù)
　3.11 結(jié)構(gòu)函數(shù)
　3.12 分析函數(shù)
　3.13 轉(zhuǎn)換函數(shù)
　3.14 繪圖函數(shù)
　3.15 數(shù)據(jù)預(yù)處理和后處理函數(shù)
第4章 前向型神經(jīng)網(wǎng)絡(luò)及MATLAB應(yīng)用舉例
　4.1 感知器
　　4.1.1 單層感知器模型
　　4.1.2 單層感知器的學習算法
　　4.1.3 感知器的局限性
　　4.1.4 單層感知器神經(jīng)網(wǎng)絡(luò)的MATLAB仿真
　　4.1.5 多層感知器神經(jīng)網(wǎng)絡(luò)及其MATLAB仿真
　　4.1.6 用于線性分類問題的進一步討論
　4.2 線性神經(jīng)網(wǎng)絡(luò)
　　4.2.1 線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
　　4.2.2 線性神經(jīng)網(wǎng)絡(luò)設(shè)計
　　4.2.3 自適應(yīng)濾波線性神經(jīng)網(wǎng)絡(luò)
　　4.2.4 線性神經(jīng)網(wǎng)絡(luò)的局限性
　　4.2.5 線性神經(jīng)網(wǎng)絡(luò)的MATLAB應(yīng)用舉例
　4.3 BP網(wǎng)絡(luò)
　　4.3.1 BP神經(jīng)元及其模型
　　4.3.2 BP網(wǎng)絡(luò)的學習
　　4.3.3 BP網(wǎng)絡(luò)的局限性
　　4.3.4 BP網(wǎng)絡(luò)的MATLAB程序應(yīng)用舉例
　4.4 徑向基網(wǎng)絡(luò)
　　4.4.1 徑向基函數(shù)網(wǎng)絡(luò)模型
　　4.4.2 徑向基函數(shù)網(wǎng)絡(luò)的構(gòu)建
　　4.4.3 RBF網(wǎng)絡(luò)應(yīng)用實例
　　4.4.4 RBF網(wǎng)絡(luò)的非線性濾波
　4.5 GMDH網(wǎng)絡(luò)
　　4.5.1 GMDH網(wǎng)絡(luò)理論
　　4.5.2 GMDH網(wǎng)絡(luò)的訓練
　　4.5.3 基于GMDH網(wǎng)絡(luò)的預(yù)測
第5章 自組織神經(jīng)網(wǎng)絡(luò)及MATLAB程序
　5.1 自組織競爭型神經(jīng)網(wǎng)絡(luò)
　　5.1.1 競爭型神經(jīng)網(wǎng)絡(luò)模型
　　5.1.2 競爭型神經(jīng)網(wǎng)絡(luò)的學習
　　5.1.3 競爭型神經(jīng)網(wǎng)絡(luò)存在的問題
　　5.1.4 競爭型神經(jīng)網(wǎng)絡(luò)的MATLAB程序
　5.2 自組織特征映射神經(jīng)網(wǎng)絡(luò)
　　5.2.1 特征映射網(wǎng)絡(luò)的模型
　　5.2.2 特征映射網(wǎng)絡(luò)的學習
　　5.2.3 基于特征映射網(wǎng)絡(luò)的人口分類
　5.3 自適應(yīng)共振理論
　　5.3.1 自適應(yīng)共振理論模型
　　5.3.2 自適應(yīng)共振理論的學習
　　5.3.3 自適應(yīng)共振理論的MATLAB程序
　5.4 學習矢量量化神經(jīng)網(wǎng)絡(luò)
　　5.4.1 學習矢量量化的神經(jīng)網(wǎng)絡(luò)模型
　　5.4.2 學習矢量量化神經(jīng)網(wǎng)絡(luò)的學習
　　5.4.3 LVQ1學習算法的改進
　　5.4.4 LVQ神經(jīng)網(wǎng)絡(luò)的MATLAB程序
　5.5 對向傳播網(wǎng)絡(luò)
　　5.5.1 對向傳播網(wǎng)絡(luò)簡介
　　5.5.2 對向傳播網(wǎng)絡(luò)的MATLAB程序
第6章 反饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
第7章 圖形用戶接口
第8章 Simulink
第9章 自定義神經(jīng)網(wǎng)絡(luò)
第10章 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
參考文獻