MATLAB神经网络原理与实例精解
作者：陈明 等编著
出版时间：2013年版
内容简介
　　《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




上一篇: 交互式系统设计：HCI、UX和交互设计指南 原书第三版
下一篇: 社会媒体挖掘