人工智能
类型
可以朗读
语音朗读
187千字
字数
2021-06-01
发行日期
展开全部
主编推荐语
MATLAB平台下人工神经网络算法详解
内容简介
本书以MATLABR2020a为平台，以人工神经网络算法为背景，逐层渐进地介绍了人工神经网络的各种算法。书中做到以理论为基础，以实际应用为主导，典型案例为实践，通过理论与实践相结合，向读者展示利用MATLAB解决各种神经网络的简便、快捷。全书共分11章，前10章主要包括MATLABR2020a软件介绍、神经网络的论述、感知器、线性神经网络、BP神经网络、RBF神经网络、反馈神经网络、自组织神经网络、其他神经网络、神经网络的GUI应用等内容；第11章再总结介绍神经网络在各领域中的典型应用。
目录
- 封面
- 版权信息
- 内容简介
- 前言
- 第1章 MATLAB R2020a基础
- 1.1 MATLAB的功能
- 1.1.1 MATLAB的基本功能
- 1.1.2 MATLAB的重要功能
- 1.2 MATLAB的特点
- 1.3 MATLAB的发展史
- 1.4 MATLAB R2020a的新功能
- 1.5 MATLAB的启动
- 1.6 MATLAB的语言基础
- 1.6.1常量和变量
- 1.6.2 运算符
- 1.7 MATLAB的工具箱
- 1.7.1 符号计算工具箱
- 1.7.2 统计工具箱
- 1.7.3 最优化工具箱
- 1.8 MATLAB的帮助系统
- 1.8.1 命令行帮助
- 1.8.2 帮助导航/浏览器
- 1.8.3 DEMO帮助系统
- 1.8.4 网络资源帮助
- 第2章 神经网络概述
- 2.1 神经网络的相关概念
- 2.1.1 生物神经元
- 2.1.2 生物神经元的信息处理机制
- 2.1.3 人工神经元的模型
- 2.2 神经网络的发展史
- 2.3 神经网络的研究方向
- 2.4 神经网络的基本特征和主要功能
- 2.5 神经网络的特点和优越性
- 2.6 神经网络的学习方法
- 2.7 神经网络的应用
- 2.8 神经网络的工具箱
- 2.8.1 神经网络工具箱函数
- 2.8.2 神经网络的对象与属性
- 第3章 感知器及其应用
- 3.1 感知器典型案例分析
- 3.2 单层感知器
- 3.2.1 单层感知器的结构
- 3.2.2 单层感知器的功能
- 3.2.3 感知器的学习
- 3.2.4 感知器的训练
- 3.2.5 使用单层感知器解决逻辑运算
- 3.3 多层感知器
- 3.3.1 多层感知器的模型
- 3.3.2 多层感知器的设计
- 3.4 感知器的局限性
- 3.5 感知器网络的工具箱函数
- 3.5.1 创建函数
- 3.5.2 训练函数
- 3.5.3 网络仿真
- 3.5.4 传递函数
- 3.5.5 初始化函数
- 3.5.6 自适应函数
- 3.5.7 性能函数
- 3.5.8 学习函数
- 3.5.9 显示函数
- 3.6 感知器的应用
- 第4章 线性神经网络及其应用
- 4.1 线性神经网络典型案例分析
- 4.2 线性神经网络概述
- 4.2.1 线性神经元的结构
- 4.2.2 初始化线性神经网络
- 4.2.3 网络的学习规则
- 4.2.4 学习率的选择
- 4.2.5 自适应线性滤波
- 4.2.6 网络的训练
- 4.3 线性神经网络工具箱函数
- 4.3.1 创建函数
- 4.3.2 学习函数
- 4.3.3 传递函数
- 4.3.4 初始化函数
- 4.3.5 性能函数
- 4.4 网络的局限性
- 4.4.1 相关向量
- 4.4.2 学习率过大
- 4.5 线性神经网络的应用
- 第5章 BP神经网络及其应用
- 5.1 BP神经网络典型案例分析
- 5.2 BP神经网络概述
- 5.2.1 BP神经网络的结构
- 5.2.2 神经元模型
- 5.3 BP神经网络算法
- 5.3.1 梯度下降法
- 5.3.2 最速下降BP算法
- 5.3.3 动量BP算法
- 5.3.4 VLBP算法
- 5.3.5 拟牛顿算法
- 5.3.6 RPROP算法
- 5.3.7 LM算法
- 5.3.8 CGBP算法
- 5.4 BP神经网络的设计
- 5.5 BP神经网络的局限性
- 5.6 BP神经网络工具箱函数
- 5.6.1 创建函数
- 5.6.2 传递函数
- 5.6.3 学习函数
- 5.6.4 训练函数
- 5.6.5 性能函数
- 5.6.6 显示函数
- 5.7 BP神经网络的应用
- 第6章 RBF神经网络及其应用
- 6.1 RBF神经网络典型案例分析
- 6.2 RBF神经网络概述
- 6.2.1 径向基函数
- 6.2.2 正则化RBF神经网络
- 6.2.3 广义RBF神经网络
- 6.3 RBF神经网络的学习算法
- 6.3.1 随机选取中心法
- 6.3.2 自组织选取中心法
- 6.3.3 有监督选取中心法
- 6.3.4 正交最小二乘法
- 6.4 RBF神经网络的函数
- 6.4.1 创建函数
- 6.4.2 径向基传递函数
- 6.4.3 转换函数
- 6.4.4 权函数
- 6.4.5 输入函数
- 6.4.6 竞争传递函数
- 6.5 RBF神经网络的优点和缺点
- 6.5.1 RBF神经网络的优点
- 6.5.2 RBF神经网络的缺点
- 6.6 径向基函数的应用
- 6.7 RBF神经网络在控制领域中的应用
- 6.7.1 RBF神经网络在网络监督中的应用
- 6.7.2 RBF自校正控制
- 6.8 广义回归神经网络
- 6.8.1 GRNN的结构
- 6.8.2 GRNN的实现
- 6.9 概率神经网络
- 第7章 反馈神经网络及其应用
- 7.1 反馈神经网络典型案例分析
- 7.2 Hopfield神经网络
- 7.2.1 单层全反馈型神经网络
- 7.2.2 状态轨迹
- 7.2.3 状态轨迹发散
- 7.3 离散型Hopfield神经网络
- 7.3.1 离散型Hopfield神经网络的结构
- 7.3.2 离散型Hopfield神经网络的稳定性
- 7.3.3 离散型Hopfield神经网络的设计
- 7.4 连续型Hopfield神经网络
- 7.4.1 连续型Hopfield神经网络的稳定性
- 7.4.2 连续型Hopfield神经网络的特点
- 7.4.3 连续型Hopfield神经网络求解TSP问题
- 7.5 Elman神经网络
- 7.5.1 Elman神经网络的结构
- 7.5.2 Elman神经网络的学习算法
- 7.5.3 Elman神经网络权值的稳定性
- 7.5.4 对角递归稳定学习率的确定
- 7.6 反馈神经网络工具箱函数
- 7.6.1 创建函数
- 7.6.2 传递函数
- 7.7 反馈神经网络的应用
- 第8章 自组织竞争神经网络及其应用
- 8.1 自组织竞争神经网络案例分析
- 8.2 竞争神经网络
- 8.2.1 竞争神经网络的结构
- 8.2.2 竞争神经网络的学习算法
- 8.2.3 竞争神经网络存在的问题
- 8.3 SOM神经网络
- 8.3.1 SOM神经网络的特点
- 8.3.2 SOM神经网络的基本原理
- 8.3.3 SOM神经网络的拓扑结构
- 8.3.4 SOM神经网络算法
- 8.3.5 SOM神经网络的训练过程
- 8.4 LVQ神经网络
- 8.4.1 LVQ神经网络的结构
- 8.4.2 LVQ1算法的基本步骤
- 8.4.3 LVQ2算法的基本步骤
- 8.5 自组织竞争神经网络工具箱函数
- 8.5.1 创建函数
- 8.5.2 学习函数
- 8.5.3 传递函数
- 8.5.4 距离函数
- 8.5.5 归一化函数
- 8.5.6 初始化函数
- 8.5.7 拓扑函数
- 8.5.8 训练函数
- 8.5.9 权值函数
- 8.5.10 显示函数
- 8.6 自组织竞争神经网络的应用
- 第9章 其他神经网络及其应用
- 9.1 盒中脑神经网络
- 9.2 随机神经网络
- 9.2.1 模拟退火算法的原理
- 9.2.2 BM网络的结构
- 9.2.3 BM网络的规则
- 9.2.4 模拟退火算法的特点
- 9.2.5 模拟退火算法的相关函数
- 9.2.6 BM网络的应用
- 9.3 对偶传播神经网络
- 9.3.1 CPN网络概述
- 9.3.2 CPN网络的功能分析
- 9.3.3 CPN网络的应用
- 9.4 小波神经网络
- 9.4.1 小波理论
- 9.4.2 小波神经网络概述
- 9.4.3 小波神经网络的应用
- 9.5 模糊神经网络
- 9.5.1 模糊数学知识
- 9.5.2 模糊逻辑系统
- 9.5.3 T-S模糊神经网络
- 9.5.4 T-S模糊神经网络学习算法
- 9.5.5 模糊神经网络的应用
- 9.6 混沌神经网络
- 9.6.1 混沌神经网络的发展
- 9.6.2 混沌神经网络的模型
- 9.6.3 混沌通信技术
- 9.6.4 混沌神经网络的应用
- 第10章 神经网络的GUI应用
- 10.1 神经网络工具
- 10.2 神经网络工具的GUI应用
- 10.3 拟合工具的GUI应用
- 10.4 分类/聚类工具的GUI应用
- 10.5 模式识别工具的GUI应用
- 10.6时间序列工具的GUI应用
- 第11章 神经网络的经典应用
- 11.1 实现图像压缩
- 11.1.1 案例背景
- 11.1.2 BP神经网络压缩建模
- 11.1.3 BP神经网络压缩的实现
- 11.2 预测地下水水位
- 11.2.1 案例背景
- 11.2.2 神经网络的建模
- 11.2.3 RBF神经网络预测的实现
- 11.3 BP_Adaboost设计公司账务预警
- 11.3.1 Adaboost算法
- 11.3.2 Adaboost模型
- 11.3.3 账务预警系统介绍
- 11.3.4 建立预警模型
- 11.3.5 利用BP_Adaboost模型实现公司账务预警
- 11.4 概率神经网络在遥感图像中的应用
- 11.5 PID神经网络控制
- 11.6 自组织竞争神经网络的应用
- 11.6.1 在分类中的应用
- 11.6.2 在估计中的应用
- 参考文献
- 封底
展开全部
评分及书评
评分不足
1个评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
