MATLAB神经网络编程

第1章 MATLAB基本知识
　1.1 MATLAB概述
　　1.1.1 MATLAB的发展史及影响
　　1.1.2 MATLAB的功能特点
　　1.1.3 MATLABR2010a的新特点
　1.2 MATLAB初步应用
　　1.2.1 MATLAB的启动和关闭
　　1.2.2 MATLAB的工具条与菜单
　　1.2.3 MATLAB命令窗口
　　1.2.4 MATLAB工作空间
　　1.2.5 MATLAB命令历史窗口
　　1.2.6 MATLAB的当前目录
　1.3 MATLAB的变量与符号
　　1.3.1 特殊变量
　　1.3.2 标点符号
　1.4 向量的创建法
　　1.4.1 直接输入法
　　1.4.2 用冒号生成法
　　1.4.3 用函数生成法
　　1.4.4 向量的连接法
　1.5 矩阵的表示
　　1.5.1 矩阵的建立
　　1.5.2 矩阵的拆分
　1.6 矩阵元素的排列与替换
　　1.6.1 下标与索引
　　1.6.2 元素的提取与替换
　　1.6.3 矩阵中行与列的相关操作
　　1.6.4 end函数的使用
　1.7 矩阵和数组的基本运算
　　1.7.1 矩阵和数组的运算
　　1.7.2 矩阵的函数运算
　1.8 MATLAB的帮助功能
　　1.8.1 帮助命令
　　1.8.2 查询命令
　　1.8.3 联机帮助
　　1.8.4 演示帮助
　　
第2章 MATLAB基本的程序及绘图功能
　2.1 MATLAB的控制语句
　　2.1.1 条件控制
　　2.1.2 循环控制
　　2.1.3 程序的流程控制
　2.2 M文件
　　2.2.1 脚本文件
　　2.2.2 M函数
　2.3 二维图形
　　2.3.1 基本的二维绘图函数
　　2.3.2 线型、点型、色彩
　　2.3.3 窗口控制
　　2.3.4 坐标轴控制
　　2.3.5 图形标注
　2.4 三维图形
　　2.4.1 三维曲线绘图
　　2.4.2 三维曲面绘图
　　
第3章 神经网络绪论
　3.1 人工神经网络概念的提出
　3.2 人工神经网络的发展史及其研究的内容
　　3.2.1 人工神经网络的发展史
　　3.2.2 人工神经网络研究的内容
　3.3 神经细胞以及人工神经元的组成
　3.4 人工神经元的模型
　3.5 神经元的结构
　3.6 神经网络的特点与优点
　3.7 人工神经元的应用
　3.8 人工神经元与人工智能
　　3.8.1 人工智能的概述
　　3.8.2 人工神经元与人工智能的比较
　3.9 用MATLAB计算人工神经网络输出
　　
第4章 前向型神经网络
　4.1 感知器网络
　　4.1.1 感知器的结构
　　4.1.2 感知器的学习
　　4.1.3 感知器的局限性
　　4.1.4 感知器的“异域”问题
　　4.1.5 感知器的神经网络训练函数
　　4.1.6 感知器网络的实现
　　4.1.7 线性分类问题的扩展讨论
　　4.1.8 线性可分限制的解决方法
　4.2 线性神经网络
　　4.2.1 线性神经网络的模型
　　4.2.2 W-H学习规则
　　4.2.3 线性神经网络的训练函数
　　4.2.4 线性神经网络的构建
　　4.2.5 网络训练
　　4.2.6 线性神经网络的实现
　　4.2.7 线性神经网络的局限性
　　4.2.8 系统辨识
　4.3 BP传播网络
　　4.3.1 BP网络模型结构
　　4.3.2 BP学习规则
　　4.3.3 BP网络的训练函数
　　4.3.4 BP网络的实现
　　4.3.5 BP网络的限制
　　4.3.6 BP方法的改进
　　
第5章 局部型神经网络
　5.1 径向基函数网络
　　5.1.1 径向神经元与径向基函数网络模型
　　5.1.2 径向基函数网络的学习算法
　　5.1.3 广义回归神经网络
　　5.1.4 径向基函数网络的训练函数
　　5.1.5 径向基函数网络的实现
　　5.1.6 基于RBF网络的非线性滤波
　　5.1.7 RBF网络与多层感知器的比较
　5.2 B样条基函数
　5.3 概率神经网络
　　5.3.1 PNN网络结构
　　5.3.2 PNN网络的工作原理
　　5.3.3 PNN网络的设计
　5.4 CMAC网络
　　5.4.1 CMAC网络基本结构
　　5.4.2 CMAC的学习算法
　5.5 GMDH网络
　　5.5.1 GMDH网络的概述
　　5.5.2 GMDH网络的训练
　5.6 CMAC、B样条和RBF的异同
　　5.6.1 CMAC、B样条和RBF的相同之处
　　5.6.2 CMAC、B样条和RBF的不同之处
　　
第6章 反馈型神经网络
　6.1 Hopfield网络
　　6.1.1 离散Hopfield网络
　　6.1.2 连续Hopfield网络
　　6.1.3 联想记忆
　　6.1.4 Hopfield网络结构
　　6.1.5 Hopfield网络模型学习过程
　　6.1.6 几个重要结论
　　6.1.7 Hopfield网络的应用
　6.2 Elman网络
　　6.2.1 Elman网络结构
　　6.2.2 修正网络权值的学习算法
　　6.2.3 稳定性推导
　　6.2.4 对角递归网络稳定时学习速率的确定
　　6.2.5 Elman网络与训练
　　6.2.6 Elman网络的应用
　6.3 双向联想记忆网络
　　6.3.1 BAM网络结构与原理
　　6.3.2 能量函数与稳定性分析
　　6.3.3 BAM网络的权值设计
　　6.3.4 BAM网络的应用
　6.4 盒中脑模型
　　6.4.1 盒中脑模型的描述
　　6.4.2 盒中脑模型的实现
　6.5 局部递归神经网络
　　6.5.1 PIDNNC的设计
　　6.5.2 闭环控制系统稳定性分析
　　
第7章 竞争型神经网络
　7.1 自组织神经网络的基本函数
　　7.1.1 创建函数
　　7.1.2 学习函数
　　7.1.3 竞争传递函数
　　7.1.4 初始化函数
　　7.1.5 距离函数
　　7.1.6 训练竞争层函数
　　7.1.7 绘图函数
　　7.1.8 结构函数
　7.2 自组织竞争神经网络
　　7.2.1 常用的几种联想学习规则
　　7.2.2 自组织竞争神经网络的结构
　　7.2.3 自组织竞争神经网络的设计
　　7.2.4 自组织竞争神经网络的应用
　7.3 自组织特征映射网络
　　7.3.1 自组织特征映射网络模型
　　7.3.2 自组织特征映射网络的结构
　　7.3.3 自组织特征映射网络的设计
　　7.3.4 自组织特征映射网络的应用
　7.4 学习向量量化神经网络
　　7.4.1 学习向量量化神经网络的结构
　　7.4.2 学习向量量化神经网络的学习
　　7.4.3 学习向量量化的学习算法的改进
　　7.4.4 学习向量量化神经网络的应用
　7.5 主分量分析
　　7.5.1 主分量分析方法
　　7.5.2 主分量分析网络的算法
　　7.5.3 非线性主分量分析及其网络模型
　　
第8章 神经网络控制的综合应用
　8.1 神经网络控制结构
　　8.1.1 神经网络监督控制
　　8.1.2 神经网络预测控制
　　8.1.3 神经网络自适应评判控制
　8.2 最小方差自校正控制
　　8.2.1 最小方差控制
　　8.2.2 最小方差间接自校正控制
　　8.2.3 最小方差直接自校正控制
　8.3 模型预测控制
　　8.3.1 系统辨识
　　8.3.2 广义预测控制
　8.4 农作物虫情预测
　　8.4.1 基于神经网络的虫情预测原理
　　8.4.2 BP网络设计
　8.5 模型参考控制
　　8.5.1 模型参考控制概念
　　8.5.2 模型参考控制实例分析
　8.6 神经网络控制的应用
　　8.6.1 机器人神经网络数字控制
　　8.6.2 神经网络的跟踪迭代学习控制
　　
第9章 神经网络在Simulink中的应用
　9.1 Simulink交互式仿真集成环境
　　9.1.1 Simulink模型的创建
　　9.1.2 Simulink仿真
　　9.1.3 Simulink简单示例
　9.2 Simulink神经网络模块
　　9.2.1 传递函数模块
　　9.2.2 网络输入模块
　　9.2.3 权值设置模块
　　9.2.4 控制系统模块
　9.3 Simulink应用示例
　　
第10章 神经网络的模糊控制及其自定义网络
　10.1 神经网络的模糊控制
　　10.1.1 神经网络控制的结构
　　10.1.2 神经网络的特征
　　10.1.3 神经网络模糊控制器的应用
　　10.1.4 神经网络模糊控制应用于洗衣机中
　10.2 神经网络的自定义网络
　　10.2.1 定制网络
　　10.2.2 网络设计
　　10.2.3 网络训练
参考文献