面向MATLAB工具箱的神经网络理论与应用
点此进入淘宝搜索页搜索分类: 图书,计算机与互联网,计算机辅助,计算机辅助理论,
品牌: 丛爽
基本信息·出版社：中国科学技术大学出版社
·页码：323 页
·出版日期：2009年
·ISBN：9787312024313
·条形码：9787312024313
·包装版本：第3版
·装帧：平装
·开本：16
·正文语种：中文
产品信息有问题吗？请帮我们更新产品信息。
内容简介《面向MATLAB工具箱的神经网络理论与应用》利用目前国际上流行通用的MATLAB 7.0环境，结合神经网络工具箱4.0.6版本，分别从网络构造、基本原理、学习规则以及训练过程和应用局限性几个方面，通过多层次、多方面的分析与综合，深入浅出地介绍了人工神经网络中的各种典型网络，以及各种不同神经网络之间在原理和特性等方面的不同点与相同点。《面向MATLAB工具箱的神经网络理论与应用》可作为计算机、电子学、信息科学、通讯以及自动控制等专业的高年级本科生、研究生以及其他专业科技人员学习神经网络或MATLAB环境下神经网络工具箱时的教材或参考书。
编辑推荐《面向MATLAB工具箱的神经网络理论与应用》是丛爽编著的，由中国科学技术大学出版社出版。
目录
第3版前言
第2版前言
前言
第1章 概述
1.1 人工神经网络概念的提出
1.2 神经细胞以及人工神经元的组成
1.3 人工神经网络应用领域
1.4 人工神经网络发展的回顾
1.5 人工神经网络的基本结构与模型
1.5.1 人工神经元的模型
1.5.2 激活转移函数
1.5.3 单层神经元网络模型结构
1.5.4 多层神经网络
1.5.5 递归神经网络
1.6 用MATLAB计算人工神经网络输出
1.7 本章小结
习题
第2章 前向神经网络
2.1 感知器
2.1.1 感知器的网络结构
2.1.2 感知器的图形解释
2.1.3 感知器的学习规则
2.1.4 网络的训练
2.1.5 感知器的局限性
2.1.6 “异或”问题
2.1.7 解决线性可分性限制的办法
2.1.8 本节小结
2.2 自适应线性元件
2.2.1 自适应线性神经元模型和结构
2.2.2 W-H学习规则
2.2.3 网络训练
2.2.4 例题与分析
2.2.5 对比与分析
2.2.6 单步延时线及其自适应滤波器的实现
2.2.7 自适应线性网络的应用
2.2.8 本节小结
2.3 反向传播网络
2.3.1 BP网络模型与结构
2.3.2 BP学习规则
2.3.3 BP网络的训练及其设计过程
2.3.4 BP网络的设计
2.3.5 限制与不足
2.3.6 反向传播法的改进方法
2.3.7 基于数值优化方法的网络训练算法
2.3.8 数值实例对比
2.3.9 本节小结
习题
第3章 递归神经网络
3.1 各种递归神经网络
3.1.1 全局反馈型递归神经网络
3.1.2 前向递归神经网络
3.1.3 混合型网络
3.1.4 本节小结
3.2 全局反馈递归网络
3.2.1 霍普菲尔德网络模型
3.2.2 状态轨迹
3.2.3 离散型霍普菲尔德网络
3.2.4 连续型霍普菲尔德网络
3.2.5 本节小结
3.3 Elman网络
3.3.1 网络结构及其输入输出关系式
3.3.2 修正网络权值的学习算法
3.3.3 稳定性推导
3.3.4 对稳定性结论的分析
3.3.5 对角递归网络稳定时学习速率的确定
3.3.6 本节小结
3.4 对角递归神经网络
3.4.1 网络结构及其输入输出关系式
3.4.2 网络的稳定性分析
3.4.3 进一步的讨论
3.4.4 数值实例
3.4.5 本节小结
3.5 局部递归神经网络
3.5.1 PIDNNC的设计
3.5.2 闭环控制系统稳定性分析
3.5.3 实时在线控制策略的设计步骤
3.5.4 数值应用
3.5.5 本节小结
习题
第4章 局部连接神经网络
4.1 径向基函数网络
4.1.1 径向基函数及其网络分析
4.1.2 网络的训练与设计
4.1.3 广义径向基函数网络
4.1.4 数字应用对比及性能分析
4.1.5 本节小结
4.2 B样条基函数及其网络
4.3 CMAC神经网络
4.3.1 CMAC网络基本结构
4.3.2 CMAC的学习算法
4.4 局部神经网络的性能对比分析
4.4.1 CMAC、B样条和RBF共有的结构特点
4.4.2 CMAC、B样条和RBF的不同之处
4.5 K型局部连接神经网络
4.5.1 网络结构与权值修正法
4.5.2 网络特性分析
4.5.3 数字应用对比及性能分析
4.5.4 本节小结
习题
第5章 自组织竞争神经网络
5.1 几种联想学习规则
5.1.1 内星学习规则
5.1.2 外星学习规则
5.1.3 科荷伦学习规则
5.2 自组织竞争网络
5.2.1 网络结构
5.2.2 竞争学习规则
5.2.3 竞争网络的训练过程
5.3 科荷伦自组织映射网络
5.3.1 科荷伦网络拓扑结构
5.3.2 网络的训练过程
5.4 自适应共振理论
5.4.1 ART-1网络结构
5.4.2 ART-1的运行过程
5.4.3 ART-2神经网络
5.5 本章小结
习题
第6章 随机神经网络
6.1 概述
6.1.1 随机神经网络的发展
6.1.2 GNN模型描述
6.1.3 RNN的学习算法
6.1.4 RNN的应用
6.1.5 其他随机网络
6.1.6 研究前景
6.2 用Boltzmann机求解典型NP优化问题TSP
6.2.1 Boltzmann机网络模型及其权值修正规则
6.2.2 用Boltzmann机网络解TSP
6.2.3 Boltzmann机与Hopfield网络解TSP的对比
6.2.4 本节小结
6.3 随机神经网络算法改进及其应用
6.3.1 DRNN解TSP的参数推导和改进方法
6.3.2 DRNN网络解TSP改进方法的实验对比
6.3.3 本节小结
6.4 采用DRNN网络优化求解的对比研究
6.4.1 DRNN与Hopfield网络求解TSP的理论分析
6.4.2 DRNN与Hopfield网络解TSP的实验对比
6.4.3 本节小结
习题
第7章 面向工具箱的神经网络实际应用
7.1 综述
7.1.1 神经网络技术的选用
7.1.2 神经网络各种模型的应用范围
7.1.3 网络设计的基本原则
7.2 神经网络在控制系统中的应用
7.2.1 反馈线性化
7.2.2 问题的提出
7.2.3 神经网络设计
7.3 利用神经网络进行字母的模式识别
7.3.1 问题的阐述
7.3.2 神经网络的设计
7.4 用于字符识别的三种人工神经网络的性能对比
7.4.1 用于字母识别的感知器网络
7.4.2 用于字母识别的霍普菲尔德网络
7.4.3 字母识别实验及其结果分析
附录AMATLAB7.1 神经网络工具箱4.0.6 函数一览表
附录B程序目录
参考文献
……[看更多目录]
序言在《面向MATLAB工具箱的神经网络理论与应用》第3版中，首先对第2版內容进行了重新整合，将第2版中的感知器、自适应线性元件和反向传播网络这3章合为一章——前向神经网络；然后在第2版的基础之上，增加了最近5年里有关人工神经网络研究中的一些新理论、新进展，包括递归神经网络、局部连接神经网络、随机神经网络及它们的应用等；根据实际应用的情况，在第3版中还删去了第2版中一些不太实用的内容。
在结构安排上，第3版沿袭本书前两版的特点：每一章的内容，按照网络构造、基本原理、学习规则、训练过程、应用局限性的顺序进行编排。通过多层次、多方面的分析与综合，深入浅出地阐述了各种不同神经网络在原理、特性等方面的不同点与相同点，使不同层次、不同水平和阶段的读者都能够根据自己的情况了解和掌握人工神经网络的精髓和相应的深度，这使得本书既可以作为教材，也适用于自学。通过增加的最新内容，使得本书作为教材使用时也具有更加多样的可选择性：既可作为本科生教材，也可作为研究生教材；教师可以有重点地选择感兴趣的內容来进行40学时或60学时的教学。
在写作上，第3版仍然保持着前两版所具有的特点：虽然是在介绍人工神经网络理论，但叙述尽量做到深入浅出、浅显易懂，通过采用各种方法，包括理论推导，作图解释，不同结构、算法的特点及功能的对比等，使读者更容易掌握和理解。并在阐述人工神经网络理论的基础上，通过MATLAB环境下提供的神经网络工具箱对一些实际应用问题进行求解演示，努力使读者能够采用工具箱中的函数直接设计训练网络，直观地通过图形或训练特性对神经网络的功能及其应用有一个深入和透彻的认识。
文摘插图：
1.3 人工神经网络应用领域
随着人工神经网络技术的发展，其用途日益广泛，应用领域也在不断拓展，已在各工程领域中得到广泛的应用。总而言之，人工神经网络技术可用于如下信息处理工作：函数逼近，感知觉模拟，多目标跟踪，联想记忆及数据恢复等。具体而言，其主要用于（或比较适宜于用来）解算下述几类问题：
（1）模式信息处理和模式识别
所谓模式，从广义上说，就是事物的某种特性类属，如图像、文字、语言、符号等感知形象信息；雷达、声呐信号、地球物探、卫星云图等时空信息；动植物种类形态、产品等级、化学结构等类别差异信息等等。模式信息处理就是对模式信息进行特征提取、聚类分析、边缘检测、信号增强、噪声抑制、数据压缩以及各种变换等。模式识别就是将所研究客体的特性类属映射成"类别号"，以实现对客体特定类别的识别。人工神经网络特别适宜解算这类问题，形成了新的模式信息处理技术。它在各领域中的广泛应用是神经网络技术发展的重要侧面。这方面的主要应用有：图形、符号、手写体及语音识别，雷达及声呐等目标识别，药物构效关系等化学模式信息辨识，机器人视觉、听觉，各种最近相邻模式聚类及识别分类等等。
（2）最优化问题计算
人工神经网络的大部分模型是非线性动态系统，若将所计算问题的目标函数与网络某种能量函数对应起来，网络动态向能量函数极小值方向移动的过程则可视作优化问题的解算过程。网络的动态过程就是优化问题计算过程，稳态点则是优化问题的局部或全局最优动态过程解。这方面的应用包括组合优化、条件约束优化等一类求解问题，如任务分配、货物调度、路径选择、组合编码、排序、系统规划、交通管理以及图论中各类问题的解算等。
（3）信息的智能化处理
神经网络适宜于处理具有残缺结构和含有错误成分的模式，能够在信源信息含糊、不确定、不完整，存在矛盾及假象等复杂环境中处理模式。网络所具有的自学习能力使得传统专家系统技术应用最为困难的知识获取工作转换为网络的变结构调节过程，从而大大方便了知识库中知识的记忆和抽提。在许多复杂问题中（如医学诊断），存在大量特例和反例，信息来源既不完整，又含有假象，且经常遇到不确定性信息，决策规则往往相互矛盾，有时五条理可循，这给传统专家系统应用造成极大困难，甚至在某些领域无法应用。
