☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

本書是“精通MATLAB”叢書之一，以MATLAB R2016a為平颱編寫，通過28個案例介紹MATLAB在神經網絡中的應用，應用性強，實用價值高。本書提供所有程序源代碼。“精通MATLAB”相關書目如下：
（1）MATLAB 8.X實戰指南
（2）數字圖像處理高級應用——基於MATLAB和CUDA的實現（第2版）
（3）MATLAB通信係統建模與仿真
（4）MATLAB R2015a數字圖像處理
（5）MATLAB R2015b數學建模
（6）MATLAB R2015a小波分析
（7）MATLAB R2015b神經網絡技術
（8）MATLAB R2015b*優化計算
（9）MATLAB R2015b概率與數理統計
（10）MATLAB R2015b數值計算方法
（11）MATLAB R2016a智能計算25個案例分析
（12）MATLAB R2016a在電子信息工程中仿真案例分析
（13）MATLAB R2016a神經網絡設計與應用28個案例分析

內容簡介

本書以MATLAB R2016a為平颱編寫。全書共分28個案例，主要介紹神經網絡工具箱函數、前嚮型神經網絡、反饋型神經網絡、競爭型神經網絡、神經網絡的控製係統預測及診斷、神經網絡圖形用戶接口、神經網絡的Simulink、自定義神經網絡等內容，可使讀者全麵瞭解MATLAB在神經網絡中的應用。
本書可以作為廣大科研人員、學者、工程技術人員的參考用書，也可以作為高等理工科院校電子信息、通信工程及自動控製等學科的本科生與研究生的學習用書。

目錄

第1章綫性神經網絡的工程應用

1.1係統辨識的MATLAB實現

1.2自適應係統辨識的MATLAB實現

1.3綫性係統預測的MATLAB實現

1.4綫性神經網絡用於消噪處理的MATLAB實現

第2章神經網絡預測的實例分析

2.1地震預報的MATLAB實現

2.1.1概述

2.1.2地震預報的MATLAB實例分析

2.2交通運輸能力預測的MATLAB實現

2.2.1概述

2.2.2交通運輸能力預測的MATLAB實例分析

2.3農作物蟲情預測的MATLAB實現

2.3.1概述

2.3.2農作物蟲情預測的MATLAB實例分析

2.4基於概率神經網絡的故障診斷

2.4.1概述

2.4.2基於PNN的故障診斷實例分析

2.5基於BP網絡和Elman網絡的齒輪箱故障診斷

2.5.1概述

2.5.2基於BP網絡的齒輪箱故障診斷實例分析

2.5.3基於Elman網絡的齒輪箱故障診斷實例分析

2.6基於RBF網絡的船用柴油機故障診斷

2.6.1概述

2.6.2基於RBF網絡的船用柴油機故障診斷實例分析

第3章BP網絡算法分析與工程應用

3.1數值優化的BP網絡訓練算法

3.1.1擬牛頓法

3.1.2共軛梯度法

3.1.3Levenberg�睲arquardt法

3.2BP網絡的工程應用

3.2.1BP網絡在分類中的應用

3.2.2函數逼近

3.2.3BP網絡用於膽固醇含量的估計

3.2.4模式識彆

第4章神經網絡算法分析與實現

4.1Elman神經網絡

4.1.1Elman神經網絡結構

4.1.2Elman神經網絡的訓練

4.1.3Elman神經網絡的MATLAB實現

4.2Boltzmann機網絡

4.2.1BM網絡結構

4.2.2BM網絡的規則

4.2.3用BM網絡解TSP

4.2.4BM網絡的MATLAB實現

4.3BSB模型

4.3.1BSB神經模型概述

4.3.2BSB的MATLAB實現

第5章預測控製算法分析與實現

5.1係統辨識

5.2自校正控製

5.2.1單步輸齣預測

5.2.2最小方差控製

5.2.3最小方差間接自校正控製

5.2.4最小方差直接自校正控製

5.3自適應控製

5.3.1MIT自適應律

5.3.2MIT歸一化算法

第6章改進的廣義預測控製算法分析與實現

6.1預測控製

6.1.1基於CARIMA模型的JGPC

6.1.2基於CARMA模型的JGPC

6.2神經網絡預測控製的MATLAB實現

第7章SOFM網絡算法分析與應用

7.1SOFM網絡的生物學基礎

7.2SOFM網絡的拓撲結構

7.3SOFM網絡學習算法

7.4SOFM網絡的訓練過程

7.5SOFM網絡的MATLAB實現

7.6SOFM網絡在實際工程中的應用

7.6.1SOFM網絡在人口分類中的應用

7.6.2SOFM網絡在土壤分類中的應用

第8章幾種網絡算法分析與應用

8.1競爭型神經網絡的概念與原理

8.1.1競爭型神經網絡的概念

8.1.2競爭型神經網絡的原理

8.2幾種聯想學習規則

8.2.1內星學習規則

8.2.2外星學習規則

8.2.3科荷倫學習規則

第9章Hopfield神經網絡算法分析與實現

9.1離散Hopfield神經網絡

9.1.1網絡的結構與工作方式

9.1.2吸引子與能量函數

9.1.3網絡的權值設計

9.2連續Hopfield神經網絡

9.3聯想記憶

9.3.1聯想記憶網絡

9.3.2聯想記憶網絡的改進

9.4Hopfield神經網絡的MATLAB實現

第10章學習嚮量量化與對嚮傳播網絡算法分析與實現

10.1學習嚮量量化網絡

10.1.1LVQ網絡模型

10.1.2LVQ網絡學習算法

10.1.3LVQ網絡學習的MATLAB實現

10.2對嚮傳播網絡

10.2.1對嚮傳播網絡概述

10.2.2CPN網絡學習及規則

10.2.3對嚮傳播網絡的實際應用

第11章NARMA�睱2控製算法分析與實現

11.1反饋綫性化控製係統原理

11.2反饋綫性控製的MATLAB實現

11.3NARMA�睱2控製器原理及實例分析

11.3.1NARMA�睱2控製器原理

11.3.2NARMA�睱2控製器實例分析

第12章神經網絡函數及其導函數

12.1神經網絡的學習函數

12.2神經網絡的輸入函數及其導函數

12.3神經網絡的性能函數及其導函數

12.3.1性能函數

12.3.2性能函數的導函數

第13章Simulink神經網絡設計

13.1Simulink交互式仿真集成環境

13.1.1Simulink模型創建

13.1.2Simulink建模操作

13.1.3Simulink參數設置

13.1.4簡單的Simulink例子

13.2Simulink神經網絡模塊

13.2.1傳遞函數模塊庫

13.2.2網絡輸入模塊庫

13.2.3權值設置模塊庫

13.2.4處理模塊庫

13.2.5控製係統模塊庫

13.3Simulink神經網絡設計

13.3.1模型構建

13.3.2模型仿真

13.3.3修改信號源

第14章BP神經元模型與應用案例

14.1BP神經元及其模型

14.2BP網絡的學習

14.2.1BP網絡學習算法

14.2.2BP網絡學習算法的比較

14.3BP網絡的局限性

14.4BP網絡的MATLAB程序應用舉例

14.4.1BP網絡設計的基本方法

14.4.2BP網絡應用舉例

第15章自適應共振網絡算法分析與應用

15.1ART��1網絡

15.1.1網絡係統結構

15.1.2ATR��1網絡運行過程

15.1.3ATR��1學習算法

15.1.4ART��1網絡應用

15.2ART��2網絡

15.2.1網絡結構與運行原理

15.2.2網絡的數學模型與學習算法

15.2.3ART��2網絡在係統辨識中的應用

第16章徑嚮基網絡算法分析與應用

16.1正則化理論及正則化RBF網絡

16.1.1正則化理論

16.1.2正則化RBF網絡

16.2徑嚮基神經網絡結構

16.2.1徑嚮基神經元模型

16.2.2徑嚮基神經網絡模型

16.3徑嚮基神經網絡學習

16.4徑嚮基神經網絡的工程應用

16.4.1函數逼近

16.4.2散布常數對徑嚮基網絡的影響

16.5廣義迴歸神經網絡

16.5.1GRNN網絡結構

16.5.2GRNN網絡工作原理

16.6概率神經網絡

16.6.1PNN網絡結構

16.6.2PNN網絡工作原理

16.6.3應用PNN進行變量分類

第17章感知器算法分析與實現

17.1單層感知器模型

17.2單層感知器的學習算法

17.3感知器的局限性

17.4單層感知器神經網絡的MATLAB仿真

17.4.1感知器神經網絡設計的基本方法

17.4.2單層感知器神經網絡的應用舉例

17.5多層感知器神經網絡及其MATLAB仿真

17.5.1多層感知器神經網絡的設計方法

17.5.2多層感知器神經網絡的應用舉例

17.6用於綫性分類問題的進一步討論

17.6.1決策函數與決策邊界

17.6.2感知器的決策函數與決策邊界

第18章綫性網絡與BP網絡工具箱函數及其應用

18.1綫性神經網絡工具箱函數

18.1.1創建函數及其應用

18.1.2學習函數及其應用

18.1.3性能函數及其應用

18.1.4權積函數及其應用

18.1.5初始化函數

18.2BP神經網絡工具箱函數

18.2.1創建函數及其應用

18.2.2傳遞函數及其應用

18.2.3學習函數及其應用

18.2.4性能函數及其應用

18.2.5訓練函數及其應用

18.2.6顯示函數及其應用

第19章BP網絡算法分析與實現

19.1BP神經網絡模型

19.2BP神經網絡算法

19.2.1SDBP算法

19.2.2MOBP算法

19.2.3VLBP算法

19.2.4RPROP算法

19.2.5CGBP算法

19.3BP網絡設計

19.4BP神經網絡局限性

19.5BP神經網絡算法改進

19.5.1附加動量法

19.5.2有自適應lr的梯度下降法

19.5.3彈性梯度下降法

第20章自組織網絡工具箱函數及其應用

20.1創建函數

20.2傳遞函數

20.3距離函數

20.4學習函數

20.5初始化函數

20.6訓練函數

20.7顯示函數

20.8權值函數

20.9結構函數

第21章綫性網絡算法分析與實現

21.1綫性神經網絡結構

21.2綫性神經網絡學習

21.3綫性神經網絡訓練

21.4綫性神經網絡的MATLAB實現

21.5綫性神經網絡的局限性

21.5.1超定係統

21.5.2不定係統

21.5.3綫性相關嚮量

21.5.4學習速率過大

第22章神經網絡工具箱函數及其應用

22.1徑嚮基神經網絡工具箱函數

22.1.1創建函數

22.1.2變換函數

22.1.3傳遞函數

22.1.4距離函數

22.2Hopfield神經網絡工具箱函數

22.2.1傳輸函數

22.2.2學習函數

22.3Elman神經網絡工具箱函數

22.4學習嚮量量化網絡工具箱函數

22.4.1創建函數

22.4.2顯示函數

第23章感知器網絡算法分析與實現

23.1單層感知器

23.1.1單層感知器模型

23.1.2感知器功能

23.1.3網絡結構

23.1.4感知器算法

23.1.5網絡的訓練

23.1.6單層感知器實現

23.1.7感知器局限性

23.2多層感知器

23.2.1多層感知器介紹

23.2.2多層感知器實現

23.3感知器神經網絡的MATLAB實現

精彩書摘

第5章預測控製算法分析與實現





在神經網絡工具箱中，神經網絡模型預測控製器應用非綫性神經網絡模型預測係統未來性能，然後控製器計算控製輸入，在指定的時間內，控製輸入使得係統性能最優。模型預測的第一步是要建立一個神經網絡係統模型(係統辨識)； 第二步是控製器應用此係統模型來預測係統未來性能。
神經網絡模型預測控製有如下特點：
(1) 控製器應用神經網絡模型可以預測係統對所有可能控製信號的反應。
(2) 選擇一種優化算法計算控製信號，使得係統未來性能最優。
(3) 神經網絡係統模型的訓練是離綫的，訓練方法可以選擇前麵介紹的任何一種批處理方式的算法。
(4) 為瞭計算每一個采樣步長下的最優控製輸入，需要大量的在綫計算數據。
5.1係統辨識
模型預測的第一步是訓練神經網絡，從而模擬係統的動力學特性。係統輸齣與神經網絡輸齣之間的預測誤差，用來作為神經網絡的訓練信號，該過程如圖5��1所示。


圖5��1神經網絡訓練過程



神經網絡狀態應用當前輸入和當前係統輸齣來預測未來的係統輸齣，其係統模型結構如圖5��2所示。


圖5��2神經網絡模型結構



該網絡用批處理方式進行離綫訓練，訓練樣本采用係統運行數據。訓練方法選用前麵介紹過的任一種算法。
5.2自校正控製
自校正控製(Self�睺uning Control，STC)是不同於模型參考自適應控製的另一類自適應控製，也是應用最為廣泛的一類自適應控製方法。它的基本思想是： 將參數估計遞推算法與不同類型的控製算法結閤起來，形成一個能自動校正控製器參數的實時計算機控製係統。
下麵主要介紹幾種常用的自校正控製。
5.2.1單步輸齣預測
設係統采用如下數學模型


A(z-1)y(k)=z-dB(z-1)u(k)+C(z-1)ξ(k)(5��1)


式中，C(z-1)為Hurwitz多項式，即其零點完全位於Z平麵的單位圓內； u(k)和y(k)錶示係統的輸入和輸齣； ξ(k)為方差為σ2的白噪聲，d≥1為純延時，且


A(z-1)=1+a1z-1+a2z-2+…+anaz-na
B(z-1)=1+b1z-1+b2z-2+…+bnbz-nb,b0≠0
C(z-1)=1+c1z-1+c2z-2+…+cncz-nc


式(5��1)基於k時刻和以前時刻的輸入/輸齣數據記為


{Yk,Uk}={y(k),y(k-1),…,u(k),u(k-1),…}


基於{Yk,Uk}對k+d時刻輸齣的預測，記為


y^(k+d|k)


輸齣預測誤差記為


y～(k+d|k)=y(k+d)-y^(k+d|k)


則關於提前d步最小方差預測輸齣可由以下定理給齣。
定理5��1(最優d步預測輸齣)
使用如下性能指標(即預測誤差的方差)


E{y～2(k+d|k)}


為最小的d步最優預測輸齣y*(k+d|k)必滿足方程


C(z-1)y*(k+d|k)=C(z-1)y(k)+F(z-1)u(k)(5��2)


式中


C(z-1)=A(z-1)E(z-1)+z-dG(z-1)

F(z-1)=B(z-1)E(z-1)

前言/序言

前言


人工神經網絡(Artificial Neural Network，ANN)也簡稱為神經網絡(NN)或連接模型(Connectionist Model)，是對人腦或自然神經網絡(Natural Neural Network)若乾基本特性的抽象和模擬。人工神經網絡以對大腦的生理研究成果為基礎，其目的在於模擬大腦的某些機理與機製，實現某個方麵的功能。國際著名的神經網絡研究專傢、第一傢神經計算機公司的創立者Hecht Nielsen給人工神經網絡下的定義是： “人工神經網絡是由人工建立的以有嚮圖為拓撲結構的動態係統，它通過對連續或斷續的輸入作狀態響應而進行信息處理。”這一定義是恰當的。
目前神經網絡研究方法已形成多個流派，最富有成果的研究工作包括多層網絡BP算法、Hopfield網絡模型、自適應共振理論、自組織特徵映射理論等。人工神經網絡是在現代神經科學的基礎上提齣來的。它雖然反映瞭人腦功能的基本特徵，但遠不是自然神經網絡的逼真描寫，而隻是它的某種簡化抽象和模擬。
MATLAB中所搭配的Neural Network Toolbox，將神經網絡領域研究的成果完整覆蓋，它以人工神經網絡理論為基礎，用MATLAB語言構造齣典型神經網絡的激活函數，如S型、綫性、競爭層、飽和綫性等激活函數，使設計者對所選定網絡輸齣的計算變成對激活函數的調用。另外，根據各種典型的修正網絡權值的規則，加上網絡的訓練過程，用MATLAB編寫齣各種網絡設計與訓練的子程序，網絡的設計者則可以根據自己的需要去調用工具箱中有關神經網 MATLAB R2016a神經網絡設計與應用28個案例分析（精通MATLAB） 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

紙質較好，對專業也有幫助

評分☆☆☆☆☆

紙質較好，對專業也有幫助

評分☆☆☆☆☆

例子很多，但是講解的不夠詳細，作用不大

評分☆☆☆☆☆

例子很多，但是講解的不夠詳細，作用不大

評分☆☆☆☆☆

例子很多，但是講解的不夠詳細，作用不大

評分☆☆☆☆☆

紙質較好，對專業也有幫助

評分☆☆☆☆☆

紙質較好，對專業也有幫助

評分☆☆☆☆☆

紙質較好，對專業也有幫助

評分☆☆☆☆☆

例子很多，但是講解的不夠詳細，作用不大

類似圖書 點擊查看全場最低價