《面向MATLAB工具箱的神经网络理论与应用》求取 ⇩

第一章 概述1

1．1 人工神经网络概念的提出1

1．2 神经细胞以及人工神经元的组成2

1．3 人工神经网络应用领域3

1．4 人工神经网络发展的回顾4

1．5 人工神经网络的基本结构与模型6

1．5．1 人工神经元的模型6

1．5．2 激活转移函数7

1．5．3 单层神经元网络模型结构9

1．5．4 多层神经网络10

1．5．5 反馈网络11

1．6 用MATLAB计算人工神经网络输出12

1．7 本章小结15

第二章 感知器16

2．1 感知器的网络结构16

2．2 感知器的图形解释17

2．3 感知器的学习规则18

2．4 网络的训练19

2．5 感知器的局限性25

2．6 “异或”问题27

2．7 解决线性可分性限制的办法29

2．8 本章小结30

习题30

第三章 自适应线性元件31

3．1 自适应线性神经元模型和结构31

3．2 W-H学习规则32

3．3 网络训练33

3．4 例题与分析34

3．5 对比与分析43

3．6 本章小结44

习题44

第四章 反向传播网络45

4．1 BP网络模型与结构45

4．2 BP学习规则46

4．2．1 信息的正向传递47

4．2．2 利用梯度下降法求权值变化及误差的反向传播47

4．2．3 误差反向传播的流程图与图形解释48

4．3 BP网络的训练过程49

4．4 BP网络的设计53

4．4．1 网络的层数53

4．4．2 隐含层的神经元数57

4．4．3 初始权值的选取59

4．4．4 学习速率60

4．4．5 期望误差的选取62

4．5 限制与不足62

4．6 反向传播法的改进方法64

4．6．1 附加动量法64

4．6．2 误差函数的改进69

4．6．3 自适应学习速率70

4．6．4 双极性S型压缩函数法72

4．7 本章小结72

习题73

第五章 反馈网络74

5．1 霍普菲尔德网络模型75

5．2 状态轨迹75

5．2．1 状态轨迹为稳定点76

5．2．2 状态轨迹为极限环77

5．2．3 混沌现象77

5．2．4 状态轨迹发散77

5．3 离散型霍普菲尔德网络78

5．3．1 DHNN模型结构78

5．3．2 联想记忆79

5．3．3 DHNN的海布学习规则80

5．3．4 影响记忆容量的因素82

5．3．5 网络的记忆容量确定84

5．3．6 DHNN权值设计的其他方法86

5．4 连续型霍普菲尔德网络94

5．4．1 对应于电子电路的网络结构95

5．4．2 CHNN方程的解及稳定性分析97

5．4．3 霍普菲尔德能量函数及其稳定性分析101

5．4．4 能量函数与优化计算103

5．5 本章小结110

习题111

第六章 自组织竞争人工神经网络112

6．1 几种联想学习规则112

6．1．1 内星学习规则113

6．1．2 外星学习规则115

6．1．3 科荷伦学习规则117

6．2 自组织竞争网络118

6．2．1 网络结构118

6．2．2 竞争学习规则121

6．2．3 竞争网络的训练过程121

6．3 科荷伦自组织映射网络124

6．3．1 科荷伦网络拓扑结构125

6．3．2 网络的训练过程127

6．4 对传网络132

6．4．1 网络结构132

6．4．2 学习法则133

6．4．3 训练过程133

6．5 自适应共振理论134

6．5．1 ART1网络结构135

6．5．2 ART1的运行过程136

第七章 面向工具箱的神经网络实际应用142

7．1 综述142

7．1．1 神经网络技术的选取142

7．1．2 神经网络各种模型的应用范围143

7．1．3 网络设计的基本原则144

7．2 神经网络在控制系统中的应用145

7．2．1 反馈线性化145

7．2．2 问题的提出146

7．2．3 神经网络设计147

7．3 利用神经网络进行字母的模式识别150

7．3．1 问题的阐述151

7．3．2 神经网络的设计152

7．4 用自组织竞争网络优化模糊神经网络的结构与参数156

7．4．1 FNN控制器的设计157

7．4．2 被控对象模型的辨识160

7．4．3 FNN控制器的训练164

7．4．4 采用SCNN优化模糊标记数与性能对比169

附录 MATLAB神经网络工具箱函数一览表175

参考文献178