目錄 第1章線性神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用 1.1系統(tǒng)辨識的MATLAB實現(xiàn) 1.2自適應(yīng)系統(tǒng)辨識的MATLAB實現(xiàn) 1.3線性系統(tǒng)預測的MATLAB實現(xiàn) 1.4線性神經(jīng)網(wǎng)絡(luò)用于消噪處理的MATLAB實現(xiàn) 第2章神經(jīng)網(wǎng)絡(luò)預測的實例分析 2.1地震預報的MATLAB實現(xiàn) 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(xiàn) 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(nóng)作物蟲情預測的MATLAB實現(xiàn) 2.3.1概述 2.3.2農(nóng)作物蟲情預測的MATLAB實例分析 2.4基于概率神經(jīng)網(wǎng)絡(luò)的故障診斷 2.4.1概述 2.4.2基于PNN的故障診斷實例分析 2.5基 于BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)的齒輪箱故障診斷 2.5.1概述 2.5.2基于BP網(wǎng)絡(luò)的齒輪箱故障診斷實例分析 2.5.3基于Elman網(wǎng)絡(luò)的齒輪箱故障診斷實例分析 2.6基于RBF網(wǎng)絡(luò)的船用柴油機故障診斷 2.6.1概述 2.6.2基于RBF網(wǎng)絡(luò)的船用柴油機故障診斷實例分析 第3章BP網(wǎng)絡(luò)算法分析與工程應(yīng)用 3.1數(shù)值優(yōu)化的BP網(wǎng)絡(luò)訓練算法 3.1.1擬牛頓法 3.1.2共軛梯度法 3.1.3LevenbergMarquardt法 3.2BP網(wǎng)絡(luò)的工程應(yīng)用 3.2.1BP網(wǎng)絡(luò)在分類中的應(yīng)用 3.2.2函數(shù)逼近 3.2.3BP網(wǎng)絡(luò)用于膽固醇含量的估計 3.2.4模式識別 第4章神經(jīng)網(wǎng)絡(luò)算法分析與實現(xiàn) 4.1Elman神經(jīng)網(wǎng)絡(luò) 4.1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 4.1.2Elman神經(jīng)網(wǎng)絡(luò)的訓練 4.1.3Elman神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn) 4.2Boltzmann機網(wǎng)絡(luò) 4.2.1BM網(wǎng)絡(luò)結(jié)構(gòu) 4.2.2BM網(wǎng)絡(luò)的規(guī)則 4.2.3用BM網(wǎng)絡(luò)解TSP 4.2.4BM網(wǎng)絡(luò)的MATLAB實現(xiàn) 4.3BSB模型 4.3.1BSB神經(jīng)模型概述 4.3.2BSB的MATLAB實現(xiàn) 第5章預測控制算法分析與實現(xiàn) 5.1系統(tǒng)辨識 5.2自校正控制 5.2.1單步輸出預測 5.2.2最小方差控制 5.2.3最小方差間接自校正控制 5.2.4最小方差直接自校正控制 5.3自適應(yīng)控制 5.3.1MIT自適應(yīng)律 5.3.2MIT歸一化算法 第6章改進的廣義預測控制算法分析與實現(xiàn) 6.1預測控制 6.1.1基于CARIMA模型的JGPC 6.1.2基于CARMA模型的JGPC 6.2神經(jīng)網(wǎng)絡(luò)預測控制的MATLAB實現(xiàn) 第7章SOFM網(wǎng)絡(luò)算法分析與應(yīng)用 7.1SOFM網(wǎng)絡(luò)的生物學基礎(chǔ) 7.2SOFM網(wǎng)絡(luò)的拓撲結(jié)構(gòu) 7.3SOFM網(wǎng)絡(luò)學習算法 7.4SOFM網(wǎng)絡(luò)的訓練過程 7.5SOFM網(wǎng)絡(luò)的MATLAB實現(xiàn) 7.6SOFM網(wǎng)絡(luò)在實際工程中的應(yīng)用 7.6.1SOFM網(wǎng)絡(luò)在人口分類中的應(yīng)用 7.6.2SOFM網(wǎng)絡(luò)在土壤分類中的應(yīng)用 第8章幾種網(wǎng)絡(luò)算法分析與應(yīng)用 8.1競爭型神經(jīng)網(wǎng)絡(luò)的概念與原理 8.1.1競爭型神經(jīng)網(wǎng)絡(luò)的概念 8.1.2競爭型神經(jīng)網(wǎng)絡(luò)的原理 8.2幾種聯(lián)想學習規(guī)則 8.2.1內(nèi)星學習規(guī)則 8.2.2外星學習規(guī)則 8.2.3科荷倫學習規(guī)則 第9章Hopfield神經(jīng)網(wǎng)絡(luò)算法分析與實現(xiàn) 9.1離散Hopfield神經(jīng)網(wǎng)絡(luò) 9.1.1網(wǎng)絡(luò)的結(jié)構(gòu)與工作方式 9.1.2吸引子與能量函數(shù) 9.1.3網(wǎng)絡(luò)的權(quán)值設(shè)計 9.2連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò) 9.3聯(lián)想記憶 9.3.1聯(lián)想記憶網(wǎng)絡(luò) 9.3.2聯(lián)想記憶網(wǎng)絡(luò)的改進 9.4Hopfield神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn) 第10章學習向量量化與對向傳播網(wǎng)絡(luò)算法分析與實現(xiàn) 10.1學習向量量化網(wǎng)絡(luò) 10.1.1LVQ網(wǎng)絡(luò)模型 10.1.2LVQ網(wǎng)絡(luò)學習算法 10.1.3LVQ網(wǎng)絡(luò)學習的MATLAB實現(xiàn) 10.2對向傳播網(wǎng)絡(luò) 10.2.1對向傳播網(wǎng)絡(luò)概述 10.2.2CPN網(wǎng)絡(luò)學習及規(guī)則 10.2.3對向傳播網(wǎng)絡(luò)的實際應(yīng)用 第11章NARMAL2控制算法分析與實現(xiàn) 11.1反饋線性化控制系統(tǒng)原理 11.2反饋線性控制的MATLAB實現(xiàn) 11.3NARMAL2控制器原理及實例分析 11.3.1NARMAL2控制器原理 11.3.2NARMAL2控制器實例分析 第12章神經(jīng)網(wǎng)絡(luò)函數(shù)及其導函數(shù) 12.1神經(jīng)網(wǎng)絡(luò)的學習函數(shù) 12.2神經(jīng)網(wǎng)絡(luò)的輸入函數(shù)及其導函數(shù) 12.3神經(jīng)網(wǎng)絡(luò)的性能函數(shù)及其導函數(shù) 12.3.1性能函數(shù) 12.3.2性能函數(shù)的導函數(shù) 第13章Simulink神經(jīng)網(wǎng)絡(luò)設(shè)計 13.1Simulink交互式仿真集成環(huán)境 13.1.1Simulink模型創(chuàng)建 13.1.2Simulink建模操作 13.1.3Simulink參數(shù)設(shè)置 13.1.4簡單的Simulink例子 13.2Simulink神經(jīng)網(wǎng)絡(luò)模塊 13.2.1傳遞函數(shù)模塊庫 13.2.2網(wǎng)絡(luò)輸入模塊庫 13.2.3權(quán)值設(shè)置模塊庫 13.2.4處理模塊庫 13.2.5控制系統(tǒng)模塊庫 13.3Simulink神經(jīng)網(wǎng)絡(luò)設(shè)計 13.3.1模型構(gòu)建 13.3.2模型仿真 13.3.3修改信號源 第14章BP神經(jīng)元模型與應(yīng)用案例 14.1BP神經(jīng)元及其模型 14.2BP網(wǎng)絡(luò)的學習 14.2.1BP網(wǎng)絡(luò)學習算法 14.2.2BP網(wǎng)絡(luò)學習算法的比較 14.3BP網(wǎng)絡(luò)的局限性 14.4BP網(wǎng)絡(luò)的MATLAB程序應(yīng)用舉例 14.4.1BP網(wǎng)絡(luò)設(shè)計的基本方法 14.4.2BP網(wǎng)絡(luò)應(yīng)用舉例 第15章自適應(yīng)共振網(wǎng)絡(luò)算法分析與應(yīng)用 15.1ART1網(wǎng)絡(luò) 15.1.1網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu) 15.1.2ATR1網(wǎng)絡(luò)運行過程 15.1.3ATR1學習算法 15.1.4ART1網(wǎng)絡(luò)應(yīng)用 15.2ART2網(wǎng)絡(luò) 15.2.1網(wǎng)絡(luò)結(jié)構(gòu)與運行原理 15.2.2網(wǎng)絡(luò)的數(shù)學模型與學習算法 15.2.3ART2網(wǎng)絡(luò)在系統(tǒng)辨識中的應(yīng)用 第16章徑向基網(wǎng)絡(luò)算法分析與應(yīng)用 16.1正則化理論及正則化RBF網(wǎng)絡(luò) 16.1.1正則化理論 16.1.2正則化RBF網(wǎng)絡(luò) 16.2徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 16.2.1徑向基神經(jīng)元模型 16.2.2徑向基神經(jīng)網(wǎng)絡(luò)模型 16.3徑向基神經(jīng)網(wǎng)絡(luò)學習 16.4徑向基神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用 16.4.1函數(shù)逼近 16.4.2散布常數(shù)對徑向基網(wǎng)絡(luò)的影響 16.5廣義回歸神經(jīng)網(wǎng)絡(luò) 16.5.1GRNN網(wǎng)絡(luò)結(jié)構(gòu) 16.5.2GRNN網(wǎng)絡(luò)工作原理 16.6概率神經(jīng)網(wǎng)絡(luò) 16.6.1PNN網(wǎng)絡(luò)結(jié)構(gòu) 16.6.2PNN網(wǎng)絡(luò)工作原理 16.6.3應(yīng)用PNN進行變量分類 第17章感知器算法分析與實現(xiàn) 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(jīng)網(wǎng)絡(luò)的MATLAB仿真 17.4.1感知器神經(jīng)網(wǎng)絡(luò)設(shè)計的基本方法 17.4.2單層感知器神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例 17.5多層感知器神經(jīng)網(wǎng)絡(luò)及其MATLAB仿真 17.5.1多層感知器神經(jīng)網(wǎng)絡(luò)的設(shè)計方法 17.5.2多層感知器神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例 17.6用于線性分類問題的進一步討論 17.6.1決策函數(shù)與決策邊界 17.6.2感知器的決策函數(shù)與決策邊界 第18章線性網(wǎng)絡(luò)與BP網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用 18.1線性神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 18.1.1創(chuàng)建函數(shù)及其應(yīng)用 18.1.2學習函數(shù)及其應(yīng)用 18.1.3性能函數(shù)及其應(yīng)用 18.1.4權(quán)積函數(shù)及其應(yīng)用 18.1.5初始化函數(shù) 18.2BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 18.2.1創(chuàng)建函數(shù)及其應(yīng)用 18.2.2傳遞函數(shù)及其應(yīng)用 18.2.3學習函數(shù)及其應(yīng)用 18.2.4性能函數(shù)及其應(yīng)用 18.2.5訓練函數(shù)及其應(yīng)用 18.2.6顯示函數(shù)及其應(yīng)用 第19章BP網(wǎng)絡(luò)算法分析與實現(xiàn) 19.1BP神經(jīng)網(wǎng)絡(luò)模型 19.2BP神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)設(shè)計 19.4BP神經(jīng)網(wǎng)絡(luò)局限性 19.5BP神經(jīng)網(wǎng)絡(luò)算法改進 19.5.1附加動量法 19.5.2有自適應(yīng)lr的梯度下降法 19.5.3彈性梯度下降法 第20章自組織網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用 20.1創(chuàng)建函數(shù) 20.2傳遞函數(shù) 20.3距離函數(shù) 20.4學習函數(shù) 20.5初始化函數(shù) 20.6訓練函數(shù) 20.7顯示函數(shù) 20.8權(quán)值函數(shù) 20.9結(jié)構(gòu)函數(shù) 第21章線性網(wǎng)絡(luò)算法分析與實現(xiàn) 21.1線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 21.2線性神經(jīng)網(wǎng)絡(luò)學習 21.3線性神經(jīng)網(wǎng)絡(luò)訓練 21.4線性神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn) 21.5線性神經(jīng)網(wǎng)絡(luò)的局限性 21.5.1超定系統(tǒng) 21.5.2不定系統(tǒng) 21.5.3線性相關(guān)向量 21.5.4學習速率過大 第22章神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用 22.1徑向基神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 22.1.1創(chuàng)建函數(shù) 22.1.2變換函數(shù) 22.1.3傳遞函數(shù) 22.1.4距離函數(shù) 22.2Hopfield神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 22.2.1傳輸函數(shù) 22.2.2學習函數(shù) 22.3Elman神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 22.4學習向量量化網(wǎng)絡(luò)工具箱函數(shù) 22.4.1創(chuàng)建函數(shù) 22.4.2顯示函數(shù) 第23章感知器網(wǎng)絡(luò)算法分析與實現(xiàn) 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(wǎng)絡(luò)結(jié)構(gòu) 23.1.4感知器算法 23.1.5網(wǎng)絡(luò)的訓練 23.1.6單層感知器實現(xiàn) 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(xiàn) 23.3感知器神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn) 第24章神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)分析與應(yīng)用 24.1權(quán)值和閾值初始化函數(shù) 24.2訓練和自適應(yīng)調(diào)整函數(shù) 第25章自組織競爭網(wǎng)絡(luò)算法分析與應(yīng)用 25.1自組織競爭網(wǎng)絡(luò)結(jié)構(gòu) 25.2自組織競爭網(wǎng)絡(luò)學習規(guī)則 25.2.1Kohonen權(quán)值學習規(guī)則 25.2.2閾值學習規(guī)則 25.3網(wǎng)絡(luò)訓練 25.4競爭型網(wǎng)絡(luò)存在的問題 25.5競爭型網(wǎng)絡(luò)的工程應(yīng)用 第26章小波神經(jīng)網(wǎng)絡(luò)在交通流量預測中的應(yīng)用 26.1小波變換概述 26.2小波神經(jīng)網(wǎng)絡(luò)的定義 26.3小波神經(jīng)網(wǎng)絡(luò)的理論 26.4小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 26.5小波神經(jīng)網(wǎng)絡(luò)用于交通流量預測 第27章模糊神經(jīng)網(wǎng)絡(luò)算法分析與應(yīng)用 27.1模糊神經(jīng)網(wǎng)絡(luò) 27.2幾種常用模型的模糊神經(jīng)網(wǎng)絡(luò) 27.2.1Mamdani模型模糊神經(jīng)網(wǎng)絡(luò) 27.2.2TakagiSugeno模型模糊神經(jīng)網(wǎng)絡(luò) 27.2.3模糊神經(jīng)網(wǎng)絡(luò)的函數(shù) 27.2.4模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用 27.2.5神經(jīng)模糊系統(tǒng)的圖形界面 第28章感知器網(wǎng)絡(luò)工具箱函數(shù)及其應(yīng)用 28.1創(chuàng)建函數(shù) 28.2初始化函數(shù) 28.3顯示函數(shù) 28.4仿真函數(shù) 28.5性能函數(shù) 28.6訓練函數(shù) 28.7學習函數(shù) 28.8傳遞函數(shù)