目錄 第1章線性神經網絡的工程應用 1.1系統辨識的MATLAB實現 1.2自適應系統辨識的MATLAB實現 1.3線性系統預測的MATLAB實現 1.4線性神經網絡用于消噪處理的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基于概率神經網絡的故障診斷 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網絡和Elman網絡的齒輪箱故障診斷 2.5.1概述 2.5.2基于BP網絡的齒輪箱故障診斷實例分析 2.5.3基于Elman網絡的齒輪箱故障診斷實例分析 2.6基于RBF網絡的船用柴油機故障診斷 2.6.1概述 2.6.2基于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Marquardt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網絡用于膽固醇含量的估計 3.2.4模式識別 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章預測控制算法分析與實現 5.1系統辨識 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自適應控制 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制算法分析與實現 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神經網絡預測控制的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章學習向量量化與對向傳播網絡算法分析與實現 10.1學習向量量化網絡 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對向傳播網絡 10.2.1對向傳播網絡概述 10.2.2CPN網絡學習及規則 10.2.3對向傳播網絡的實際應用 第11章NARMAL2控制算法分析與實現 11.1反饋線性化控制系統原理 11.2反饋線性控制的MATLAB實現 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控制系統模塊庫 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網絡系統結構 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網絡在系統辨識中的應用 第16章徑向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徑向基神經網絡結構 16.2.1徑向基神經元模型 16.2.2徑向基神經網絡模型 16.3徑向基神經網絡學習 16.4徑向基神經網絡的工程應用 16.4.1函數逼近 16.4.2散布常數對徑向基網絡的影響 16.5廣義回歸神經網絡 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用于線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章線性網絡與BP網絡工具箱函數及其應用 18.1線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章線性網絡算法分析與實現 21.1線性神經網絡結構 21.2線性神經網絡學習 21.3線性神經網絡訓練 21.4線性神經網絡的MATLAB實現 21.5線性神經網絡的局限性 21.5.1超定系統 21.5.2不定系統 21.5.3線性相關向量 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徑向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學習向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 第24章神經網絡工具箱函數分析與應用 24.1權值和閾值初始化函數 24.2訓練和自適應調整函數 第25章自組織競爭網絡算法分析與應用 25.1自組織競爭網絡結構 25.2自組織競爭網絡學習規則 25.2.1Kohonen權值學習規則 25.2.2閾值學習規則 25.3網絡訓練 25.4競爭型網絡存在的問題 25.5競爭型網絡的工程應用 第26章小波神經網絡在交通流量預測中的應用 26.1小波變換概述 26.2小波神經網絡的定義 26.3小波神經網絡的理論 26.4小波神經網絡的結構 26.5小波神經網絡用于交通流量預測 第27章模糊神經網絡算法分析與應用 27.1模糊神經網絡 27.2幾種常用模型的模糊神經網絡 27.2.1Mamdani模型模糊神經網絡 27.2.2TakagiSugeno模型模糊神經網絡 27.2.3模糊神經網絡的函數 27.2.4模糊神經網絡的應用 27.2.5神經模糊系統的圖形界面 第28章感知器網絡工具箱函數及其應用 28.1創建函數 28.2初始化函數 28.3顯示函數 28.4仿真函數 28.5性能函數 28.6訓練函數 28.7學習函數 28.8傳遞函數