麵嚮MATLAB工具箱的神經網絡理論與應用 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

叢爽 著

齣版社： 中國科學技術大學齣版社

ISBN：9787312024313

版次：3

商品編碼：10084041

包裝：平裝

開本：16開

齣版時間：2009-04-01

用紙：膠版紙

頁數：323

字數：412000

正文語種：中文

編輯推薦

　　最主要的特點在於在闡述最典型的人工神經網絡理論的基礎上，通過MATLAB環境下提供的神經網絡工具箱進行例題的演示與應用，從而使得初學者能夠直觀地通過或圖形或訓練特性對神經網絡的功能及其應用有較深入和透徹的瞭解，同時也更加有助於問題的解決。

內容簡介

　　利用目前國際上流行通用的MATLAB 7.0環境，結閤神經網絡工具箱4.0.6版本，分彆從網絡構造、基本原理、學習規則以及訓練過程和應用局限性幾個方麵，通過多層次、多方麵的分析與綜閤，深入淺齣地介紹瞭人工神經網絡中的各種典型網絡，以及各種不同神經網絡之間在原理和特性等方麵的不同點與相同點。
　　《麵嚮MATLAB工具箱的神經網絡理論與應用》可作為計算機、電子學、信息科學、通訊以及自動控製等專業的高年級本科生、研究生以及其他專業科技人員學習神經網絡或MATLAB環境下神經網絡工具箱時的教材或參考書。

目錄

第3版前言
第2版前言
前言
第1章 概述
1.1 人工神經網絡概念的提齣
1.2 神經細胞以及人工神經元的組成
1.3 人工神經網絡應用領域
1.4 人工神經網絡發展的迴顧
1.5 人工神經網絡的基本結構與模型
1.5.1 人工神經元的模型
1.5.2 激活轉移函數
1.5.3 單層神經元網絡模型結構
1.5.4 多層神經網絡
1.5.5 遞歸神經網絡
1.6 用MATLAB計算人工神經網絡輸齣
1.7 本章小結
習題
第2章 前嚮神經網絡
2.1 感知器
2.1.1 感知器的網絡結構
2.1.2 感知器的圖形解釋
2.1.3 感知器的學習規則
2.1.4 網絡的訓練
2.1.5 感知器的局限性
2.1.6 “異或”問題
2.1.7 解決綫性可分性限製的辦法
2.1.8 本節小結
2.2 自適應綫性元件
2.2.1 自適應綫性神經元模型和結構
2.2.2 W-H學習規則
2.2.3 網絡訓練
2.2.4 例題與分析
2.2.5 對比與分析
2.2.6 單步延時綫及其自適應濾波器的實現
2.2.7 自適應綫性網絡的應用
2.2.8 本節小結
2.3 反嚮傳播網絡
2.3.1 BP網絡模型與結構
2.3.2 BP學習規則
2.3.3 BP網絡的訓練及其設計過程
2.3.4 BP網絡的設計
2.3.5 限製與不足
2.3.6 反嚮傳播法的改進方法
2.3.7 基於數值優化方法的網絡訓練算法
2.3.8 數值實例對比
2.3.9 本節小結
習題
第3章 遞歸神經網絡
3.1 各種遞歸神經網絡
3.1.1 全局反饋型遞歸神經網絡
3.1.2 前嚮遞歸神經網絡
3.1.3 混閤型網絡
3.1.4 本節小結
3.2 全局反饋遞歸網絡
3.2.1 霍普菲爾德網絡模型
3.2.2 狀態軌跡
3.2.3 離散型霍普菲爾德網絡
3.2.4 連續型霍普菲爾德網絡
3.2.5 本節小結
3.3 Elman網絡
3.3.1 網絡結構及其輸入輸齣關係式
3.3.2 修正網絡權值的學習算法
3.3.3 穩定性推導
3.3.4 對穩定性結論的分析
3.3.5 對角遞歸網絡穩定時學習速率的確定
3.3.6 本節小結
3.4 對角遞歸神經網絡
3.4.1 網絡結構及其輸入輸齣關係式
3.4.2 網絡的穩定性分析
3.4.3 進一步的討論
3.4.4 數值實例
3.4.5 本節小結
3.5 局部遞歸神經網絡
3.5.1 PIDNNC的設計
3.5.2 閉環控製係統穩定性分析
3.5.3 實時在綫控製策略的設計步驟
3.5.4 數值應用
3.5.5 本節小結
習題
第4章 局部連接神經網絡
4.1 徑嚮基函數網絡
4.1.1 徑嚮基函數及其網絡分析
4.1.2 網絡的訓練與設計
4.1.3 廣義徑嚮基函數網絡
4.1.4 數字應用對比及性能分析
4.1.5 本節小結
4.2 B樣條基函數及其網絡
4.3 CMAC神經網絡
4.3.1 CMAC網絡基本結構
4.3.2 CMAC的學習算法
4.4局 部神經網絡的性能對比分析
4.4.1 CMAC、B樣條和RBF共有的結構特點
4.4.2 CMAC、B樣條和RBF的不同之處
4.5 K型局部連接神經網絡
4.5.1 網絡結構與權值修正法
4.5.2 網絡特性分析
4.5.3 數字應用對比及性能分析
4.5.4 本節小結
習題
第5章 自組織競爭神經網絡
5.1 幾種聯想學習規則
5.1.1 內星學習規則
5.1.2 外星學習規則
5.1.3 科荷倫學習規則
5.2 自組織競爭網絡
5.2.1 網絡結構
5.2.2 競爭學習規則
5.2.3 競爭網絡的訓練過程
5.3 科荷倫自組織映射網絡
5.3.1 科荷倫網絡拓撲結構
5.3.2 網絡的訓練過程
5.4 自適應共振理論
5.4.1 ART-1網絡結構
5.4.2 ART-1的運行過程
5.4.3 ART-2神經網絡
5.5 本章小結
習題
第6章 隨機神經網絡
6.1 概述
6.1.1 隨機神經網絡的發展
6.1.2 GNN模型描述
6.1.3 RNN的學習算法
6.1.4 RNN的應用
6.1.5 其他隨機網絡
6.1.6 研究前景
6.2 用Boltzmann機求解典型NP優化問題TSP
6.2.1 Boltzmann機網絡模型及其權值修正規則
6.2.2 用Boltzmann機網絡解TSP
6.2.3 Boltzmann機與Hopfield網絡解TSP的對比
6.2.4 本節小結
6.3 隨機神經網絡算法改進及其應用
6.3.1 DRNN解TSP的參數推導和改進方法
6.3.2 DRNN網絡解TSP改進方法的實驗對比
6.3.3 本節小結
6.4 采用DRNN網絡優化求解的對比研究
6.4.1 DRNN與Hopfield網絡求解TSP的理論分析
6.4.2 DRNN與Hopfield網絡解TSP的實驗對比
6.4.3 本節小結
習題
第7章 麵嚮工具箱的神經網絡實際應用
7.1 綜述
7.1.1 神經網絡技術的選用
7.1.2 神經網絡各種模型的應用範圍
7.1.3 網絡設計的基本原則
7.2 神經網絡在控製係統中的應用
7.2.1 反饋綫性化
7.2.2 問題的提齣
7.2.3 神經網絡設計
7.3 利用神經網絡進行字母的模式識彆
7.3.1 問題的闡述
7.3.2神經網絡的設計
7.4 用於字符識彆的三種人工神經網絡的性能對比
7.4.1 用於字母識彆的感知器網絡
7.4.2 用於字母識彆的霍普菲爾德網絡
7.4.3 字母識彆實驗及其結果分析
附錄A MATLAB 7.1神經網絡工具箱4.0.6函數一覽錶
附錄B 程序目錄
參考文獻

精彩書摘

　　第1章 概述
　　1.1 人工神經網絡概念的提齣
　　人腦是宇宙中已知最復雜、最完善和最有效的信息處理係統，是生物進化的最高産物，是人類智能、思維和情緒等高級精神活動的物質基礎，也是人類認識較少的領域之一。長期以來，人們不斷地通過神經學、生物學、心理學、認知學、數學、電子學和計算機科學等一係列學科，對神經網絡進行分析和研究，企圖揭示人腦的工作機理，瞭解神經係統進行信息處理的本質，並通過對人腦結構及其信息處理方式的研究，利用大腦神經網絡的一些特性，設計齣具有類似大腦某些功能的智能係統來處理各種信息，解決不同問題。
　　用機器代替人腦的部分勞動是當今科學技術發展的重要標誌。計算機就是采用電子元件的組閤來完成人腦的某些記憶、計算和判斷功能的係統。現代計算機中，每個電子元件的計算速度為納秒（10-9秒）級，而人腦中每個神經細胞的反應時間隻有毫秒（101秒）級。然而在進行諸如記憶迴溯、語言理解、直覺推理、圖像識彆等決策過程中，人腦往往隻需要一秒鍾左右的時間就可以完成復雜的處理。換句話說，腦神經細胞做齣決定需要的運算不超過100步，範德曼（J.A.Feldman）稱之為100步程序長度。顯然，任何現代串行計算機絕不可能在100步運算中完成類似上述的一些任務。由此人們希望去追求一種新型的信號處理係統，它既有超越人的計算能力，又有類似於人的識彆、判斷、聯想和決策的能力。
　　人工神經網絡（Artificial Neural Network，簡稱ANN）正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基於模仿大腦神經網絡結構和功能而建立的一種信息處理係統。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非綫性，能夠進行復雜的邏輯操作和非綫性關係實現的係統。

前言/序言

　　在《麵嚮MATLAB工具箱的神經網絡理論與應用》第3版中，首先對第2版內容進行瞭重新整閤，將第2版中的感知器、自適應綫性元件和反嚮傳播網絡這3章閤為一章——前嚮神經網絡；然後在第2版的基礎之上，增加瞭最近5年裏有關人工神經網絡研究中的一些新理論、新進展，包括遞歸神經網絡、局部連接神經網絡、隨機神經網絡及它們的應用等；根據實際應用的情況，在第3版中還刪去瞭第2版中一些不太實用的內容。
　　在結構安排上，第3版沿襲本書前兩版的特點：每一章的內容，按照網絡構造、基本原理、學習規則、訓練過程、應用局限性的順序進行編排。通過多層次、多方麵的分析與綜閤，深入淺齣地闡述瞭各種不同神經網絡在原理、特性等方麵的不同點與相同點，使不同層次、不同水平和階段的讀者都能夠根據自己的情況瞭解和掌握人工神經網絡的精髓和相應的深度，這使得本書既可以作為教材，也適用於自學。通過增加的最新內容，使得本書作為教材使用時也具有更加多樣的可選擇性：既可作為本科生教材，也可作為研究生教材；教師可以有重點地選擇感興趣的內容來進行40學時或60學時的教學。
　　在寫作上，第3版仍然保持著前兩版所具有的特點：雖然是在介紹人工神經網絡理論，但敘述盡量做到深入淺齣、淺顯易懂，通過采用各種方法，包括理論推導，作圖解釋，不同結構、算法的特點及功能的對比等，使讀者更容易掌握和理解。並在闡述人工神經網絡理論的基礎上，通過MATLAB環境下提供的神經網絡工具箱對一些實際應用問題進行求解演示，努力使讀者能夠采用工具箱中的函數直接設計訓練網絡，直觀地通過圖形或訓練特性對神經網絡的功能及其應用有一個深入和透徹的認識。

評分☆☆☆☆☆

希望我能夠看完，並且學到很多東西

評分☆☆☆☆☆

沒細看，掃瞭邊還不錯

評分☆☆☆☆☆

學習神經網絡和機器學習不錯的教材。。

評分☆☆☆☆☆

沒細看，掃瞭邊還不錯

評分☆☆☆☆☆

神經網絡書籍，具體內容還沒看

評分☆☆☆☆☆

總共323頁理論文字敘述較多，針對工具箱的操作指導偏少，可讀性一般。

評分☆☆☆☆☆

如題如題如題如題如題

評分☆☆☆☆☆

還沒來得及看，但書的印刷不錯

評分☆☆☆☆☆

希望我能夠看完，並且學到很多東西