　　MATLAB技术论坛、MATLAB中文论坛共同推荐，提供在线交流，有问必答的网络互动答疑服务！
　　提供10小时配套教学视频，并附赠24.5小时MATLAB基础教学视频，提供教学PPT下载服务
　　详解109个典型实例、7个综合案例和50多个神经网络工具箱函数
　　涵盖单层感知器、线性神经网络、BP神经网络、径向基网络、自组织神经网络、反馈神经网络、随机神经网络7种主要的网络类型　

　　超值DVD光盘内容
　　10小时配套教学视频
　　24.5小时MATLAB基础教学视频（赠送）

内容简介

　　《MATLAB神经网络原理与实例精解》结合科研和高校教学的相关课程，全面、系统、详细地介绍了MATLAB神经网络的原理及应用，并给出了大量典型的实例供读者参考。《MATLAB神经网络原理与实例精解》附带1张光盘，收录了《MATLAB神经网络原理与实例精解》重点内容的配套多媒体教学视频及书中涉及的实例源文件。这些资料可以大大方便读者高效、直观地学习《MATLAB神经网络原理与实例精解》内容。
　　《MATLAB神经网络原理与实例精解》首先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的最后给出了实例。在全书的最后，又以专门的一章收集了MATLAB神经网络在图像、工业、金融、体育等不同领域的具体应用，具有很高的理论和使用价值。全书内容详实、重点突出，从三个层次循序渐进地利用实例讲解网络原理和使用方法，降低了学习门槛，使看似神秘高深的神经网络算法更为简单易学。
　　《MATLAB神经网络原理与实例精解》适合学习神经网络的人员使用MATLAB方便地实现神经网络以解决实际问题，也适合神经网络或机器学习算法的研究者及MATLAB进阶学习者阅读。另外，《MATLAB神经网络原理与实例精解》可以作为高校相关课程的教材和教学参考书。
　　国内MATLAB&Simulink;技术交流平台——MATLAB中文论坛?联合本书作者和编辑，一起为您提供与本书相关的问题解答和MATLAB技术支持服务，让您获得阅读体验。请随时登录MATLAB中文论坛，提出您在阅读本书时产生的疑问，作者将定期为您解答。您对本书的任何建议也可以在论坛上发帖，以便于我们后续改进。您的建议将是我们创造精品的动力和源泉。

　　本书涵盖内容及视频时间：
　　神经网络与MATLAB简介（58分钟视频）
　　MATLAB函数与神经网络工具箱（62分钟视频）
　　单层感知器（27分钟视频）
　　线性神经网络（41分钟视频）
　　BP神经网络（49分钟视频）
　　径向基神经网络（62分钟视频）
　　自组织神经网络（52分钟视频）
　　反馈神经网络（51分钟视频）
　　随机神经网络（40分钟视频）
　　用GUI设计神经网络（56分钟视频）
　　神经网络应用实例（96分钟视频）

作者简介

　　陈明，毕业于天津大学信息与通信工程专业，获硕士学位。本科期间参加过全国电子设计大赛信息安全专题邀请赛，获三等奖。研究生阶段在天津大学信息学院图像中心学习，研究方向为图像处理、模式识别和视频编解码。由于学习和科研的需要开始接触MATLAB，用MATLAB解决过图像处理机器学习等领域的问题。对遗传算法和神经网络工具箱尤为熟悉，有丰富的MATLAB编程经验。编写过《MATLAB函数效率功能速查手册》一书。

内页插图

精彩书评

　　★这是一本理论与实践并重的书，书中不仅介绍了神经网络的原理，而且列举了大量实例介绍MATLAB神经网络工具箱的使用。您在阅读本书时可以结合MATLAB中文论坛的在线交流平台，相信更能从多角度领会MATLAB神经网络工具箱的精髓。
　　——MATLAB中文论坛
　　
　　★本书系统地介绍了神经网络的原理和MATLAB神经网络工具箱的使用，内容从易到难，将神经网络的精华表现得淋漓尽致。最后的综合实例更是精彩、有趣，非常值得一看。欢迎各位读者经常到MATLAB技术论坛的相关版块进行讨论，这里会有很多热心朋友为您解答。
　　——MATLAB技术论坛

第1篇入门篇
第1章神经网络概述（教学视频：10分钟）
1.1 人工神经网络简介
1.2 神经网络的特点及应用
1.2.1 神经网络的特点
1.2.2 神经网络的应用
1.3 人工神经网络的发展历史
1.4 神经网络模型
1.5 神经网络的学习方式
第2章 MATLAB快速入门（教学视频：48分钟）
2.1 MATLAB功能及历史
2.1.1 MATLAB的功能和特点
2.1.2 MATLAB发展历史
2.2 MATLAB R2011b集成开发环境
2.2.1 MATLAB的安装
2.2.2 MATLAB集成开发环境
2.2.3 搜索路径设定
2.3 MATLAB语言基础
2.3.1 标识符与数组
2.3.2 数据类型
2.3.3 运算符
2.3.4 流程控制
2.3.5 M文件
第3章 MATLAB函数与神经网络工具箱（教学视频：62分钟）
3.1 MATLAB常用命令
3.2 矩阵生成和基本运算
3.2.1 zeros生成全零矩阵
3.2.2 0nes生成全1矩阵
3.2.3 magic生成魔方矩阵
3.2.4 eye生成单位矩阵
3.2.5 rand生成均匀分布随机数
3.2.6 randn生成正态分布随机数
3.2.7 linspace产生线性等分向量
3.2.8 logspace产生对数等分向量
3.2.9 randperm生成随机整数排列
3.2.10 randi生成整数随机数
3.2.11 range向量的最大/最小值之差
3.2.12 minmax求最大/最小值
3.2.13 min/max/mean求最大/最小值
3.2.14 size/length/numel/ndims矩阵维度相关
3.2.15 sum/prod求和或积
3.2.16 var/std求方差与标准差
3.2.17 diag生成对角矩阵
3.2.18 repmat矩阵复制和平铺
3.2.19 reshape矩阵变维
3.2.20 inv/pinv矩阵求逆/求伪逆
3.2.21 rank/det求矩阵的秩/行列式
3.2.22 eig矩阵的特征值分解
3.2.23 svd矩阵的奇异值分解
3.2.24 trace求矩阵的迹
3.2.25 norm求向量或矩阵的范数
3.3 数学函数
3.3.1 abs求绝对值
3.3.2 exp/log指数函数/对数函数
3.3.3 log10/log2常用对数/以2为底的对数
3.3.4 fix/roun～ceil/floor取整函数
3.3.5 mod/rem取模数／余数
3.4 图形相关函数
3.4.1 plot绘制二维图像
3.4.2 坐标轴设置函数
3.4.3 subplot同一窗口分区绘图
3.4.4 figure/hold创建窗口／图形保持
3.4.5 semilogx/semilogy单对数坐标图
3.4.6 contour/clabel曲面等高线／等高线标签
3.4.7 gcf/gca/gco返回当前图形／坐标／对象句柄
3.4.8 mesh绘制三维网格图
3.5 神经网络工具箱
3.5.1 工具箱函数基本介绍
3.5.2 神经网络对象与属性

第2篇原理篇
第4章单层感知器（教学视频：27分钟）
4.1 单层感知器的结构 104
4.2 单层感知器的学习算法 105
4.3 感知器的局限性 108
4.4 单层感知器相关函数详解 108
4.4.1 newp——创建一个感知器 108
4.4.2 train——训练感知器网络 111
4.4.3 sim——对训练好的网络进行仿真 113
4.4.4 hardlim/hardlims——感知器传输函数 114
4.4.5 init——神经网络初始化函数 115
4.4.6 adapt——神经网络的自适应 117
4.4.7 mae——平均绝对误差性能函数 119
4.5 单层感知器应用实例——坐标点的二类模式分类 120
4.5.1 手算 120
4.5.2 使用工具箱函数 127
第5章线性神经网络（教学视频：41分钟）
5.1 线性神经网络的结构 129
5.2 LMS学习算法 130
5.3 LMS算法中学习率的选择 132
5.3.1 确保网络稳定收敛的学习率 132
5.3.2 学习率逐渐下降 133
5.4 线性神经网络与感知器的对比 134
5.4.1 网络传输函数 134
5.4.2 学习算法 134
5.5 线性神经网络相关函数详解 134
5.5.1 newlind——设计一个线性层 135
5.5.2 newlin——构造一个线性层 136
5.5.3 purelin——线性传输函数 138
5.5.4 learnwh——LMS学习函数 138
5.5.5 maxlinlr——计算最大学习率 141
5.5.6 mse——均方误差性能函数 142
5.5.7 linearlayer——构造线性层的函数 143
5.6 线性神经网络应用实例 144
5.6.1 实现二值逻辑——与 144
5.6.2 实现二值逻辑——异或 151
第6章 BP神经网络（教学视频：49分钟）
6.1 BP神经网络的结构 156
6.2 BP网络的学习算法 158
6.2.1 最速下降法 158
6.2.2 最速下降BP法 159
6.2.3 串行和批量训练方式 162
6.2.4 最速下降BP法的改进 163
6.3 设计BP网络的方法 164
6.4 BP神经网络的局限性 166
6.5 BP网络相关函数详解 166
6.5.1 logsig——Log-Sigmoid传输函数 167
6.5.2 tansig——Tan-Sigmoid传输函数 168
6.5.3 newff——创建一个BP网络 169
6.5.4 feedforwardnet——创建一个BP网络 172
6.5.5 newcf——级联的前向神经网络 173
6.5.6 cascadeforwardnet——新版级联前向网络 174
6.5.7 newfftd——前馈输入延迟的BP网络 175
6.5.8 dlogsig/dtansig——Sigmoid函数的导数 176
6.6 BP神经网络应用实例 177
6.6.1 基于BP网络的性别识别 177
6.6.2 实现二值逻辑——异或 191
第7章径向基函数网络（教学视频：62分钟）
7.1 径向基神经网络的两种结构 196
7.1.1 径向基函数 196
7.1.2 正则化网络 198
7.1.3 广义网络 199
7.2 径向基神经网络的学习算法 200
7.2.1 随机选取固定中心 200
7.2.2 自组织选取中心 201
7.2.3 有监督选取中心 202
7.2.4 正交最小二乘法 203
7.3 径向基神经网络与多层感知器的比较 204
7.4 概率神经网络 205
7.4.1 模式分类的贝叶斯决策理论 205
7.4.2 概率神经网络的结构 206
7.4.3 概率神经网络的优点 207
7.5 广义回归神经网络 208
7.5.1 广义回归神经网络的理论基础 208
7.5.2 广义回归神经网络的结构 209
7.6 径向基神经网络相关函数详解 210
7.6.1 newrb——设计一个径向基函数网络 210
7.6.2 newrbe——设计一个严格的径向基网络 212
7.6.3 radbas——径向基函数 213
7.6.4 dist——欧几里得距离权函数 215
7.6.5 netprod——乘积网络输入函数 215
7.6.6 dotprod——内积权函数 216
7.6.7 netsum——求和网络输入函数 217
7.6.8 newpnn——设计概率神经网络 217
7.6.9 compet——竞争性传输函数 218
7.6.10 ind2vec/vec2ind——向量-下标转换函数 220
7.6.11 newgrnn——设计广义回归神经网络 220
7.6.12 normprod——归一化点积权函数 221
7.7 径向基网络应用实例 222
7.7.1 异或问题 222
7.7.2 RBF网络曲线拟合 227
7.7.3 GRNN网络曲线拟合 234
7.7.4 PNN网络用于坐标点分类 237
第8章自组织竞争神经网络（教学视频：52分钟）
8.1 竞争神经网络
8.2 竞争神经网络的学习算法 243
8.2.1 Kohonen学习规则 244
8.2.2 阈值学习规则 245
8.3 自组织特征映射网络 246
8.4 SOM的学习算法 247
8.5 学习矢量量化网络 249
8.5.1 LVQ1学习规则 250
8.5.2 LVQ2规则 250
8.6 自组织竞争网络相关函数详解 251
8.6.1 gridtop——网格拓扑函数 251
8.6.2 hextop——六边形拓扑函数 252
8.6.3 randtop——随机拓扑结构函数 253
8.6.4 tritop——三角拓扑函数 253
8.6.5 dist、boxdist、linkdist、mandist——距离函数 255
8.6.6 newc——竞争网络 258
8.6.7 competlayer——新版竞争网络函数 260
8.6.8 newsom——自组织特征映射网络 261
8.6.9 selforgmap——新版自组织映射网络函数 262
8.6.10 newlvq——学习矢量量化网络 265
8.6.11 lvqnet——新版学习矢量量化网络函数 267
8.6.12 mapminmax——归一化函数 268
8.7 自组织竞争神经网络应用实例 269
第9章反馈神经网络（教学视频：51分钟）
9.1 离散Hopfield神经网络 278
9.2 连续Hopfield神经网络 284
9.3 Elman神经网络 285
9.4 盒中脑模型 286
9.5 反馈神经网络相关函数详解 288
9.6 反馈神经网络应用实例 296
第10章随机神经网络（教学视频：40分钟）
10.1 模拟退火算法 308
10.2 Boltzmann机 311
10.3 Sigmoid置信度网络 316
10.4 MATLAB模拟退火算法工具 317
10.5 模拟退火算法求解TSP问题 327
第11章用GUI设计神经网络（教学视频：56分钟） 334
11.1 神经网络工具（nntool） 334
11.2 神经网络分类/聚类工具（nctool） 340
11.3 神经网络拟合工具（nftool） 348
11.4 神经网络模式识别工具（nprtool） 353
11.5 神经网络时间序列工具（ntstool） 359
11.6 nntraintool与view 365

第3篇实战篇
第12章 Simulink 368
12.1 Simulink中的神经网络模块 368
12.2 用gensim生成模块 371
第13章神经网络应用实例（教学视频：96分钟）
13.1 BP神经网络实现图像压缩 377
13.2 Elman网络预测上证股市开盘价 387
13.3 径向基网络预测地下水位 395
13.4 基于BP网络的个人信贷信用评估 402
13.5 基于概率神经网络的手写体数字识别 411
13.6 基于概率神经网络的柴油机故障诊断 420
13.7 基于自组织特征映射网络的亚洲足球水平聚类 425

精彩书摘

　　第5章线性神经网络
　　线性神经网络最典型的例子是自适应线性元件（Adaptive Linear Element，Adaline）。自适应线性元件20世纪50年代末由Widrow和Hoff提出，主要用途是通过线性逼近一个函数式而进行模式联想以及信号滤波、预测、模型识别和控制等。
　　线性神经网络与感知器的主要区别在于，感知器的传输函数只能输出两种可能的值，而线性神经网络的输出可以取任意值，其传输函数是线性函数。线性神经网络采用Widrow-Hoff学习规则，即LMS（Least Mean Square）算法来调整网络的权值和偏置。
　　线性神经网络在收敛的精度和速度上较感知器都有了较大提高，但其线性运算规则决定了它只能解决线性可分的问题。
　　5.1 线性神经网络的结构
　　线性神经网络在结构上与感知器网络非常相似，只是神经元传输函数不同。线性神经网络的结构如图5-1所示。
　　图5-1 线性神经网络的结构
　　如图5-1所示，线性神经网络除了产生二值输出以外，还可以产生模拟输出——即采用线性传输函数，使输出可以为任意值。
　　假设输入是一个维向量，从输入到神经元的权值为，则该神经元的输出为：
　　在输出节点中的传递函数采用线性函数purelin，其输入与输出之间是一个简单的比例关系。线性网络最终的输出为：
　　即
　　写成矩阵的形式，假设输入向量为
　　权值向量为
　　其中，表示偏置。则输出可以表示为
　　若网络中包含多个神经元节点，就能形成多个输出，这种线性神经网络叫Madaline网络。Madaline网络的结构如图5-2所示。
　　Madaline可以用一种间接的方式解决线性不可分的问题，方法是用多个线性函数对区域进行划分，然后对各个神经元的输出做逻辑运算。如图5-3所示，Madaline用两条直线实现了异或逻辑。
　　图5-2 Madaline结构图图5-3 Madaline实现异或
　　线性神经网络解决线性不可分问题的另一个方法是，对神经元添加非线性输入，从而引入非线性成分，这样做会使等效的输入维度变大，如图5-4所示。
　　图5-4 线性网络解决非线性问题
　　5.2 LMS学习算法
　　线性神经网络的闪光之处在于其学习算法。Widrow和Hoff于1960年提出自适应滤波LMS算法，也称为规则（Delta Rule）。LMS算法与感知器网络的学习算法在权值调整上都基于纠错学习规则，但LMS更易实现，因此得到了广泛应用，成为自适应滤波的标准算法。
　　LMS算法只能训练单层网络，但这并不会对其功能造成很大的影响。从理论上说，多层线性网络并不比单层网络更强大，它们具有同样的能力，即对于每一个多层线性网络，都具有一个等效的单层线性网络与之对应。
　　定义某次迭代时的误差信号为
MATLAB神经网络原理与实例精解（附光盘）下载 mobi epub pdf txt 电子书格式