MATLABR2015b神经网络技术"
本书以MATLAB R2015b为平台而编写，全面、系统地介绍了MATLAB神经网络技术； 重点给出了MATLAB在各种神经网络的应用，并在讲解各实现方法的过程中给出相应的实例，使得本书应用性更强，实用价值更高。全书共10章，主要介绍了MATLAB R2015b软件、神经网络的理论、神经网络的通用函数、感知器神经网络、线性神经网络、BP神经网络、径向基神经网络、竞争型神经网络、反馈型神经网络、其他神经网络等内容。本书在编写过程中力求系统性、实用性与先进性相结合，理论与实践相交融，使读者在阅读本书中快速掌握MATLAB软件的同时，利用MATLAB实现解决各种神经网络问题，帮助读者学以致用。
本书可以作为神经网络的初学人员和提高者的学习资料，也可作为广大在校本科生和研究生的学习用书，还可以作为广大科研人员、工程技术人员的参考用书。
随着科学技术的进步，人类在利用物质与能量两种资源的基础上正在向大规模利用信息资源进军。与此相适应，人类社会也正在从基于物质与能量两种资源的工业文明走向基于物质、能量和信息3种资源的信息时代。
众所周知，计算机是目前功能最强大的信息处理工具。它在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等各方面为人们提供了实现智能化和自动化的先进手段。但计算机在学习认知、记忆联想、综合决策等很多方面的信息处理能力远远不能达到人脑的智能水平。随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学和技术专家们寻找解决问题的新出路。
人工神经网络(Artificial Neural Network，ANN)是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。可以将其视为一种功能强大、应用广泛的机器学习算法，用于实现分类、聚类、拟合、预测、压缩等功能，在高校研究和工程实践中均有应用。它模仿生物神经元的工作过程，建立起了一套用于处理计算问题的数学模型。神经网络的发展经历了兴起——低潮——复兴的过程，特别是20世纪80年代后人工神经网络的发展十分迅速，其中应用最广的是BP神经网络，此外，还有径向基网络、自组织网络、反馈网络等其他神经网络形式，分别适用于不同的场合，解决各行各业的难题中显现出巨大的潜力，取得了丰硕的成果。
神经网络作为一种网络模型，其具体使用必须依赖某种实现方式。部分反馈神经网络可以使用电子电路来实现，但更通用的实现方法是利用计算机编程语言。MATLAB就是一个非常好的选择，利用它可以方便地实现网络结构模型。MATLAB是由美国MathWorks公司发布的，主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言的编辑模式，代表了当今国际科学计算软件的先进水平，在科学和工程实践中获得了广泛的应用。
MATLAB中所配置的Neural Network Toolbox，完整地覆盖神经网络各领域研究的成果，它以神经网络理论为基础，使用MATLAB语言构造出典型神经网络的激活函数，如S型、线性、竞争层等激活函数，使设计者对所选定网络输出的计算，变成对激活函数的调用。另外，根据各种典型的修正网络权值的规则，加上网络的训练过程，用MATLAB编写出了各种网络设计与训练的程序，网络设计者可以根据自己的设计去调用相关网络的设计训练程序，这样能够把自己从烦琐的编程工作中解脱出来，集中精力去思考问题和解决问题。
本书是一本神经网络原理与实践相结合的书，涵盖了大部分主流的神经网络。它尽量以浅显易懂的语言讲解，让读者能理解神经网络的原理，并学会在MATLAB中实现神经网络。MATLAB版本逐年更新，神经网络工具箱中函数的结构安排已经改变，本书使用最新的MATLAB R2015b版本，同时从各领域精选了丰富的典型应用实例介绍解析函数的使用方法，在实际中强调了怎样使用MATLAB神经网络工具箱解决实际中的问题、难题，使读者掌握应用工具箱解决实际问题的能力。
本书是以MATLAB R2015b为平台，实现MATLAB神经网络。本书具有如下特点：
(1) 版本新，函数新。
MATLAB每年更新两次，神经网络工具箱也随之更新换代，许多旧的函数已经废弃不用，同时又有新的函数补充进来，本书基于MATLAB R2015b，介绍了新版本下的神经网络工具箱的使用方法。
(2) 内容全面，重点突出。
神经网络根据结构的不同可以分为不同种类，本书内容涵盖从最简单的感知器到复杂的自组织竞争网络等类型的神经网络，对其原理进行了全面的介绍。在实际应用中，大部分场合使用的网络都是BP神经网络(多层感知器)，而部分生僻的网络则在MATLAB中没有对应的工具箱函数。本书结合实用性，对常用的网络进行了重点讲解。
(3) 通俗易懂，实例清晰。
本书由浅入深通俗地介绍了MATLAB软件的使用，并利用MATLAB实现神经网络，对每个概念及网络都给出相应的实例，通过应用使读者深入掌握MATLAB，大大提高了读者学习的兴趣。
(4) 精心编排，激发应用灵感。
本书在讲解利用MATLAB神经网络问题时，精心选择了有代表性的实例，使读者做到学以致用； 并且通过介绍神经网络的应用来激发读者的应用灵感，进而起到抛砖引玉的作用。
全书共分为10章，主要内容包括：
第1章MATLAB R2015b介绍，主要介绍MATLAB软件的概述、MATLAB R2015b的安装、数据类型和运算以及矩阵的基本操作等内容。
第2章神经网络的理论，主要介绍生物神经元、神经网络的类型、神经网络学习及神经网络的应用等内容。
第3章神经网络的通用函数，主要介绍神经网络仿真函数、神经网络训练函数、神经网络学习函数等内容。
第4章感知器神经网络，主要介绍单层感知器、多层感知器、感知器神经网络函数、感知器的应用等内容。
第5章线性神经网络，主要介绍线性神经元模型及结构、线性神经网络的构建、线性神经网络函数、线性神经网络的应用等内容。
第6章BP神经网络，主要介绍BP神经网络模型、BP网络设计、BP网络的函数、BP神经网络的应用等内容。
第7章径向基神经网络，主要介绍RBF神经网络模型、径向基常用学习算法、概率神经网络、径向基神经网络的函数、径向基函数神经网络的应用等内容。
第8章竞争型神经网络，主要介绍竞争神经网络的概念、竞争神经网络的学习规则、自组织特征映射网络、学习向量量化网络、竞争神经网络的函数、自组织竞争神经网络的应用等内容。
第9章反馈型神经网络，主要介绍反馈神经网络的概述、离散Hopfield神经网络、连续Hopfield神经网络、反馈神经网络的函数、反馈神经网络的应用等内容。
第10章其他神经网络，主要介绍模糊神经网络、小波神经网络、Simulink神经网络等内容。
本书可以作为神经网络的初学人员和提高者的学习资料，也可作为广大在校本科生和研究生的学习用书，还可作为广大科研人员、学者、工程技术人员的参考用书。
本书主要由何正风编写，此外参加编写的还有陈添威、邓耀隆、高泳崇、李嘉乐、李锦涛、梁恩庆、梁志成、梁仲轩、卢佳华、卢伟彬、罗嘉甫、彭伟星、施洁、许兴杰、杨平、叶利辉、詹锦超、张金林、赵书兰和周品。
由于时间仓促，加之作者水平有限，所以错误和疏漏之处在所难免。在此，诚恳地期望得到各领域的专家和广大读者的批评指正。
作者
2016年6月
第1章MATLAB R2015b介绍
1.1MATLAB概述
1.1.1MATLAB的优势
1.1.2MATLAB R2015b的新增功能
1.1.3MATLAB常用工具箱
1.2MATLAB R2015b的安装
1.3MATLAB工作环境
1.4MATLAB联机帮助
1.5用户路径设置
1.6数据类型和运算
1.6.1常量、变量
1.6.2数据类型
1.6.3数值类型
1.6.4逻辑类型
1.6.5结构体类型
1.6.6数组类型
1.6.7单元数组类型
1.7矩阵的基本操作
1.7.1矩阵和数组的概念
1.7.2数值矩阵的生成
1.7.3符号矩阵
1.7.4特殊矩阵
1.8矩阵运算
1.9基本绘图
1.10建立函数文件
1.11控制流程
1.11.1顺序结构
1.11.2分支结构
1.11.3循环结构
第2章神经网络的理论
2.1生物神经元
2.2人工神经网络
2.3神经元的数学模型
2.4神经网络的类型
2.4.1单层前向网络
2.4.2多层前向网络
2.4.3反馈网络
2.4.4随机神经网络
2.4.5竞争神经网络
2.5神经网络学习
2.5.1Hebb学习规则
2.5.2离散感知器学习规则
2.5.3记忆学习规则
2.5.4连续感知器学习规则
2.5.5相关学习规则
2.5.6竞争学习规则
2.6人工神经网络信息处理能力
2.7神经网络的特点与优点
2.7.1神经网络的特点
2.7.2神经网络的优点
2.8神经网络控制系统
2.8.1神经网络控制系统组成
2.8.2实时控制
2.8.3智能控制分支
2.9神经网络的应用
2.10人工神经网络与智能神经网络
2.10.1人工智能的概述
2.10.2人工神经元与人工智能相比较
第3章神经网络的通用函数
3.1神经网络仿真函数
3.2神经网络训练函数
3.3神经网络学习函数
3.4神经网络初始化函数
3.5神经网络输入函数
3.6神经网络传递函数
3.7其他函数
第4章感知器神经网络
4.1单层感知器
4.1.1单层感知器模型
4.1.2单层感知器功能
4.1.3感知器的学习
4.1.4单感知器的训练
4.1.5感知器的局部性
4.2标准化感知器学习规则
4.3多层感知器
4.3.1多层感知器的理论
4.3.2多层感知器的实现
4.4感知器神经网络函数
4.5感知器的应用
4.6感知器应用于线性分类问题
4.6.1决策函数与决策边界
4.6.2感知器的决策函数与决策边界
第5章线性神经网络
5.1线性神经元模型及结构
5.1.1神经元模型
5.1.2线性神经网络结构
5.2LMS学习算法
5.3LMS学习率的选择
5.3.1稳定收敛的学习率
5.3.2学习率逐渐下降
5.4线性神经网络的构建
5.4.1生成线性神经元
5.4.2线性滤波器
5.4.3自适应线性滤波
5.5线性神经网络的训练
5.6线性神经网络与感知器的对比
5.7线性神经网络函数
5.7.1创建函数
5.7.2传输函数
5.7.3学习函数
5.7.4均方误差性能函数
5.8线性神经网络的局限性
5.8.1线性相关向量
5.8.2学习速率过大
5.8.3不定系统
5.9线性神经网络的应用
5.9.1逻辑与
5.9.2逻辑异或
5.9.3在噪声对消中的应用
5.9.4在信号预测中的应用
第6章BP神经网络
6.1BP神经网络模型
6.2BP网络学习算法
6.3BP网络设计
6.3.1输入和输出层的设计
6.3.2隐层的设计
6.3.3初始值选取
6.4BP网络的局限性
6.5BP网络学习的改进
6.5.1增加动量项
6.5.2自适应调节学习率
6.5.3弹性梯度下降法
6.6BP算法设计多层感知器
6.6.1信息容量与训练样本数
6.6.2准备训练数据
6.6.3设计初值
6.6.4多层感知器结构设计
6.6.5网络训练与测试
6.7BP网络的函数
6.7.1创建函数
6.7.2传递函数
6.7.3学习函数
6.7.4训练函数
6.7.5性能函数
6.7.6显示函数
6.8BP神经网络的应用
6.8.1BP神经网络在分类中的应用
6.8.2BP网络去除噪声
6.8.3BP网络识别性别
6.9BP网络泛化能力的提高
6.9.1归一化法
6.9.2提前终止法
第7章径向基神经网络
7.1RBF神经网络模型
7.1.1RBF神经元模型
7.1.2RBF网络模型
7.2径向基常用学习算法
7.2.1数据中心聚类法
7.2.2数据中主监督法
7.2.3正交最小二乘法
7.3RBF内插值
7.4广义神经网络
7.5概率神经网络
7.5.1贝叶斯决策理论
7.5.2概率神经网络结构
7.5.3概率神经网络的优缺点
7.6径向基神经网络与多层感知器比较
7.7径向基神经网络的优缺点
7.7.1径向基神经网络的优点
7.7.2径向基神经网络的缺点
7.8径向基神经网络的函数
7.8.1创建函数
7.8.2传递函数
7.8.3转换函数
7.8.4权函数
7.8.5竞争性传输函数
7.9径向基函数神经网络的应用
第8章竞争型神经网络
8.1竞争神经网络的概述
8.2竞争神经网络的概念
8.3竞争神经网络的学习规则
8.3.1Kohonen学习规则
8.3.2阈值学习规则
8.4竞争型神经网络存在的问题
8.5自组织特征映射网络
8.5.1SOM网络拓扑结构
8.5.2SOM网络学习算法
8.5.3SOFM网络的训练
8.6学习向量量化网络
8.6.1LVQ网络结构
8.6.2LVQ网络学习算法
8.6.3LVQ网络特点
8.7ART神经网络
8.7.1ART1型网络
8.7.2ART1网络学习
8.8对向传播网络
8.8.1对向传播网络的概述
8.8.2CPN网络学习规则
8.9竞争神经网络的函数
8.9.1创建函数
8.9.2学习函数
8.9.3传递函数
8.9.4初始化函数
8.9.5结构函数
8.9.6距离函数
8.9.7距离函数
8.9.8归一化函数
8.10自组织竞争神经网络的应用
8.10.1对应传播网络的应用
8.10.2ART网络的应用
8.10.3学习向量量化网络的应用
8.10.4自组织映射网络的应用
第9章反馈型神经网络
9.1反馈型神经网络的概述
9.1.1前馈型与反馈型的比较
9.1.2反馈型神经网络与静态网络
9.1.3反馈型神经网络的模型
9.1.4反馈型神经网络的状态
9.2离散Hopfield神经网络
9.2.1离散Hopfield神经网络结构
9.2.2Hopfield网络的稳定性
9.2.3离散Hopfield神经网络权值学习
9.2.4离散Hopfield神经网络的联想记忆
9.3连续Hopfield神经网络
9.3.1连续Hopfield神经网络结构
9.3.2连续Hopfield神经网络的稳定性
9.3.3连续型Hopfield神经网络的特点
9.4Elman神经网络
9.4.1Elman神经网络结构
9.4.2Elman神经网络的训练
9.5双向联想记忆神经网络
9.5.1BAM网络结构与原理
9.5.2能量函数与稳定性分析
9.5.3BAM网的权值设计
9.6Boltzmann神经网络
9.6.1BM网络的基本结构
9.6.2BM模型的学习
9.7反馈神经网络的函数
9.7.1创建函数
9.7.2传递函数
9.8反馈神经网络的应用
9.8.1离散Hopfield神经网络识别数字
9.8.2连续Hopfield神经网络联想记忆功能应用
9.8.3Elman神经网络预测股价
9.8.4双联想记忆网络应用
9.8.5Boltzmann神经网络的应用
第10章其他神经网络
10.1模糊神经网络
10.1.1模糊神经网络的动向
10.1.2模糊神经网络的基本形式
10.1.3模糊神经网络的用途
10.2几种常用模型的模糊神经网络
10.2.1Mamdani模型模糊神经网络
10.2.2TakagiSugeno模型的模糊神经网络
10.2.3模糊神经网络的函数
10.2.4模糊神经网络的应用
10.2.5神经模糊系统的图形界面
10.3小波神经网络
10.3.1小波变换概述
10.3.2小波神经网络的定义
10.3.3小波神经网络的理论
10.3.4小波神经网络的结构
10.3.5小波神经网络应用交通流量预测
10.4Simulink神经网络
10.4.1Simulink神经网络仿真模型库
10.4.2Simulink神经网络的应用
10.5自定义神经网络
10.5.1自定义一个复杂的网络
10.5.2自定义网络的训练
参考文献
本书是“精通MATLAB”丛书之一，全书基于MATLAB R2015b MATLAB 8.X实战指南(R2014a中文版） 数字图像处理高级应用——基于MATLAB和CUDA的实现 MATLAB通信系统建模与仿真 MATLAB R2015a数字图像处理 MATLAB R2015b数学建模 MATLAB R2015a小波分析 MATLAB R2015b神经网络技术
加入时，请写明：“学校+姓名”，并写明“加入教师群”，只限教师。
