《MATLAB神经网络超级学习手册》内容简介

本书以新近推出的MATLAB R2013a神经网络工具箱为基础，系统全面地介绍了神经网络的各种概念和应用。本书按逻辑编排，自始至终采用实例描述；内容完整且每章相对独立，是一本不可多得的掌握MATLAB神经网络的学习用书。
全书共分为16章，从MATLAB简介开始，详细介绍了MATLAB的基础知识、MATLAB程序设计、人工神经网络概述、感知器、线性神经网络、BP神经网络、RBF神经网络、反馈型神经网络、竞争型神经网络、神经网络在Simulink中的应用、神经网络GUI、自定义神经网络及函数等内容。在本书最后，还详细介绍了神经网络在MATLAB中的几种应用方法。
刘冰，郭海霞，从事信息处理等相关工作，熟悉MATLAB等工程软件，在国内外期刊发表论文多篇。

作品目录

前言
第1章：MATLAB简介
1.1、MATLAB的发展
1.2、MATLAB的特点及应用领域
1.3、MATLAB
R2013a
的安装
1.4、MATLAB
R2013a的工作环境
1.4.1、操作界面简介
1.4.2、Workspace（命令窗口）
1.4.3、Command
History（历史命令窗口）
1.4.4、输入变量
1.4.5、路径管理
1.4.6、搜索路径
1.4.7、Workspace（工作空间）
1.4.8、变量的编辑命令
1.4.9、存取数据文件
1.5、MATLAB
R2013a的帮助系统
1.5.1、纯文本帮助
1.5.2、演示帮助
1.5.3、帮助导航
1.5.4、帮助文件目录窗
1.5.5、帮助文件索引窗
1.6、本章小结
第2章：MATLAB基础
2.1、基本概念
2.1.1、MATLAB数据类型概述
2.1.2、常量与变量
2.1.3、标量、向量、矩阵与数组
2.1.4、运算符
2.1.5、命令、函数、表达式和语句
2.2、MATLAB中的数组
2.2.1、数组的保存和装载
2.2.2、数组索引和寻址
2.2.3、数组的扩展和裁剪
2.2.4、数组形状的改变
2.2.5、数组运算
2.2.6、数组的查找
2.2.7、数组的排序
2.2.8、高维数组的降维操作
2.3、曲线拟合
2.3.1、多项式拟合
2.3.2、加权最小方差（WLS）拟合原理及实例
2.4、M文件
2.4.1、M文件概述
2.4.2、局部变量与全局变量
2.4.3、M文件的编辑与运行
2.4.4、脚本文件
2.4.5、函数文件
2.4.6、函数调用
2.4.7、M文件调试工具
2.4.8、M文件分析工具
2.5、本章小结
第3章：MATLAB程序设计
3.1、MATLAB的程序结构
3.1.1、if分支结构
3.1.2、switch分支结构
3.1.3、while循环结构
3.1.4、for循环结构
3.2、MATLAB的控制语句
3.2.1、continue命令
3.2.2、break命令
3.2.3、return命令
3.2.4、input命令
3.2.5、keyboard命令
3.2.6、error和warning命令
3.3、数据的输入输出
3.3.1、键盘输入语句（input）
3.3.2、屏幕输出语句（disp）
3.3.3、M数据文件的存储/加载（save/load）
3.3.4、格式化文本文件的存储/读取（fprintf/fscanf）
3.3.5、二进制数据文件的存储/读取（fwrite/fread）
3.3.6、数据文件行存储/读取（fgetl/fgets）
3.4、MATLAB文件操作
3.5、MATLAB程序优化
3.5.1、效率优化（时间优化）
3.5.2、内存优化（空间优化）
3.5.3、编程注意事项
3.5.4、几个常用数学方法的算法程序
3.6、程序调试
3.6.1、程序调试命令
3.6.2、程序剖析
3.7、本章小结
第4章：人工神经网络概述
4.1、人工神经网络
4.1.1、人工神经网络的发展
4.1.2、人工神经网络研究内容
4.1.3、人工神经网络研究方向
4.1.4、人工神经网络发展趋势
4.2、神经元
4.2.1、神经元细胞
4.2.2、MP模型
4.2.3、一般神经元模型
4.3、神经网络的结构及学习
4.3.1、神经网络结构
4.3.2、神经网络学习
4.4、MATLAB神经网络工具箱
4.4.1、神经网络工具箱函数
4.4.2、神经网络工具箱的使用
4.5、本章小结
第5章：感知器
5.1、感知器原理
5.1.1、感知器模型
5.1.2、感知器初始化
5.1.3、感知器学习规则
5.1.4、感知器训练
5.2、感知器的局限性
5.3、感知器工具箱的函数
5.4、感知器的MATLAB仿真程序设计
5.4.1、单层感知器MATLAB仿真程序设计
5.4.2、多层感知器MATLAB仿真程序设计
5.5、本章小结
第6章：线性神经网络
6.1、线性神经网络原理
6.1.1、线性神经网络模型
6.1.2、线性神经网络初始化
6.1.3、线性神经网络学习规则
6.1.4、线性神经网络的训练
6.2、线性神经网络工具箱函数
6.3、线性神经网络的MATLAB仿真程序设计
6.3.1、线性神经网络设计的基本方法
6.3.2、线性神经网络的设计
6.4、本章小结
第7章：BP神经网络
7.1、BP神经网络原理
7.1.1、BP
神经网络模型
7.1.2、BP神经网络算法
7.1.3、BP神经网络的训练
7.1.4、BP神经网络功能
7.2、网络的设计
7.2.1、网络的层数
7.2.2、隐含层的神经元数
7.2.3、初始权值的选取
7.2.4、学习速率
7.3、BP神经网络工具箱函数
7.4、BP神经网络的工程应用
7.4.1、BP
网络在函数逼近中的应用
7.4.2、nntool神经网络工具箱的应用
7.4.3、BP神经网络在语音特征信号分类中的应用
7.4.4、BP神经网络的非线性函数拟合应用
7.5、本章小结
第8章：RBF神经网络
8.1、RBF网络模型
8.1.1、RBF神经网络模型
8.1.2、RBF网络的工作原理
8.1.3、RBF
神经网络的具体实现
8.2、RBF神经网络的学习算法
8.3、RBF网络工具箱函数
8.3.1、RBF
工具箱函数
8.3.2、转换函数
8.3.3、传递函数
8.4、基于RBF网络的非线性滤波
8.4.1、非线性滤波
8.4.2、RBF神经网络用于非线性滤波
8.5、RBF网络MATLAB应用实例
8.6、本章小结
第9章：反馈型神经网络
9.1、反馈型神经网络的基本概念
9.2、Hopfield网络模型
9.2.1、Hopfield网络模型
9.2.2、状态轨迹
9.2.3、状态轨迹发散
9.3、Hopfield网络工具箱函数
9.3.1、Hopfield网络创建函数
9.3.2、Hopfield网络传递函数
9.4、离散型Hopfield网络
9.4.1、DHNN模型结构
9.4.2、联想记忆
9.4.3、DHNN的海布（Hebb）学习规则
9.4.4、DHNN权值设计的其他方法
9.5、连续型Hopfield网络
9.6、Elman网络
9.6.1、Elman网络结构
9.6.2、Elman网络创建函数
9.6.3、Elman网络的工程应用
9.7、本章小结
第10章：竞争型神经网络
10.1、自组织型竞争神经网络
10.1.1、几种联想学习规则
10.1.2、网络结构
10.1.3、自组织神经网络的原理
10.1.4、竞争学习规则
10.1.5、竞争网络的训练过程
10.2、自组织特征映射神经网络
10.2.1、自组织特征映射神经网络拓扑结构
10.2.2、SOM权值调整域
10.2.3、SOM网络运行原理
10.2.4、网络的训练过程
10.3、自适应共振理论神经网络
10.3.1、自适应共振理论神经网络概述
10.3.2、ART网络的结构及特点
10.4、学习向量量化神经网络
10.4.1、LVQ神经网络结构
10.4.2、LVQ神经网络算法
10.5、竞争型神经网络工具箱函数
10.6、竞争型神经网络的应用
10.7、本章小结
第11章：神经网络的Simulink应用
11.1、基于Simulink的神经网络模块
11.1.1、神经网络模块
11.1.2、模块的生成
11.2、基于Simulink的神经网络控制系统
11.2.1、神经网络模型预测控制
11.2.2、反馈线性化控制
11.2.3、模型参考控制
11.3、本章小结
第12章：神经网络GUI
12.1、GUI简介
12.1.1、GUI设计工具
12.1.2、启动GUIDE
12.1.3、添加控件组件
12.1.4、设置控件组件的属性
12.1.5、编写相应的程序代码
12.1.6、GUIDE创建GUI的注意事项
12.1.7、定制标准菜单
12.2、神经网络GUI
12.2.1、常规神经网络GUI
12.2.2、神经网络拟合GUI
12.2.3、神经网络模式识别GUI
12.2.4、神经网络聚类GUI
12.3、GUI数据操作
12.3.1、从Workspace导入数据到GUI
12.3.2、从GUI中导出数据到Workspace
12.3.3、数据的存储和读取
12.3.4、数据的删除
12.4、本章小结
第13章：自定义神经网络及函数
13.1、自定义神经网络
13.1.1、网络的创建
13.1.2、网络的初始化、训练和仿真
13.2、自定义函数
13.2.1、初始化函数
13.2.2、学习函数
13.2.3、仿真函数
13.3、本章小结
第14章：随机神经网络
14.1、随机神经网络的基本思想
14.2、模拟退火算法
14.2.1、模拟退火算法的原理
14.2.2、模拟退火算法用于组合优化问题
14.2.3、退火算法的参数控制
14.3、Boltzmann机
14.3.1、Boltzmann机的网络结构
14.3.2、Boltzmann机的工作原理
14.3.3、Boltzmann机的运行步骤
14.3.4、Boltzmann机的学习规则
14.3.5、Boltzmann机的改进
14.4、随机神经网络的应用
14.5、本章小结
第15章：神经网络基础运用
15.1、感知器神经网络的应用
15.2、线性神经网络的应用
15.3、BP神经网络的应用
15.4、RBF神经网络的应用
15.5、本章小结
第16章：神经网络综合运用
16.1、BP神经网络的应用
16.1.1、数据拟合
16.1.2、数据预测
16.1.3、函数逼近
16.2、PID神经网络控制
16.3、遗传算法优化神经网络
16.4、模糊神经网络控制
16.5、概率神经网络分类预测
16.6、本章小结
附录
参考文献