TOP
0
0
魅麗。花火原創小說66折起
MATLAB R2020a神經網絡典型案例分析(簡體書)
滿額折

MATLAB R2020a神經網絡典型案例分析(簡體書)

人民幣定價:89 元
定  價:NT$ 534 元
優惠價:87465
領券後再享88折
無庫存,下單後進貨(採購期約45個工作天)
可得紅利積點:13 點
相關商品
商品簡介
作者簡介
目次

商品簡介

本書既可以作為相關專業本科生和研究生的學習用書,也可以作為廣大科研人員、學者、工程技術人員的參考用書。

作者簡介

張德豐,佛山科學技術學院教授,主要從事智能算法、光電傳感等方面的科研與教學工作。主持和參與省部級、市級項目4項,課題涉及到計算機應用、自動控制、光學等領域。獲校級優秀青年教師獎、教學成果獎、教學評估優秀及教學質量獎等多個獎項。指導學生參加"挑戰杯・創青春”大學生創業大賽,獲省級金獎、***銀獎。出版《MATLAB R2017a模式識別》《Python機器學習及實踐》《TensorFlow深度學習及實踐》等書籍。

目次

目錄

第1章 MATLAB R2020a基礎 1
1.1 MATLAB的功能 1
1.1.1 MATLAB的基本功能 1
1.1.2 MATLAB的重要功能 2
1.2 MATLAB的特點 2
1.3 MATLAB的發展史 4
1.4 MATLAB R2020a的新功能 5
1.5 MATLAB的啟動 6
1.6 MATLAB的語言基礎 6
1.6.1 常量和變量 7
1.6.2 運算符 8
1.7 MATLAB的工具箱 9
1.7.1 符號計算工具箱 9
1.7.2 統計工具箱 9
1.7.3 最優化工具箱 9
1.8 MATLAB的幫助系統 10
1.8.1 命令行幫助 10
1.8.2 幫助導航/瀏覽器 11
1.8.3 DEMO幫助系統 11
1.8.4 網絡資源幫助 13
第2章 神經網絡概述 14
2.1 神經網絡的相關概念 14
2.1.1 生物神經元 14
2.1.2 生物神經元的信息處理機制 15
2.1.3 人工神經元的模型 17
2.2 神經網絡的發展史 18
2.3 神經網絡的研究方向 19
2.4 神經網絡的基本特征和主要功能 20
2.5 神經網絡的特點和優越性 21
2.6 神經網絡的學習方法 21
2.7 神經網絡的應用 22
2.8 神經網絡的工具箱 22
2.8.1 神經網絡工具箱函數 22
2.8.2 神經網絡的物件與屬性 26
第3章 感知器及其應用 33
3.1 感知器典型案例分析 33
3.2 單層感知器 39
3.2.1 單層感知器的結構 39
3.2.2 單層感知器的功能 40
3.2.3 感知器的學習 42
3.2.4 感知器的訓練 42
3.2.5 使用單層感知器解決邏輯運算 43
3.3 多層感知器 44
3.3.1 多層感知器的模型 44
3.3.2 多層感知器的設計 45
3.4 感知器的局限性 46
3.5 感知器網絡的工具箱函數 46
3.5.1 創建函數 46
3.5.2 訓練函數 47
3.5.3 網絡仿真 50
3.5.4 傳遞函數 50
3.5.5 初始化函數 51
3.5.6 自適應函數 52
3.5.7 性能函數 53
3.5.8 學習函數 55
3.5.9 顯示函數 56
3.6 感知器的應用 58
第4章 線性神經網絡及其應用 68
4.1 線性神經網絡典型案例分析 68
4.2 線性神經網絡概述 71
4.2.1 線性神經元的結構 72
4.2.2 初始化線性神經網絡 74
4.2.3 網絡的學習規則 74
4.2.4 學習率的選擇 76
4.2.5 自適應線性濾波 77
4.2.6 網絡的訓練 78
4.3 線性神經網絡工具箱函數 79
4.3.1 創建函數 79
4.3.2 學習函數 83
4.3.3 傳遞函數 86
4.3.4 初始化函數 86
4.3.5 性能函數 87
4.4 網絡的局限性 87
4.4.1 相關向量 88
4.4.2 學習率過大 89
4.5 線性神經網絡的應用 91
第5章 BP神經網絡及其應用 100
5.1 BP神經網絡典型案例分析 100
5.2 BP神經網絡概述 102
5.2.1 BP神經網絡的結構 103
5.2.2 神經元模型 103
5.3 BP神經網絡算法 105
5.3.1 梯度下降法 105
5.3.2 最速下降BP算法 106
5.3.3 動量BP算法 108
5.3.4 VLBP算法 112
5.3.5 擬牛頓算法 114
5.3.6 RPROP算法 114
5.3.7 LM算法 115
5.3.8 CGBP算法 116
5.4 BP神經網絡的設計 117
5.5 BP神經網絡的局限性 120
5.6 BP神經網絡工具箱函數 120
5.6.1 創建函數 120
5.6.2 傳遞函數 124
5.6.3 學習函數 126
5.6.4 訓練函數 127
5.6.5 性能函數 131
5.6.6 顯示函數 132
5.7 BP神經網絡的應用 134
第6章 RBF神經網絡及其應用 155
6.1 RBF神經網絡典型案例分析 155
6.2 RBF神經網絡概述 157
6.2.1 徑向基函數 158
6.2.2 正則化RBF神經網絡 160
6.2.3 廣義RBF神經網絡 161
6.3 RBF神經網絡的學習算法 162
6.3.1 隨機選取中心法 163
6.3.2 自組織選取中心法 163
6.3.3 有監督選取中心法 164
6.3.4 正交最小二乘法 165
6.4 RBF神經網絡的函數 166
6.4.1 創建函數 167
6.4.2 徑向基傳遞函數 169
6.4.3 轉換函數 170
6.4.4 權函數 171
6.4.5 輸入函數 174
6.4.6 競爭傳遞函數 174
6.5 RBF神經網絡的優點和缺點 175
6.5.1 RBF神經網絡的優點 175
6.5.2 RBF神經網絡的缺點 176
6.6 徑向基函數的應用 176
6.7 RBF神經網絡在控制領域中的應用 183
6.7.1 RBF神經網絡在網絡監督中的應用 183
6.7.2 RBF自校正控制 186
6.8 廣義回歸神經網絡 190
6.8.1 GRNN的結構 190
6.8.2 GRNN的實現 191
6.9 概率神經網絡 194
第7章 反饋神經網絡及其應用 199
7.1 反饋神經網絡典型案例分析 199
7.2 Hopfield神經網絡 203
7.2.1 單層全反饋型神經網絡 204
7.2.2 狀態軌跡 204
7.2.3 狀態軌跡發散 205
7.3 離散型Hopfield神經網絡 206
7.3.1 離散型Hopfield神經網絡的結構 206
7.3.2 離散型Hopfield神經網絡的穩定性 207
7.3.3 離散型Hopfield神經網絡的設計 211
7.4 連續型Hopfield神經網絡 212
7.4.1 連續型Hopfield神經網絡的穩定性 213
7.4.2 連續型Hopfield神經網絡的特點 214
7.4.3 連續型Hopfield神經網絡求解TSP問題 214
7.5 Elman神經網絡 220
7.5.1 Elman神經網絡的結構 220
7.5.2 Elman神經網絡的學習算法 220
7.5.3 Elman神經網絡權值的穩定性 221
7.5.4 對角遞歸穩定學習率的確定 223
7.6 反饋神經網絡工具箱函數 223
7.6.1 創建函數 223
7.6.2 傳遞函數 229
7.7 反饋神經網絡的應用 230
第8章 自組織競爭神經網絡及其應用 244
8.1 自組織競爭神經網絡案例分析 244
8.2 競爭神經網絡 247
8.2.1 競爭神經網絡的結構 248
8.2.2 競爭神經網絡的學習算法 248
8.2.3 競爭神經網絡存在的問題 252
8.3 SOM神經網絡 253
8.3.1 SOM神經網絡的特點 253
8.3.2 SOM神經網絡的基本原理 254
8.3.3 SOM神經網絡的拓撲結構 254
8.3.4 SOM神經網絡算法 255
8.3.5 SOM神經網絡的訓練過程 257
8.4 LVQ神經網絡 258
8.4.1 LVQ神經網絡的結構 258
8.4.2 LVQ1算法的基本步驟 260
8.4.3 LVQ2算法的基本步驟 261
8.5 自組織競爭神經網絡工具箱函數 262
8.5.1 創建函數 262
8.5.2 學習函數 268
8.5.3 傳遞函數 274
8.5.4 距離函數 275
8.5.5 歸一化函數 278
8.5.6 初始化函數 280
8.5.7 拓撲函數 280
8.5.8 訓練函數 282
8.5.9 權值函數 282
8.5.10 顯示函數 283
8.6 自組織競爭神經網絡的應用 284
第9章 其他神經網絡及其應用 301
9.1 盒中腦神經網絡 301
9.2 隨機神經網絡 304
9.2.1 模擬退火算法的原理 304
9.2.2 BM網絡的結構 304
9.2.3 BM網絡的規則 305
9.2.4 模擬退火算法的特點 306
9.2.5 模擬退火算法的相關函數 306
9.2.6 BM網絡的應用 311
9.3 對偶傳播神經網絡 316
9.3.1 CPN網絡概述 317
9.3.2 CPN網絡的功能分析 317
9.3.3 CPN網絡的應用 318
9.4 小波神經網絡 322
9.4.1 小波理論 322
9.4.2 小波神經網絡概述 323
9.4.3 小波神經網絡的應用 325
9.5 模糊神經網絡 329
9.5.1 模糊數學知識 329
9.5.2 模糊邏輯系統 330
9.5.3 T-S模糊神經網絡 332
9.5.4 T-S模糊神經網絡學習算法 333
9.5.5 模糊神經網絡的應用 335
9.6 混沌神經網絡 342
9.6.1 混沌神經網絡的發展 342
9.6.2 混沌神經網絡的模型 343
9.6.3 混沌通信技術 346
9.6.4 混沌神經網絡的應用 347
第10章 神經網絡的GUI應用 353
10.1 神經網絡工具 353
10.2 神經網絡工具的GUI應用 358
10.3 擬合工具的GUI應用 360
10.4 分類/聚類工具的GUI應用 366
10.5 模式識別工具的GUI應用 373
10.6 時間序列工具的GUI應用 380
第11章 神經網絡的經典應用 387
11.1 實現圖像壓縮 387
11.1.1 案例背景 387
11.1.2 BP神經網絡壓縮建模 387
11.1.3 BP神經網絡壓縮的實現 390
11.2 預測地下水水位 394
11.2.1 案例背景 395
11.2.2 神經網絡的建模 395
11.2.3 RBF神經網絡預測的實現 396
11.3 BP_Adaboost設計公司賬務預警 399
11.3.1 Adaboost算法 399
11.3.2 Adaboost模型 400
11.3.3 賬務預警系統介紹 400
11.3.4 建立預警模型 400
11.3.5 利用BP_Adaboost模型實現公司賬務預警 401
11.4 概率神經網絡在遙感圖像中的應用 406
11.5 PID神經網絡控制 411
11.6 自組織競爭神經網絡的應用 418
11.6.1 在分類中的應用 418
11.6.2 在估計中的應用 420
參考文獻 424

您曾經瀏覽過的商品

購物須知

大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。

特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。

無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。

為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。

若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。

優惠價:87 465
無庫存,下單後進貨
(採購期約45個工作天)

暢銷榜

客服中心

收藏

會員專區