MATLAB神經網絡分析及應用（簡體書）

本書以MATLAB R2023b為平臺編寫，以實際應用為背景，以“理論 公式 經典應用”相結合的形式，深入淺出地介紹MATLAB神經網絡經典分析與應用，重點介紹各種神經網絡的經典應用。
?版本先進，功能新穎 MATLAB更新的同時，神經網絡工具箱隨之更新換代，許多舊的函數被新的函數替換。本書基於MATLAB R2023b平臺編寫，介紹了該版本下的神經網絡工具箱的使用方法。
?由淺入深，循序漸進 從最簡單的感知器到複雜的自組織競爭網絡，再到深度神經網絡等內容，均對其進行了介紹。通過相應的實例來鞏固原理、概念。結合實際性，重點講解常用的網絡。
?實例豐富，貼近實際 在講解MATLAB神經網絡應用時，精心選擇了有代表性的實例。每章均提供了貼近工程實踐的案例，便於讀者了解實際應用。
?圖文並茂，全面解讀 豐富的代碼實例及運行效果圖，原理分析通俗易懂，採用MATLAB編程實現了部分簡單的神經網絡，有利於加深讀者對神經網絡的理解。
?實例豐富，便於教學 為了便於教師教學，提供教學課件、程序代碼等教學資料。

人工神經網絡是一種類似於人類神經系統的信息處理技術，可以視為一種功能強大、應用廣泛的機器學習算法。它是人工智能學科的重要組成部分，在很多領域有著不可替代的作用，廣泛應用於實現分類、聚類、擬合、預測、壓縮等方面。隨著科技的不斷發展，在傳統神經網絡基礎上發展起來的以深度神經網絡為主要代表的深度學習方法在近幾年有了非同尋常的表現。
神經網絡的發展經歷了興起—低潮—復興的過程，特別是20世紀80年代後，人工神經網絡的發展十分迅速，其中應用最廣的是BP神經網絡，此外還有徑向基網絡、自組織網絡、反饋網絡等其他神經網絡形式，分別適用於不同的場合，在解決各行各業的難題中顯示出巨大的潛力，取得了豐碩的成果。
神經網絡是一種網絡模型，它的具體使用必須依賴某種實現方式。部分反饋神經網絡可以使用電子電路來實現，但更通用的實現方法是利用計算機編程語言。由MathWorks公司研發的MATLAB商業數學軟件在科研和工程實踐中獲得了廣泛的應用，MATLAB編程形式自由、簡潔、便捷，可以方便地實現神經網絡算法，且MATLAB自帶了神經網絡工具箱，用戶可以直接調用工具箱中的函數，將自己從煩瑣的編程中解脫出來，集中精力去思考問題和解決問題。
為了使初學者更加深入地了解神經網絡與深度學習的基本原理以及實現方法，本書在MATLAB R2023b平臺上進行神經網絡分析與應用。書中闡述了各種神經網絡模型的基本結構、算法原理以及實現方法，提供了各神經網絡在MATLAB軟件中的基本實現函數、格式及實例。本書所有實例均在MATLAB R2023b版本上調試運行通過，希望能為廣大讀者提供幫助。
【本 書 特 色】
本書根據目前市場應用的需要編寫，具有以下特色。
1. 軟件版本較新，函數較新
MATLAB每年更新兩次，神經網絡工具箱也隨之更新換代，許多舊的函數已經被新的函數替換。已經出版的圖書和網上的很多資料都是舊版本的工具箱，本書基於MATLAB R2023b平臺編寫，介紹了該版本下的神經網絡工具箱的使用方法。
2. 內容全面，重點突出，應用廣泛
本書內容由淺入深，循序漸進，從最簡單的感知器到複雜的自組織競爭網絡，最後到深度神經網絡等，對它們的原理都進行了全面的介紹，再通過相應的實例來鞏固原理及概念，並結合實際對常用的網絡進行重點講解。
3.實例豐富，貼近實際，應用性強
本書在講解利用MATLAB分析神經網絡問題時，精心選擇了有代表性的實例，使讀者做到學以致用。通過介紹神經網絡的應用來啟迪讀者的應用靈感，進而起到拋磚引玉的作用。同時每章還提供了貼近工程實踐的案例，便於讀者了解實際應用。書中的源代碼、數據集等都可免費、輕鬆獲得。
4.語言通俗，講解詳細，圖文並茂
本書在講解上力求詳細，在原理分析上力求通俗易懂，且在一些簡單的實例演示中，用MATLAB編程實現了部分簡單的神經網絡，有利於加深讀者對神經網絡的理解。為了增加可讀性，本書給出了大量的代碼及其實際運行生成的效果圖，且書中的代碼力求完整、注釋豐富，使讀者一目了然。
【本 書 內 容】
全書共11章，每章的主要內容如下。
第1章　神經網絡應用廣泛的原因，主要介紹了人工神經網絡的定義、人工神經網絡的類型、人工神經網絡的應用等內容。
第2章　MATLAB快速入門，主要介紹了MATLAB功能及發展、MATLAB R2023b集成開發環境、 MATLAB語言基礎等內容。
第3章　感知器分析與應用，主要介紹了單層感知器、感知器的限制、感知器工具箱函數等內容。
第4章　線性神經網絡分析與應用，主要介紹了線性神經網絡與感知器的區別、線性神經網絡原理、線性神經網絡函數等內容。
第5章　BP神經網絡分析與應用，主要介紹了BP神經網絡原理、BP神經網絡設計、BP神經網絡函數等內容。
第6章　RBF神經網絡分析與應用，主要介紹了RBF神經網絡模型、RBF解決插值問題、RBF學習算法、RBF網絡工具箱函數等內容。
第7章　反饋神經網絡分析與應用，主要介紹了靜態與反饋網絡、Elman神經網絡、離散Hopf ield神經網絡、連續Hopf ield神經網絡等內容。
第8章　競爭型神經網絡分析與應用，主要介紹了競爭型神經網絡、自組織神經網絡、自組織特徵映射網絡、學習向量量化神經網絡等內容。
第9章　神經網絡的Simulink應用，主要介紹了Simulink神經網絡模塊、基於Simulink
的神經網絡的控制系統等內容。
第10章　自定義神經網絡，主要介紹了自定義神經網絡、自定義函數等內容。
第11章　深度神經網絡分析與應用，主要介紹了卷積神經網絡、循環神經網絡、長短時記憶網絡等內容。
【配 套 資 源】
本書提供程序代碼、教學課件等配套資源，可以在清華大學出版社官方網站本書頁面下載，或者掃描封底的“書圈”二維碼在公眾號下載。
由於時間倉促，加之作者水平有限，書中疏漏之處在所難免。在此，誠懇地期望得到各領域的專家和廣大讀者的批評指正。

作 者
2024年9月

第1章 神經網絡應用廣泛的原因1
1.1　人工神經網絡的定義1
1.1.1　神經網絡基本概述1
1.1.2　人工神經元的基本特徵1
1.1.3　人工神經元的特點與優越性2
1.2　人工神經網絡的類型2
1.2.1　單層前向網絡3
1.2.2　多層前向網絡3
1.2.3　反饋網絡4
1.2.4　競爭型神經網絡4
1.2.5　深度神經網絡4
1.3　人工神經網絡的應用5
1.4　神經網絡的發展史5
1.4.1　模型提出6
1.4.2　冰河期6
1.4.3　反向傳播引起的復興6
1.4.4　第二次低潮7
1.4.5　深度學習的崛起7
1.5　神經網絡學習8
第2章 MATLAB快速入門10
2.1　MATLAB功能及發展10
2.1.1　MATLAB常用功能10
2.1.2　MATLAB的發展11
2.2　MATLAB R2023b集成開發環境 11
2.3　幫助命令12
2.4　MATLAB桌面基礎知識14
2.5　MATLAB語言基礎15
2.5.1　命令輸入15
2.5.2　矩陣和數組16
2.5.3　數據類型30
2.5.4　基本運算35
2.5.5　循環及選擇結構38
第3章 感知器分析與應用42
3.1　單層感知器42
3.1.1　單層感知器模型42
3.1.2　單層感知器結構43
3.1.3　創建感知器44
3.1.4　感知器學習規則45
3.1.5　訓練46
3.2　感知器的限制50
3.3　離群值和歸一化感知器規則50
3.4　感知器工具箱函數50
3.5　感知器的應用53
3.6　多層感知器分析與應用59
第4章 線性神經網絡分析與應用63
4.1　線性神經網絡與感知器的區別63
4.2　線性神經網絡原理63
4.2.1　線性神經網絡模型63
4.2.2　線性神經網絡結構64
4.2.3　線性濾波器65
4.2.4　自適應線性濾波網絡66
4.2.5　學習規則66
4.2.6　網絡訓練68
4.3　線性神經網絡函數70
4.4　線性神經網絡的實現77
第5章 BP神經網絡分析與應用87
5.1　BP神經網絡原理87
5.1.1　BP神經網絡模型87
5.1.2　BP神經網絡的流程88
5.1.3　BP神經網絡的訓練91
5.1.4　BP神經網絡功能94
5.2　BP神經網絡設計94
5.2.1　網絡的層數94
5.2.2　隱藏層的神經元數94
5.2.3　初始值的選取95
5.2.4　學習速率95
5.3　BP神經網絡函數95
5.4　BP神經網絡的應用102
5.4.1　BP神經網絡在數據預測中的應用102
5.4.2　BP神經網絡在函數逼近中的應用104
5.4.3　BP神經網絡的工具箱擬合數據應用107
5.4.4　BP神經網絡在語音特徵信號識別中的應用115
第6章 RBF神經網絡分析與應用121
6.1　RBF神經網絡模型121
6.1.1　RBF神經網絡的思想122
6.1.2　RBF神經網絡的工作原理122
6.2　RBF解決插值問題122
6.2.1　插值概述123
6.2.2　完全內插存在的問題124
6.2.3　正則化理論124
6.2.4　正則化RBF125
6.2.5　廣義RBF網絡125
6.3　RBF學習算法127
6.4　RBF網絡工具箱函數128
6.5　RBF網絡的應用131
第7章 反饋神經網絡分析與應用142
7.1　靜態與反饋網絡142
7.2　Elman神經網絡145
7.2.1　Elman神經網絡特點145
7.2.2　Elman神經網絡結構145
7.2.3　Elman神經網絡的學習過程145
7.2.4　Elman神經網絡的應用146
7.3　離散Hopfield神經網絡153
7.3.1　Hopfield神經網絡結構154
7.3.2　網絡的工作方式156
7.3.3　網絡的穩定156
7.3.4　聯想記憶156
7.3.5　Hebb學習規則159
7.4　連續Hopfield神經網絡160
7.4.1　連續Hopfield神經網絡的穩定性160
7.4.2　連續Hopfield神經網絡的實現161
第8章 競爭型神經網絡分析與應用167
8.1　競爭型神經網絡167
8.2　自組織神經網絡169
8.2.1　自組織競爭學習170
8.2.2　自組織競爭學習規則170
8.2.3　聯想學習規則171
8.2.4　自組織神經網絡的原理174
8.2.5　自組織神經網絡實現175
8.3　自組織特徵映射網絡176
8.3.1　拓撲結構176
8.3.2　SOM權值調整177
8.3.3　Kohonen算法步驟177
8.3.4　自組織映射網絡的實現178
8.4　使用自組織映射對數據進行聚類 181
8.5　學習向量量化神經網絡185
8.5.1　量化的定義186
8.5.2　LVQ神經網絡186
8.5.3　LVQ網絡算法187
8.5.4　LVQ網絡的實現187
8.6　對偶傳播神經網絡190
8.6.1　網絡結構與運行原理190
8.6.2　學習算法191
8.6.3　改進CPN191
8.6.4　CPN實現192
8.7　自適應共振理論網絡195
8.7.1　ARTⅠ型網絡196
8.7.2　ARTⅠ型網絡學習過程197
8.7.3　ARTⅠ型網絡的應用198
第9章 神經網絡的Simulink應用201
9.1　Simulink神經網絡模塊201
9.1.1　神經網絡模塊201
9.1.2　模塊的生成208
9.2　基於Simulink的神經網絡的控制系統211
9.2.1　神經網絡模型預測控制211
9.2.2　反饋線性化控制215
9.2.3　模型參考控制218
第10章 自定義神經網絡221
10.1　自定義神經網絡概述221
10.1.1　創建網絡222
10.1.2　網絡的初始化和訓練232
10.2　自定義函數235
10.2.1　初始化函數235
10.2.2　學習函數236
10.2.3　仿真函數238
第11章 深度神經網絡分析與應用240
11.1　卷積神經網絡240
11.1.1　卷積神經網絡的結構240
11.1.2　卷積神經網絡的訓練241
11.1.3　卷積神經網絡的算法242
11.1.4　卷積神經網絡的實現244
11.2　循環神經網絡247
11.2.1　循環神經網絡的特點247
11.2.2　循環神經網絡的原理248
11.2.3　損失函數248
11.2.4　梯度求解249
11.2.5　循環神經網絡的實現250
11.3　長短期記憶網絡253
11.3.1　LSTM基本單元結構253
11.3.2　LSTM的應用255
參考文獻270