具体描述
《MATLAB神经网络超级学习手册》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。《MATLAB神经网络超级学习手册》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。
《MATLAB神经网络超级学习手册》以神经网络结构为主线，以学习算法为副线，结合各种实例，目的是使读者易看懂、会应用。本书是一本简明介绍MATLAB神经网络设计技能的综合性用书。《MATLAB神经网络超级学习手册》深入浅出，实例引导，讲解详实，既可以作为高等院校理工科的研究生、本科生的教材，也可作为广大科研工程技术人员的参考用书。
作者简介
目录信息
《MATLAB神经网络超级学习手册》
第1章 MATLAB简介 1
1.1 MATLAB的发展 1
1.2 MATLAB的特点及应用领域 2
1.3 MATLAB R2013a的安装 3
1.4 MATLAB R2013a的工作环境 5
1.4.1 操作界面简介 5
1.4.2 Workspace(命令窗口) 6
1.4.3 Command History(历史命令窗口) 9
1.4.4 输入变量 11
1.4.5 路径管理 12
1.4.6 搜索路径 13
1.4.7 Workspace(工作空间) 14
1.4.8 变量的编辑命令 15
1.4.9 存取数据文件 17
1.5 MATLAB R2013a的帮助系统 17
1.5.1 纯文本帮助 18
1.5.2 演示帮助 19
1.5.3 帮助导航 21
1.5.4 帮助文件目录窗 22
1.5.5 帮助文件索引窗 22
1.6 本章小结 23
第2章 MATLAB基础 24
2.1 基本概念 24
2.1.1 MATLAB数据类型概述 24
2.1.2 常量与变量 25
2.1.3 标量、向量、矩阵与数组 26
2.1.4 运算符 28
2.1.5 命令、函数、表达式和语句 30
2.2 MATLAB中的数组 31
2.2.1 数组的保存和装载 31
2.2.2 数组索引和寻址 32
2.2.3 数组的扩展和裁剪 34
2.2.4 数组形状的改变 40
2.2.5 数组运算 43
2.2.6 数组的查找 46
2.2.7 数组的排序 47
2.2.8 高维数组的降维操作 48
2.3 曲线拟合 49
2.3.1 多项式拟合 49
2.3.2 加权最小方差(WLS)拟合原理及实例 50
2.4 M文件 52
2.4.1 M文件概述 53
2.4.2 局部变量与全局变量 54
2.4.3 M文件的编辑与运行 55
2.4.4 脚本文件 56
2.4.5 函数文件 57
2.4.6 函数调用 58
2.4.7 M文件调试工具 61
2.4.8 M文件分析工具 63
2.5 本章小结 65
第3章 MATLAB程序设计 66
3.1 MATLAB的程序结构 66
3.1.1 if分支结构 66
3.1.2 switch分支结构 68
3.1.3 while循环结构 68
3.1.4 for循环结构 70
3.2 MATLAB的控制语句 71
3.2.1 continue命令 71
3.2.2 break命令 72
3.2.3 return命令 73
3.2.4 input命令 73
3.2.5 keyboard命令 74
3.2.6 error和warning命令 74
3.3 数据的输入输出 75
3.3.1 键盘输入语句(input) 75
3.3.2 屏幕输出语句(disp) 76
3.3.3 M数据文件的存储/加载(save/load) 76
3.3.4 格式化文本文件的存储/读取(fprintf/fscanf) 76
3.3.5 二进制数据文件的存储/读取(fwrite/fread) 76
3.3.6 数据文件行存储/读取(fgetl/fgets) 77
3.4 MATLAB文件操作 77
3.5 MATLAB程序优化 79
3.5.1 效率优化(时间优化) 79
3.5.2 内存优化(空间优化) 80
3.5.3 编程注意事项 85
3.5.4 几个常用数学方法的算法程序 86
3.6 程序调试 94
3.6.1 程序调试命令 94
3.6.2 程序剖析 95
3.7 本章小结 99
第4章 人工神经网络概述 100
4.1 人工神经网络 100
4.1.1 人工神经网络的发展 100
4.1.2 人工神经网络研究内容 101
4.1.3 人工神经网络研究方向 102
4.1.4 人工神经网络发展趋势 102
4.2 神经元 105
4.2.1 神经元细胞 105
4.2.2 MP模型 106
4.2.3 一般神经元模型 107
4.3 神经网络的结构及学习 108
4.3.1 神经网络结构 108
4.3.2 神经网络学习 110
4.4 MATLAB神经网络工具箱 111
4.4.1 神经网络工具箱函数 112
4.4.2 神经网络工具箱的使用 113
4.5 本章小结 118
第5章 感知器 119
5.1 感知器原理 119
5.1.1 感知器模型 119
5.1.2 感知器初始化 120
5.1.3 感知器学习规则 121
5.1.4 感知器训练 121
5.2 感知器的局限性 122
5.3 感知器工具箱的函数 122
5.4 感知器的MATLAB仿真程序设计 130
5.4.1 单层感知器MATLAB仿真程序设计 130
5.4.2 多层感知器MATLAB仿真程序设计 135
5.5 本章小结 139
第6章 线性神经网络 140
6.1 线性神经网络原理 140
6.1.1 线性神经网络模型 140
6.1.2 线性神经网络初始化 141
6.1.3 线性神经网络学习规则 142
6.1.4 线性神经网络的训练 144
6.2 线性神经网络工具箱函数 147
6.3 线性神经网络的MATLAB仿真程序设计 153
6.3.1 线性神经网络设计的基本方法 153
6.3.2 线性神经网络的设计 153
6.4 本章小结 158
第7章 BP神经网络 159
7.1 BP神经网络原理 159
7.1.1 BP神经网络模型 159
7.1.2 BP神经网络算法 161
7.1.3 BP神经网络的训练 164
7.1.4 BP神经网络功能 167
7.2 网络的设计 167
7.2.1 网络的层数 167
7.2.2 隐含层的神经元数 168
7.2.3 初始权值的选取 168
7.2.4 学习速率 168
7.3 BP神经网络工具箱函数 168
7.4 BP神经网络的工程应用 173
7.4.1 BP网络在函数逼近中的应用 173
7.4.2 nntool神经网络工具箱的应用 181
7.4.3 BP神经网络在语音特征信号分类中的应用 184
7.4.4 BP神经网络的非线性函数拟合应用 190
7.5 本章小结 193
第8章 RBF神经网络 194
8.1 RBF网络模型 194
8.1.1 RBF神经网络模型 194
8.1.2 RBF网络的工作原理 195
8.1.3 RBF神经网络的具体实现 196
8.2 RBF神经网络的学习算法 196
8.3 RBF网络工具箱函数 198
8.3.1 RBF工具箱函数 198
8.3.2 转换函数 200
8.3.3 传递函数 201
8.4 基于RBF网络的非线性滤波 202
8.4.1 非线性滤波 202
8.4.2 RBF神经网络用于非线性滤波 202
8.5 RBF网络MATLAB应用实例 207
8.6 本章小结 216
第9章 反馈型神经网络 217
9.1 反馈型神经网络的基本概念 217
9.2 Hopfield网络模型 219
9.2.1 Hopfield网络模型 220
9.2.2 状态轨迹 221
9.2.3 状态轨迹发散 221
9.3 Hopfield网络工具箱函数 222
9.3.1 Hopfield网络创建函数 223
9.3.2 Hopfield网络传递函数 227
9.4 离散型Hopfield网络 228
9.4.1 DHNN模型结构 228
9.4.2 联想记忆 229
9.4.3 DHNN的海布(Hebb)学习规则 232
9.4.4 DHNN权值设计的其他方法 233
9.5 连续型Hopfield网络 235
9.6 Elman网络 242
9.6.1 Elman网络结构 243
9.6.2 Elman网络创建函数 243
9.6.3 Elman网络的工程应用 245
9.7 本章小结 252
第10章 竞争型神经网络 253
10.1 自组织型竞争神经网络 253
10.1.1 几种联想学习规则 253
10.1.2 网络结构 258
10.1.3 自组织神经网络的原理 260
10.1.4 竞争学习规则 265
10.1.5 竞争网络的训练过程 265
10.2 自组织特征映射神经网络 266
10.2.1 自组织特征映射神经网络拓扑结构 267
10.2.2 SOM权值调整域 268
10.2.3 SOM网络运行原理 269
10.2.4 网络的训练过程 270
10.3 自适应共振理论神经网络 272
10.3.1 自适应共振理论神经网络概述 272
10.3.2 ART网络的结构及特点 272
10.4 学习向量量化神经网络 273
10.4.1 LVQ神经网络结构 273
10.4.2 LVQ神经网络算法 274
10.5 竞争型神经网络工具箱函数 274
10.6 竞争型神经网络的应用 286
10.7 本章小结 294
第11章 神经网络的Simulink应用 295
11.1 基于Simulink的神经网络模块 295
11.1.1 神经网络模块 295
11.1.2 模块的生成 302
11.2 基于Simulink的神经网络控制系统 306
11.2.1 神经网络模型预测控制 307
11.2.2 反馈线性化控制 310
11.2.3 模型参考控制 313
11.3 本章小结 315
第12章 神经网络GUI 316
12.1 GUI简介 316
12.1.1 GUI设计工具 316
12.1.2 启动GUIDE 318
12.1.3 添加控件组件 319
12.1.4 设置控件组件的属性 322
12.1.5 编写相应的程序代码 326
12.1.6 GUIDE创建GUI的注意事项 331
12.1.7 定制标准菜单 333
12.2 神经网络GUI 334
12.2.1 常规神经网络GUI 334
12.2.2 神经网络拟合GUI 339
12.2.3 神经网络模式识别GUI 346
12.2.4 神经网络聚类GUI 351
12.3 GUI数据操作 358
12.3.1 从Workspace导入数据到GUI 358
12.3.2 从GUI中导出数据到Workspace 360
12.3.3 数据的存储和读取 363
12.3.4 数据的删除 365
12.4 本章小结 365
第13章 自定义神经网络及函数 366
13.1 自定义神经网络 366
13.1.1 网络的创建 367
13.1.2 网络的初始化、训练和仿真 382
13.2 自定义函数 386
13.2.1 初始化函数 386
13.2.2 学习函数 387
13.2.3 仿真函数 389
13.3 本章小结 390
第14章 随机神经网络 391
14.1 随机神经网络的基本思想 391
14.2 模拟退火算法 392
14.2.1 模拟退火算法的原理 393
14.2.2 模拟退火算法用于组合优化问题 394
14.2.3 退火算法的参数控制 395
14.3 Boltzmann机 396
14.3.1 Boltzmann机的网络结构 396
14.3.2 Boltzmann机的工作原理 398
14.3.3 Boltzmann机的运行步骤 399
14.3.4 Boltzmann机的学习规则 400
14.3.5 Boltzmann机的改进 401
14.4 随机神经网络的应用 404
14.5 本章小结 407
第15章 神经网络基础运用 408
15.1 感知器神经网络的应用 408
15.2 线性神经网络的应用 409
15.3 BP神经网络的应用 411
15.4 RBF神经网络的应用 413
15.5 本章小结 415
第16章 神经网络综合运用 416
16.1 BP神经网络的应用 416
16.1.1 数据拟合 416
16.1.2 数据预测 423
16.1.3 函数逼近 429
16.2 PID神经网络控制 433
16.3 遗传算法优化神经网络 441
16.4 模糊神经网络控制 447
16.5 概率神经网络分类预测 456
16.6 本章小结 460
附录 461
参考文献 463
· · · · · · (收起)
读后感
用户评价
这本书真是让我大开眼界！作为一个对深度学习充满好奇但又缺乏系统指导的读者，我一直渴望找到一本既能打好理论基础，又能提供实操经验的教材。《MATLAB神经网络超级学习手册》恰恰满足了我的需求。作者在理论讲解上深入浅出，从最基本的神经元模型到复杂的深度神经网络架构，都做了详尽的阐述，并且非常注重逻辑的连贯性，让你能够一步步理解其背后的原理。尤其让我印象深刻的是，书中没有回避那些看似晦涩的数学公式，而是用清晰易懂的方式解释了它们在神经网络中的作用，这对于我这种数学功底不太扎实的读者来说，简直是福音。更重要的是，书中大量结合MATLAB的实例，让我能够亲手去构建、训练和调试各种网络模型。我曾经在尝试自己编写代码实现一些基础的网络时遇到过很多困难，但这本书的示例代码结构清晰，注释详细，让我能够快速上手，并且在实践中加深对理论知识的理解。每次完成一个示例，我都感觉自己离掌握神经网络的精髓又近了一步，这种成就感是无法言喻的。这本书不仅仅是一本技术手册，更像是一位经验丰富的导师，耐心地引导我探索神经网络的奥秘。
读完《MATLAB神经网络超级学习手册》，我感觉自己仿佛经历了一场思维的洗礼。这本书的独特之处在于，它并没有将神经网络的知识点碎片化，而是将其置于一个宏大的框架下进行阐述，让你看到整个领域的发展脉络和内在联系。作者在介绍各种网络结构时，不仅仅是罗列其特点，更会深入剖析它们诞生的背景、解决的问题以及各自的优势劣势，这种宏观视角让我不再被各种琳琅满目的网络模型弄得眼花缭乱，而是能够更清晰地辨别它们的应用场景和适用性。书中的内容非常具有前瞻性，不仅涵盖了经典的BP网络、CNN、RNN等，还对一些前沿的深度学习技术进行了介绍，让我能够站在巨人的肩膀上，眺望未来的发展方向。我特别喜欢书中关于模型优化的部分，它不仅仅提供了算法上的指导，更强调了调试过程中的经验和技巧，这对于实际应用中的模型性能提升至关重要。通过书中的指导，我学会了如何系统地分析模型训练过程中出现的问题，并采取针对性的优化策略。这本书就像一个宝藏，里面蕴藏着无数解决实际问题的金钥匙，等待着你去发掘和运用。
我是一个完全的“小白”，之前对神经网络几乎一无所知，但《MATLAB神经网络超级学习手册》却让我有了一种“原来如此”的顿悟感。作者在讲解时，非常注重循序渐进，从最基础的概念开始，一步步构建起复杂的知识体系。例如，在介绍反向传播算法时，作者不仅仅给出了公式，还用非常形象的比喻来解释梯度下降的过程，让我一下子就明白了其中的原理。而且，书中在引入新的概念时，都会和之前学到的知识点建立联系，形成一个完整的知识网络，而不是孤立的知识点堆砌。这对于我这样零基础的读者来说，极大地降低了学习的门槛。我特别喜欢书中对于各种损失函数和激活函数的讲解，让我能够理解它们各自的适用范围和优缺点。通过书中的练习，我能够亲手去尝试不同的函数组合，观察它们对模型性能的影响，这种亲身体验比单纯阅读理论知识要深刻得多。这本书为我打开了神经网络世界的大门，让我看到了一个充满无限可能的新领域。
我是一名从事数据分析多年的专业人士，一直对如何利用神经网络进行更深层次的数据挖掘和模式识别感到好奇。在接触《MATLAB神经网络超级学习手册》之前，我尝试阅读过不少相关的文献和教程，但总觉得缺乏一种将理论与实践完美结合的连贯性。《MATLAB神经网络超级学习手册》在这方面给我留下了极其深刻的印象。它不仅仅停留在概念的介绍，而是将复杂的算法原理与MATLAB强大的编程能力巧妙地结合起来。书中对于不同神经网络架构的数学原理进行了严谨的推导，但又不失直观的解释，让你既能理解“是什么”，也能理解“为什么”。更重要的是，书中提供了大量实用的MATLAB代码示例，这些示例涵盖了从数据准备、模型构建、训练优化到结果评估的完整流程，并且能够直接应用于解决实际问题。我特别欣赏书中关于模型调参和性能优化的章节，它不仅仅罗列了常见的技巧，更深入地分析了这些技巧背后的原因，以及如何在不同的场景下灵活运用。这本书让我能够将抽象的深度学习理论转化为可执行的代码，从而有效地解决我工作中遇到的实际问题，极大地提升了工作效率和研究的深度。
这本书给我的感觉是，它不仅仅是一本“学习手册”，更像是一本“实践指南”和“问题解决手册”。作为一名急需将深度学习技术应用于实际项目中的工程师，我最看重的是书籍的实用性和可操作性。《MATLAB神经网络超级学习手册》在这方面做得非常出色。书中提供的每一个案例都紧密结合了实际应用场景，例如图像识别、自然语言处理、时间序列预测等等，让你能够直观地感受到神经网络的强大威力。而且，书中的代码片段都是经过精心设计的，可以直接运行，并且在关键步骤都有详细的解释，让你能够理解每一行代码的作用。我之前尝试过一些其他资料，但很多都停留在理论层面，或者代码示例过于简化，难以直接应用。这本书不同，它就像是一位经验丰富的项目导师，手把手地教你如何从零开始构建一个完整的神经网络应用。从数据预处理、模型构建、参数调优到最终的部署，都进行了详尽的指导。我最欣赏的是，书中还包含了大量“踩坑”指南，提前预警了开发者在实践中可能遇到的各种难题，并提供了解决方案，这为我节省了大量宝贵的调试时间。
