面向MATLAB工具箱的神经网络理论与应用 第4版

本书基于目前国际上通用的MATLAB R2019b环境，结合相应的神经网络工具箱以及深度学习工具箱，分人工神经网络与深度神经网络两部分阐述（深度）神经网络的理论与应用。书中所配有的具体例题，均采用MATLAB工具箱进行网络的设计与应用；采用理论、图形、算法、程序实现等多种手段，详细对求解的过程进行解释，分析或比较网络的优点及其局限性，来提出解决问题的方法，使读者更加透彻地了解各种神经网络的性能及其优缺点，以达到正确、合理和充分应用神经网络的目的。
本书可作为计算机、电子学、信息、通信以及自动控制等专业的高年级本科生、研究生以及其他专业科技人员学习神经网络或学习MATLAB及其神经网络工具箱时的教材或参考书。

第4版前言
第3版前言
第2版前言
前言
第1章 绪论
1.1 人工神经网络概念的提出
1.2 神经细胞以及人工神经元的组成
1.3 人工神经网络应用领域
1.4 人工神经网络发展的回顾
1.5 人工神经网络的基本结构与模型
1.5.1 人工神经元的模型
1.5.2 激活转移函数
1.5.3 单层神经元网络模型结构
1.5.4 多层神经网络
1.5.5 递归神经网络
1.6 用MATLAB计算人工神经网络输出
1.7 本章小结
习题
第2章 前向神经网络
2.1 感知器
2.1.1 感知器的网络结构
2.1.2 感知器的图形解释
2.1.3 感知器的学习规则
2.1.4 网络的训练
2.1.5 感知器的局限性
2.1.6 “异或”问题
2.1.7 解决线性可分性的办法
2.1.8 本节小结
2.2 自适应线性元件
2.2.1 自适应线性神经元模型和结构
2.2.2 W-H学习规则
2.2.3 网络训练
2.2.4 例题与分析
2.2.5 对比与分析
2.2.6 单步延时线及其自适应滤波器的实现
2.2.7 自适应线性网络的应用
2.2.8 本节小结
2.3 反向传播网络
2.3.1 BP网络模型与结构
2.3.2 BP学习规则
2.3.3 BP网络的训练及其设计过程
2.3.4 BP网络的设计
2.3.5 与不足
2.3.6 反向传播法的改进方法
2.3.7 基于数值优化方法的网络训练算法
2.3.8 数值实例对比
2.3.9 本节小结
习题
第3章 递归神经网络
3.1 各种递归神经网络
3.1.1 全局反馈型递归神经网络
3.1.2 前向递归神经网络
3.1.3 混合型网络
3.1.4 本节小结
3.2 全局反馈递归网络
3.2.1 霍普菲尔德网络模型
3.2.2 状态轨迹
3.2.3 离散型霍普菲尔德网络
3.2.4 连续型霍普菲尔德网络
3.2.5 本节小结
3.3 Elman网络
3.3.1 网络结构及其输入输出关系式
3.3.2 修正网络权值的学习算法
3.3.3 稳定性推导
3.3.4 对稳定性结论的分析
3.3.5 对角递归网络稳定时学习速率的确定
3.3.6 本节小结
3.4 对角递归神经网络
3.4.1 网络结构及其输入输出关系式
3.4.2 网络的稳定性分析
3.4.3 进一步的讨论
3.4.4 数值实例
3.4.5 本节小结
3.5 局部递归神经网络
3.5.1 PIDNNC的设计
3.5.2 闭环控制系统稳定性分析
3.5.3 实时在线控制策略的设计步骤
3.5.4 数值应用
3.5.5 本节小结
习题
……
第4章 局部连接神经网络
第5章 自组织竞争神经网络
第6章 随机神经网络
第7章 面向工具箱的神经网络实际应用
第8章 深度学习与深度卷积神经网络结构的设计
第9章 深度神经网络结构压缩与优化
第10章 深度神经网络的深度学习
第11章 深度学习网络的反向传播算法
第12章 卷积神经网络的应用
附录 程序目录
参考文献