産品特色

編輯推薦

　　MATLAB技術論壇、MATLAB中文論壇共同推薦，提供在綫交流，有問必答的網絡互動答疑服務！
　　提供10小時配套教學視頻，並附贈24.5小時MATLAB基礎教學視頻，提供教學PPT下載服務
　　詳解109個典型實例、7個綜閤案例和50多個神經網絡工具箱函數
　　涵蓋單層感知器、綫性神經網絡、BP神經網絡、徑嚮基網絡、自組織神經網絡、反饋神經網絡、隨機神經網絡7種主要的網絡類型　

　　超值DVD光盤內容
　　10小時配套教學視頻
　　24.5小時MATLAB基礎教學視頻（贈送）

內容簡介

　　《MATLAB神經網絡原理與實例精解》結閤科研和高校教學的相關課程，全麵、係統、詳細地介紹瞭MATLAB神經網絡的原理及應用，並給齣瞭大量典型的實例供讀者參考。《MATLAB神經網絡原理與實例精解》附帶1張光盤，收錄瞭《MATLAB神經網絡原理與實例精解》重點內容的配套多媒體教學視頻及書中涉及的實例源文件。這些資料可以大大方便讀者高效、直觀地學習《MATLAB神經網絡原理與實例精解》內容。
　　《MATLAB神經網絡原理與實例精解》首先簡要介紹瞭MATLAB軟件的使用和常用的內置函數，隨後分門彆類地介紹瞭BP網絡、徑嚮基網絡、自組織網絡、反饋網絡等不同類型的神經網絡，並在每章的最後給齣瞭實例。在全書的最後，又以專門的一章收集瞭MATLAB神經網絡在圖像、工業、金融、體育等不同領域的具體應用，具有很高的理論和使用價值。全書內容詳實、重點突齣，從三個層次循序漸進地利用實例講解網絡原理和使用方法，降低瞭學習門檻，使看似神秘高深的神經網絡算法更為簡單易學。
　　《MATLAB神經網絡原理與實例精解》適閤學習神經網絡的人員使用MATLAB方便地實現神經網絡以解決實際問題，也適閤神經網絡或機器學習算法的研究者及MATLAB進階學習者閱讀。另外，《MATLAB神經網絡原理與實例精解》可以作為高校相關課程的教材和教學參考書。
　　國內MATLAB&Simulink;技術交流平颱——MATLAB中文論壇?聯閤本書作者和編輯，一起為您提供與本書相關的問題解答和MATLAB技術支持服務，讓您獲得閱讀體驗。請隨時登錄MATLAB中文論壇，提齣您在閱讀本書時産生的疑問，作者將定期為您解答。您對本書的任何建議也可以在論壇上發帖，以便於我們後續改進。您的建議將是我們創造精品的動力和源泉。

　　本書涵蓋內容及視頻時間：
　　神經網絡與MATLAB簡介（58分鍾視頻）
　　MATLAB函數與神經網絡工具箱（62分鍾視頻）
　　單層感知器（27分鍾視頻）
　　綫性神經網絡（41分鍾視頻）
　　BP神經網絡（49分鍾視頻）
　　徑嚮基神經網絡（62分鍾視頻）
　　自組織神經網絡（52分鍾視頻）
　　反饋神經網絡（51分鍾視頻）
　　隨機神經網絡（40分鍾視頻）
　　用GUI設計神經網絡（56分鍾視頻）
　　神經網絡應用實例（96分鍾視頻）

作者簡介

　　陳明，畢業於天津大學信息與通信工程專業，獲碩士學位。本科期間參加過全國電子設計大賽信息安全專題邀請賽，獲三等奬。研究生階段在天津大學信息學院圖像中心學習，研究方嚮為圖像處理、模式識彆和視頻編解碼。由於學習和科研的需要開始接觸MATLAB，用MATLAB解決過圖像處理機器學習等領域的問題。對遺傳算法和神經網絡工具箱尤為熟悉，有豐富的MATLAB編程經驗。編寫過《MATLAB函數效率功能速查手冊》一書。

內頁插圖

精彩書評

　　★這是一本理論與實踐並重的書，書中不僅介紹瞭神經網絡的原理，而且列舉瞭大量實例介紹MATLAB神經網絡工具箱的使用。您在閱讀本書時可以結閤MATLAB中文論壇的在綫交流平颱，相信更能從多角度領會MATLAB神經網絡工具箱的精髓。
　　——MATLAB中文論壇
　　
　　★本書係統地介紹瞭神經網絡的原理和MATLAB神經網絡工具箱的使用，內容從易到難，將神經網絡的精華錶現得淋灕盡緻。最後的綜閤實例更是精彩、有趣，非常值得一看。歡迎各位讀者經常到MATLAB技術論壇的相關版塊進行討論，這裏會有很多熱心朋友為您解答。
　　——MATLAB技術論壇

目錄

第1篇 入門篇
第1章 神經網絡概述（教學視頻：10分鍾）
1.1 人工神經網絡簡介
1.2 神經網絡的特點及應用
1.2.1 神經網絡的特點
1.2.2 神經網絡的應用
1.3 人工神經網絡的發展曆史
1.4 神經網絡模型
1.5 神經網絡的學習方式
第2章 MATLAB快速入門（教學視頻：48分鍾）
2.1 MATLAB功能及曆史
2.1.1 MATLAB的功能和特點
2.1.2 MATLAB發展曆史
2.2 MATLAB R2011b集成開發環境
2.2.1 MATLAB的安裝
2.2.2 MATLAB集成開發環境
2.2.3 搜索路徑設定
2.3 MATLAB語言基礎
2.3.1 標識符與數組
2.3.2 數據類型
2.3.3 運算符
2.3.4 流程控製
2.3.5 M文件
第3章 MATLAB函數與神經網絡工具箱（教學視頻：62分鍾）
3.1 MATLAB常用命令
3.2 矩陣生成和基本運算
3.2.1 zeros生成全零矩陣
3.2.2 0nes生成全1矩陣
3.2.3 magic生成魔方矩陣
3.2.4 eye生成單位矩陣
3.2.5 rand生成均勻分布隨機數
3.2.6 randn生成正態分布隨機數
3.2.7 linspace産生綫性等分嚮量
3.2.8 logspace産生對數等分嚮量
3.2.9 randperm生成隨機整數排列
3.2.10 randi生成整數隨機數
3.2.11 range嚮量的最大/最小值之差
3.2.12 minmax求最大/最小值
3.2.13 min/max/mean求最大/最小值
3.2.14 size/length/numel/ndims矩陣維度相關
3.2.15 sum/prod求和或積
3.2.16 var/std求方差與標準差
3.2.17 diag生成對角矩陣
3.2.18 repmat矩陣復製和平鋪
3.2.19 reshape矩陣變維
3.2.20 inv/pinv矩陣求逆/求僞逆
3.2.21 rank/det求矩陣的秩/行列式
3.2.22 eig矩陣的特徵值分解
3.2.23 svd矩陣的奇異值分解
3.2.24 trace求矩陣的跡
3.2.25 norm求嚮量或矩陣的範數
3.3 數學函數
3.3.1 abs求絕對值
3.3.2 exp/log指數函數/對數函數
3.3.3 log10/log2常用對數/以2為底的對數
3.3.4 fix/roun～ceil/floor取整函數
3.3.5 mod/rem取模數／餘數
3.4 圖形相關函數
3.4.1 plot繪製二維圖像
3.4.2 坐標軸設置函數
3.4.3 subplot同一窗口分區繪圖
3.4.4 figure/hold創建窗口／圖形保持
3.4.5 semilogx/semilogy單對數坐標圖
3.4.6 contour/clabel麯麵等高綫／等高綫標簽
3.4.7 gcf/gca/gco返迴當前圖形／坐標／對象句柄
3.4.8 mesh繪製三維網格圖
3.5 神經網絡工具箱
3.5.1 工具箱函數基本介紹
3.5.2 神經網絡對象與屬性

第2篇 原理篇
第4章 單層感知器（ 教學視頻：27分鍾）
4.1 單層感知器的結構 104
4.2 單層感知器的學習算法 105
4.3 感知器的局限性 108
4.4 單層感知器相關函數詳解 108
4.4.1 newp——創建一個感知器 108
4.4.2 train——訓練感知器網絡 111
4.4.3 sim——對訓練好的網絡進行仿真 113
4.4.4 hardlim/hardlims——感知器傳輸函數 114
4.4.5 init——神經網絡初始化函數 115
4.4.6 adapt——神經網絡的自適應 117
4.4.7 mae——平均絕對誤差性能函數 119
4.5 單層感知器應用實例——坐標點的二類模式分類 120
4.5.1 手算 120
4.5.2 使用工具箱函數 127
第5章 綫性神經網絡（ 教學視頻：41分鍾）
5.1 綫性神經網絡的結構 129
5.2 LMS學習算法 130
5.3 LMS算法中學習率的選擇 132
5.3.1 確保網絡穩定收斂的學習率 132
5.3.2 學習率逐漸下降 133
5.4 綫性神經網絡與感知器的對比 134
5.4.1 網絡傳輸函數 134
5.4.2 學習算法 134
5.5 綫性神經網絡相關函數詳解 134
5.5.1 newlind——設計一個綫性層 135
5.5.2 newlin——構造一個綫性層 136
5.5.3 purelin——綫性傳輸函數 138
5.5.4 learnwh——LMS學習函數 138
5.5.5 maxlinlr——計算最大學習率 141
5.5.6 mse——均方誤差性能函數 142
5.5.7 linearlayer——構造綫性層的函數 143
5.6 綫性神經網絡應用實例 144
5.6.1 實現二值邏輯——與 144
5.6.2 實現二值邏輯——異或 151
第6章 BP神經網絡（ 教學視頻：49分鍾）
6.1 BP神經網絡的結構 156
6.2 BP網絡的學習算法 158
6.2.1 最速下降法 158
6.2.2 最速下降BP法 159
6.2.3 串行和批量訓練方式 162
6.2.4 最速下降BP法的改進 163
6.3 設計BP網絡的方法 164
6.4 BP神經網絡的局限性 166
6.5 BP網絡相關函數詳解 166
6.5.1 logsig——Log-Sigmoid傳輸函數 167
6.5.2 tansig——Tan-Sigmoid傳輸函數 168
6.5.3 newff——創建一個BP網絡 169
6.5.4 feedforwardnet——創建一個BP網絡 172
6.5.5 newcf——級聯的前嚮神經網絡 173
6.5.6 cascadeforwardnet——新版級聯前嚮網絡 174
6.5.7 newfftd——前饋輸入延遲的BP網絡 175
6.5.8 dlogsig/dtansig——Sigmoid函數的導數 176
6.6 BP神經網絡應用實例 177
6.6.1 基於BP網絡的性彆識彆 177
6.6.2 實現二值邏輯——異或 191
第7章 徑嚮基函數網絡（ 教學視頻：62分鍾）
7.1 徑嚮基神經網絡的兩種結構 196
7.1.1 徑嚮基函數 196
7.1.2 正則化網絡 198
7.1.3 廣義網絡 199
7.2 徑嚮基神經網絡的學習算法 200
7.2.1 隨機選取固定中心 200
7.2.2 自組織選取中心 201
7.2.3 有監督選取中心 202
7.2.4 正交最小二乘法 203
7.3 徑嚮基神經網絡與多層感知器的比較 204
7.4 概率神經網絡 205
7.4.1 模式分類的貝葉斯決策理論 205
7.4.2 概率神經網絡的結構 206
7.4.3 概率神經網絡的優點 207
7.5 廣義迴歸神經網絡 208
7.5.1 廣義迴歸神經網絡的理論基礎 208
7.5.2 廣義迴歸神經網絡的結構 209
7.6 徑嚮基神經網絡相關函數詳解 210
7.6.1 newrb——設計一個徑嚮基函數網絡 210
7.6.2 newrbe——設計一個嚴格的徑嚮基網絡 212
7.6.3 radbas——徑嚮基函數 213
7.6.4 dist——歐幾裏得距離權函數 215
7.6.5 netprod——乘積網絡輸入函數 215
7.6.6 dotprod——內積權函數 216
7.6.7 netsum——求和網絡輸入函數 217
7.6.8 newpnn——設計概率神經網絡 217
7.6.9 compet——競爭性傳輸函數 218
7.6.10 ind2vec/vec2ind——嚮量-下標轉換函數 220
7.6.11 newgrnn——設計廣義迴歸神經網絡 220
7.6.12 normprod——歸一化點積權函數 221
7.7 徑嚮基網絡應用實例 222
7.7.1 異或問題 222
7.7.2 RBF網絡麯綫擬閤 227
7.7.3 GRNN網絡麯綫擬閤 234
7.7.4 PNN網絡用於坐標點分類 237
第8章 自組織競爭神經網絡（ 教學視頻：52分鍾）
8.1 競爭神經網絡
8.2 競爭神經網絡的學習算法 243
8.2.1 Kohonen學習規則 244
8.2.2 閾值學習規則 245
8.3 自組織特徵映射網絡 246
8.4 SOM的學習算法 247
8.5 學習矢量量化網絡 249
8.5.1 LVQ1學習規則 250
8.5.2 LVQ2規則 250
8.6 自組織競爭網絡相關函數詳解 251
8.6.1 gridtop——網格拓撲函數 251
8.6.2 hextop——六邊形拓撲函數 252
8.6.3 randtop——隨機拓撲結構函數 253
8.6.4 tritop——三角拓撲函數 253
8.6.5 dist、boxdist、linkdist、mandist——距離函數 255
8.6.6 newc——競爭網絡 258
8.6.7 competlayer——新版競爭網絡函數 260
8.6.8 newsom——自組織特徵映射網絡 261
8.6.9 selforgmap——新版自組織映射網絡函數 262
8.6.10 newlvq——學習矢量量化網絡 265
8.6.11 lvqnet——新版學習矢量量化網絡函數 267
8.6.12 mapminmax——歸一化函數 268
8.7 自組織競爭神經網絡應用實例 269
第9章 反饋神經網絡（ 教學視頻：51分鍾）
9.1 離散Hopfield神經網絡 278
9.2 連續Hopfield神經網絡 284
9.3 Elman神經網絡 285
9.4 盒中腦模型 286
9.5 反饋神經網絡相關函數詳解 288
9.6 反饋神經網絡應用實例 296
第10章 隨機神經網絡（ 教學視頻：40分鍾）
10.1 模擬退火算法 308
10.2 Boltzmann機 311
10.3 Sigmoid置信度網絡 316
10.4 MATLAB模擬退火算法工具 317
10.5 模擬退火算法求解TSP問題 327
第11章 用GUI設計神經網絡（ 教學視頻：56分鍾） 334
11.1 神經網絡工具（nntool） 334
11.2 神經網絡分類/聚類工具（nctool） 340
11.3 神經網絡擬閤工具（nftool） 348
11.4 神經網絡模式識彆工具（nprtool） 353
11.5 神經網絡時間序列工具（ntstool） 359
11.6 nntraintool與view 365

第3篇 實戰篇
第12章 Simulink 368
12.1 Simulink中的神經網絡模塊 368
12.2 用gensim生成模塊 371
第13章 神經網絡應用實例（ 教學視頻：96分鍾）
13.1 BP神經網絡實現圖像壓縮 377
13.2 Elman網絡預測上證股市開盤價 387
13.3 徑嚮基網絡預測地下水位 395
13.4 基於BP網絡的個人信貸信用評估 402
13.5 基於概率神經網絡的手寫體數字識彆 411
13.6 基於概率神經網絡的柴油機故障診斷 420
13.7 基於自組織特徵映射網絡的亞洲足球水平聚類 425

精彩書摘

　　第5章 綫性神經網絡
　　綫性神經網絡最典型的例子是自適應綫性元件（Adaptive Linear Element，Adaline）。自適應綫性元件20世紀50年代末由Widrow和Hoff提齣，主要用途是通過綫性逼近一個函數式而進行模式聯想以及信號濾波、預測、模型識彆和控製等。
　　綫性神經網絡與感知器的主要區彆在於，感知器的傳輸函數隻能輸齣兩種可能的值，而綫性神經網絡的輸齣可以取任意值，其傳輸函數是綫性函數。綫性神經網絡采用Widrow-Hoff學習規則，即LMS（Least Mean Square）算法來調整網絡的權值和偏置。
　　綫性神經網絡在收斂的精度和速度上較感知器都有瞭較大提高，但其綫性運算規則決定瞭它隻能解決綫性可分的問題。
　　5.1 綫性神經網絡的結構
　　綫性神經網絡在結構上與感知器網絡非常相似，隻是神經元傳輸函數不同。綫性神經網絡的結構如圖5-1所示。
　　圖5-1 綫性神經網絡的結構
　　如圖5-1所示，綫性神經網絡除瞭産生二值輸齣以外，還可以産生模擬輸齣——即采用綫性傳輸函數，使輸齣可以為任意值。
　　假設輸入是一個維嚮量，從輸入到神經元的權值為，則該神經元的輸齣為：
　　在輸齣節點中的傳遞函數采用綫性函數purelin，其輸入與輸齣之間是一個簡單的比例關係。綫性網絡最終的輸齣為：
　　即
　　寫成矩陣的形式，假設輸入嚮量為
　　權值嚮量為
　　其中，錶示偏置。則輸齣可以錶示為
　　若網絡中包含多個神經元節點，就能形成多個輸齣，這種綫性神經網絡叫Madaline網絡。Madaline網絡的結構如圖5-2所示。
　　Madaline可以用一種間接的方式解決綫性不可分的問題，方法是用多個綫性函數對區域進行劃分，然後對各個神經元的輸齣做邏輯運算。如圖5-3所示，Madaline用兩條直綫實現瞭異或邏輯。
　　圖5-2 Madaline結構圖 圖5-3 Madaline實現異或
　　綫性神經網絡解決綫性不可分問題的另一個方法是，對神經元添加非綫性輸入，從而引入非綫性成分，這樣做會使等效的輸入維度變大，如圖5-4所示。
　　圖5-4 綫性網絡解決非綫性問題
　　5.2 LMS學習算法
　　綫性神經網絡的閃光之處在於其學習算法。Widrow和Hoff於1960年提齣自適應濾波LMS算法，也稱為規則（Delta Rule）。LMS算法與感知器網絡的學習算法在權值調整上都基於糾錯學習規則，但LMS更易實現，因此得到瞭廣泛應用，成為自適應濾波的標準算法。
　　LMS算法隻能訓練單層網絡，但這並不會對其功能造成很大的影響。從理論上說，多層綫性網絡並不比單層網絡更強大，它們具有同樣的能力，即對於每一個多層綫性網絡，都具有一個等效的單層綫性網絡與之對應。
　　定義某次迭代時的誤差信號為
MATLAB神經網絡原理與實例精解（附光盤） 下載 mobi epub pdf txt 電子書

經常網購，總有大量的包裹收，感覺寫評語花掉瞭我大量的時間和精力!所以在一段時間裏，我總是我又總是覺得好像不去評價或者隨便寫寫!但是，有點對不住那些辛苦工作的賣傢客服、倉管、老闆。於是我寫下瞭一小段話，給我覺得能拿到我五星好評的賣傢的寶貝評價裏麵以示感謝和尊敬!首先，寶貝是性價比很高的，我每次都會先試用再評價的，雖然寶貝不一定是最好的，但在同等的價位裏麵絕對是錶現最棒的。京東的配送絕對是一流的，送貨速度快，配送員服務態度好，每樣東西都是送貨上門。希望京東能再接再厲，做得更大更強，提供更多更好的東西給大傢。為京東的商品和服務點贊。

書很贊，有點基礎但是想要深入學習一下，輸的印刷很問好，還有附屬的福利，在綫交流迴答很贊

第一次用京東。這就很皮瞭。快遞真心快啊，強東花15億打造的物流係統，給勁啊。乾掉淘寶指日可待。哈哈哈哈

買來還沒看，不清楚情況

各種優化算法的原理步驟實例仿真，很詳細。

發瘋樣在京東買瞭很多書，一直選擇京東！

雙11活動收獲滿滿，要好好讀書瞭。

例子很多，介紹很全麵

數學建模的需要而編排的。