具體描述
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
其中錶示迭代次數，錶示期望輸齣。這裏采用均方誤差作為評價指標：
是輸入訓練樣本的個數。綫性神經網絡學習的目標是找到適當的，使得誤差的均方差mse最小。隻要用mse對求偏導，再令該偏導等於零即可求齣mse的極值。顯然，mse必為正值，因此二次函數是凹嚮上的，求得的極值必為極小值。
在實際運算中，為瞭解決權值維數過高，給計算帶來睏難的問題，往往是通過調節權值，使mse從空間中的某一點開始，沿著斜麵嚮下滑行，最終達到最小值。滑行的方嚮是該點最陡下降的方嚮，即負梯度方嚮。沿著此方嚮以適當強度對權值進行修正，就能最終到達最佳權值。
實際計算中，代價函數常定義為
對該式兩邊關於權值嚮量求偏導，可得
又因為，令對權值嚮量求偏導，有
綜閤以上兩式，可得
因此，根據梯度下降法，權矢量的修正值正比於當前位置上的梯度，權值調整的規則為：
即
其中為學習率，為梯度。上式還可以進一步整理為以下形式
以下是LMS算法的步驟。
（1）定義變量和參數。
為方便處理，將偏置與權值閤並：
相應地，訓練樣本為
為偏置，為期望輸齣，為實際輸齣，為學習率，為迭代次數。
（2）初始化。給嚮量賦一個較小的隨機初值，。
（3）輸入樣本，計算實際輸齣和誤差。根據給定的期望輸齣，計算
（4）調整權值嚮量。根據上一步算得的誤差，計算
（5）判斷算法是否收斂。若滿足收斂條件，則算法結束，否則自增1（），跳轉到第3步重新計算。收斂條件的選擇對算法有比較大的影響，常用的條件有：
* 誤差等於零或者小於某個事先規定的較小的值，如或；
* 權值變化量已經很小，即；
* 設置最大迭代次數，達到最大迭代次數時，無論算法是否達到預期要求，都將強行結束。
實際應用時可以在這些收斂條件的基礎上加以改進，或者混閤使用。如規定連續次mse小於某個閾值則算法結束，若迭代次數達到100次則強行結束等。
在這裏，需要注意的是學習率。與感知器的學習算法類似，LMS算法也有學習率大小的選擇問題，若學習率過小，則算法耗時過長，若學習率過大，則可能導緻誤差在某個水平上反復振蕩，影響收斂的穩定性，這個問題在下一節有專門的討論。
5.3 LMS算法中學習率的選擇
如何在綫性神經網絡中，學習率參數的選擇非常重要，直接影響瞭神經網絡的性能和收斂性。本節介紹如何確保網絡收斂的學習率及常見的學習率下降方式。
5.3.1 確保網絡穩定收斂的學習率
如前所述，越小，算法的運行時間就越長，算法也就記憶瞭更多過去的數據。因此，的倒數反映瞭LMS算法的記憶容量大小。
往往需要根據經驗選擇，且與輸入嚮量的統計特性有關。盡管我們小心翼翼地選擇學習率的值，仍有可能選擇瞭一個過大的值，使算法無法穩定收斂。
1996年Hayjin證明，隻要學習率滿足下式，LMS算法就是按方差收斂的：
其中，是輸入嚮量組成的自相關矩陣的最大特徵值。由於常常不可知，因此往往使用自相關矩陣的跡（trace）來代替。按定義，矩陣的跡是矩陣主對角綫元素之和：
同時，矩陣的跡又等於矩陣所有特徵值之和，因此一般有。隻要取
即可滿足條件。按定義，自相關矩陣的主對角綫元素就是各輸入嚮量的均方值。因此公式又可以寫為：
5.3.2 學習率逐漸下降
在感知器學習算法中曾提到，學習率隨著學習的進行逐漸下降比始終不變更加閤理。在學習的初期，用比較大的學習率保證收斂速率，隨著迭代次數增加，減小學習率以保證精度，確保收斂。一種可能的學習率下降方案是
在這種方法中，學習率會隨著迭代次數的增加較快下降。另一種方法是指數式下降：
是一個接近1而小於1的常數。Darken與Moody於1992年提齣搜索—收斂（Search-then-Converge Schedule）方案，計算公式如下：
與均為常量。當迭代次數較小時，學習率，隨著迭代次數增加，學習率逐漸下降，公式近似於
LMS算法的一個缺點是，它對輸入嚮量自相關矩陣的條件數敏感。當一個矩陣的條件數比較大時，矩陣就稱為病態矩陣，這種矩陣中的元素做微小改變，可能會引起相應綫性方程的解的很大變化。
5.4 綫性神經網絡與感知器的對比
不同神經網絡有不同的特點和適用領域。盡管感知器與綫性神經網絡在結構和學習算法上都沒有什麼太大的差彆，甚至是大同小異，但我們仍能從細小的差彆上找到其功能的不同點。它們的差彆主要錶現在以下兩點。
5.4.1 網絡傳輸函數
LMS算法將梯度下降法用於訓練綫性神經網絡，這個思想後來發展成反嚮傳播法，具備可以訓練多層非綫性網絡的能力。
感知器與綫性神經網絡在結構上非常相似，唯一的區彆在於傳輸函數：感知器傳輸函數是一個二值閾值元件，而綫性神經網絡的傳輸函數是綫性的。這就決定瞭感知器隻能做簡單的分類，而綫性神經網絡還可以實現擬閤或逼近。在應用中也確實如此，綫性神經網絡可用於綫性逼近任意非綫性函數，當輸入與輸齣之間是非綫性關係時，綫性神經網絡可以通過對網絡的訓練，得齣綫性逼近關係，這一特點可以在係統辨識或模式聯想中得到應用。
5.4.2 學習算法
學習算法要與網絡的結構特點相適應。感知器的學習算法是最早提齣的可收斂的算法，LMS算法與它關係密切，形式上也非常類似。它們都采用瞭自適應的思想，這一點在下一章要介紹的BP神經網絡中獲得瞭進一步的發展。
在計算上，從錶麵看LMS算法似乎與感知器學習算法沒什麼兩樣。這裏需要注意一個區彆：LMS算法得到的分類邊界往往處於兩類模式的正中間，而感知器學習算法在剛剛能正確分類的位置就停下來瞭，從而使分類邊界離一些模式距離過近，使係統對誤差更敏感。這一區彆與兩種神經網絡的不同傳輸函數有關。
5.5 綫性神經網絡相關函數詳解
錶5-1列齣瞭MATLAB神經網絡工具箱中與綫性神經網絡有關的主要函數。
錶5-1 與綫性神經網絡有關的函數
函數名稱
功 能
newlind
設計一個綫性層
newlin
構造一個綫性層
purelin
綫性傳輸函數
learnwh
LMS學習函數
maxlinlr
計算最大學習率
mse
最小均方誤差函數
linearlayer
構造綫性層的函數
……
前言/序言
人工神經網絡是一種類似於人類神經係統的信息處理技術，可以視為一種功能強大、應用廣泛的機器學習算法，廣泛應用於實現分類、聚類、擬閤、預測、壓縮等功能，在高校研究和工程實踐中均有應用。它模仿生物神經元的工作過程，建立起瞭一套用於處理計算問題的數學模型。神經網絡的發展經曆瞭興起——低潮——復興的過程，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，還有徑嚮基網絡、自組織網絡、反饋網絡等其他神經網絡形式，分彆適用於不同的場閤。
神經網絡作為一種網絡模型，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。MATLAB就是一個非常好的選擇，利用它可以方便地實現網絡結構模型。MATLAB是美國MathWorks公司推齣的科學計算軟件，在科研和工程實踐中獲得瞭廣泛的應用。MATLAB編程形式自由，可以方便地實現神經網絡算法，且自帶瞭神經網絡工具箱，用戶直接調用工具箱中的函數，即可使用神經網絡模型解決實際問題。
目前國內有一些介紹MATLAB神經網絡的書，但是隨著MATLAB版本的更新，工具箱中函數不斷變化，整體結構已經調整，市麵上的書卻沒有跟上變化，與實際需求脫節。編寫本書的目的，便是為瞭讓讀者瞭解神經網絡的最新發展進程，並學會在最新的MATLAB版本中實現神經網絡，並應用神經網絡工具箱來解決實際問題。
本書是一本神經網絡原理與實踐相結閤的書，涵蓋瞭大部分主流的神經網絡。它盡量以淺顯易懂的語言講解，讓讀者能理解神經網絡的原理，並學會在MATLAB中實現神經網絡。MATLAB版本逐年更新，神經網絡工具箱中函數的結構安排已經改變，本書使用最新的MATLAB版本，使讀者掌握應用工具箱解決實際問題的能力。本書講解時附帶瞭大量實例，對於簡單的例子，本書除瞭使用工具箱函數外，還用手算的方式給齣瞭自己的實現，便於讀者理解神經網絡的具體實現細節。
本書特色
1. 提供配套教學視頻，高效、直觀
為瞭便於讀者高效、直觀地學習本書中的內容，作者對每章的重點內容都特意製作瞭教學視頻，這些視頻和本書的實例源文件一起收錄於配書光盤中。
2．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，許多舊的函數已經廢棄不用，同時又有新的函數補充進來。已經齣版的圖書和網上的很多資料是舊版本的工具箱。本書基於MATLAB R2011b，介紹瞭新版本下的神經網絡工具箱的使用方法。
3．內容全麵，重點突齣
神經網絡根據結構的不同可以分為不同種類，本書內容涵蓋從最簡單的感知器到復雜的自組織競爭網絡等類型的神經網絡，對其原理進行瞭全麵的介紹。在實際應用中，大部分場閤使用的網絡都是BP神經網絡（多層感知器），而部分生僻的網絡則在MATLAB中沒有對應的工具箱函數。本書結閤實用性，對常用的網絡進行瞭重點講解。
4．實例豐富，貼近實際
本書提供瞭大量的實例，每個例子都經過精挑細選，有很強的針對性。在實戰篇中還提供瞭多個貼近工程實踐的案例，便於讀者瞭解實際應用。
5．循序漸進，先易後難，由淺入深
本書先介紹MATLAB編程基礎，然後介紹神經網絡及其工具箱函數。對每一種網絡在三個層次上用實例講解：介紹工具箱函數時用簡單的實例，讓讀者瞭解函數的調用規則；在每章最後一節給齣幾個復雜一些的應用實例，並且用手算的方式給齣網絡內部的計算流程，讓讀者理解網絡的運行規則；在本書的最後一章列舉瞭若乾個具體的應用案例，重點講解如何對實際問題進行抽象，再選取恰當的神經網絡解決該問題。
6．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，用純MATLAB編程實現瞭部分簡單的神經網絡，有利於加深讀者對神經網絡的理解。為瞭增加可讀性，本書給齣瞭大量的代碼及其實際運行生成的效果圖。書中的代碼力求完整，注釋豐富，使讀者一目瞭然。配書光盤中詳細列齣瞭書中的函數和腳本文件，方便讀者運行、調試。
7．給齣瞭大量的閱讀和經驗點撥
本書講解時給齣瞭大量需要讀者注意的關鍵知識點和經驗點撥，並在單獨的模塊中用不同的字體呈現齣來，便於提醒讀者注意，加深讀者的印象。
8．提供“在綫交流，有問必答”網絡互動答疑服務
國內最大的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，讓您獲得最佳的閱讀體驗。具體參與方式請詳細閱讀本書封底的說明。
本書主要內容
第1篇 入門篇（第1～第3章）
第1章 神經網絡概述。主要介紹瞭神經網絡的發展曆程、神經網絡的應用領域、網絡模型原理及訓練方式。
第2章 MATLAB快速入門。截至本書完稿，MATLAB的最新版本為MATLAB R2011b。這一章介紹瞭MATLAB的集成開發環境，使讀者可以迅速上手。MATLAB語言簡單易學，這一章從數據類型、流程控製、運算符、M文件編輯器等角度概述瞭MATLAB的特點。通過這一章的學習，讀者可以利用MATLAB編寫簡單的程序。
第3章 MATLAB函數與神經網絡工具箱。MATLAB具有豐富的內置函數。這一章給齣瞭30個常用的函數的使用方法，並簡要介紹瞭神經網絡工具箱。
第2篇 原理篇（第4～第11章）
第4章 單層感知器。單層感知器是最簡單的神經網絡，盡管其功能可以通過其他復雜的網絡實現，但依然有極佳的理論學習價值。
第5章 綫性神經網絡。綫性神經網絡又稱Adaline，能解決綫性可分的問題。對於綫性不可分的問題，可使用其他網絡模型，或者使用Adaline的變形形式。
第6章 BP神經網絡。BP網絡是神經網絡理論中最精華的部分，也是實際應用中最常見的網絡，它引入瞭誤差反嚮傳播算法，是一種多層前嚮網絡。
第7章 徑嚮基函數網絡。徑嚮基網絡是一種三層前嚮網絡，具有極強的非綫性映射能力，且收斂速度明顯快於BP神經網絡。這一章包含普通的徑嚮基網絡和廣義迴歸網絡、概率神經網絡。
第8章 自組織競爭神經網絡。自組織神經網絡往往使用無監督學習算法，用於解決聚類問題。其網絡模型中包含競爭網絡層，使用瞭競爭學習的學習方式。
第9章 反饋神經網絡。反饋神經網絡是與前嚮神經網絡相對的一種網絡形式，輸齣端的信息以反饋的形式返迴到輸入端構成輸入的一部分。適用於聯想記憶、數據預測等 場閤。
第10章 隨機神經網絡。隨機網絡主要指Boltzmann機，其原理實際上與模擬退火算法相同。模擬退火算法是一種模擬退火過程的最優化算法，可用於求解函數極值。
第11章 用GUI設計神經網絡。MATLAB提供瞭可視化神經網絡工具nntool和nctool（分類聚類工具）、nftool（擬閤工具）、nprtool（模式識彆工具）、ntstool（時間序列工具）。
第3篇 實戰篇（第12、第13章）
第12章 Simulink。Simulink是MATLAB軟件提供的一個可視化仿真工具，用戶可以在Simulink中通過簡單的鼠標操作實現一個神經網絡模型。
第13章 神經網絡應用實例。這一章給齣瞭7個具體的應用實例，涉及BP網絡、徑嚮基網絡、反饋網絡、概率神經網絡、自組織神經網絡，解決瞭圖像、工業、金融、體育等領域的不同問題。
適閤閱讀本書的讀者
* 神經網絡的初學人員和提高者；
* 神經網絡或機器學習算法的研究者；
* MATLAB進階學習者；
* 高等學校相關課程的學生；
* MATLAB愛好者和研究人員。
用戶評價
這本書的語言風格是相當獨特的，它既保持瞭技術文檔應有的精確性，又穿插瞭一些作者個人的思考和感悟，使得原本可能非常抽象的數學概念變得生動可感。例如，在解釋梯度消失問題時，作者沒有直接堆砌微積分公式，而是用瞭一個關於“信息在多層傳遞中逐漸衰減”的比喻，這個比喻非常形象，一下子就抓住瞭問題的核心要害。這種“文人做學問”的筆法，讓閱讀過程充滿瞭一種探索的樂趣，而不是單純的信息灌輸。我發現自己時不時地會停下來，思考作者在某些關鍵點上留下的“思考題”，這促使我主動去查閱相關的補充資料，形成瞭一個積極的學習閉環。總而言之，這本書成功地將“教書”與“育人”融閤在瞭一起，引導讀者不僅學會“如何做”，更要理解“為什麼這樣做”。
評分坦率地說，初次拿到這本書時，我最關注的是它對前沿網絡結構的覆蓋程度。這年頭，AI技術日新月異，如果一本教材的內容停留在多年前的經典網絡模型上，那價值就會大打摺扣。這本書在這方麵給瞭我一個大大的驚喜。它不僅僅停留在標準的BP網絡和自組織映射（SOM）這些基礎知識上，更深入地探討瞭循環神經網絡（RNN）的一些變體，以及在處理序列數據時麵臨的挑戰。雖然篇幅有限，無法麵麵俱到地覆蓋所有最新的深度學習框架，但它提供的底層原理和構建思路，對於我理解後續學習更復雜的架構，比如LSTM或者Transformer的誕生背景，打下瞭極其堅實的基礎。我尤其喜歡其中關於網絡結構設計與參數選擇的討論部分，那裏沒有給齣標準答案，而是提供瞭一套清晰的決策流程和權衡利弊的視角，這對於一個想從“調包俠”轉變為“架構師”的讀者來說，是無價之寶。
評分我是在一個非常緊張的項目截止日期前開始使用這本書的，當時急需快速掌握一種特定的網絡訓練技巧來優化我們的識彆準確率。這本書的實例部分簡直是救命稻草。不同於那些隻提供代碼片段的參考書，它提供的案例不僅代碼完整，而且每一步操作都有詳盡的注釋和背後的邏輯解釋。更重要的是，書中展示瞭如何根據實際數據的特性（例如噪聲水平、樣本不均衡性）來調整網絡結構、激活函數乃至損失函數，這種貼近真實工程問題的處理方式，是很多純理論書籍望塵莫及的。我按照書中的步驟，成功地在一個復雜場景下復現瞭書中演示的效果，並且在此基礎上進行瞭針對性的改進，最終解決瞭睏擾團隊數周的性能瓶頸。這本書的實踐價值已經遠超其定價，我感覺它更像是一個資深工程師手把手帶徒弟的過程記錄。
評分這本書的排版和印刷質量真的讓我眼前一亮，紙張的觸感很棒，即便是長時間閱讀也不會覺得眼睛特彆疲勞。內容組織上，作者顯然是下瞭很大功夫的，結構清晰，邏輯推進非常順暢。我特彆欣賞它在理論深度和實際應用之間的那種微妙平衡。很多教材在深入講解數學原理時就顯得枯燥乏味，而有些實踐手冊又過於浮於錶麵，這本書卻巧妙地避開瞭這些陷阱。比如，在講解反嚮傳播算法的推導時，作者不僅給齣瞭嚴謹的數學公式，還緊接著用非常直觀的圖示和生活中的類比來解釋其核心思想，這對於我這種更偏嚮於直覺理解的學習者來說簡直是福音。初讀時，我感覺有些地方的細節需要反復琢磨，但隨著翻閱到後麵的章節，那些最初的疑惑點便自然而然地迎刃而解瞭。這種“先設疑後解惑”的敘事節奏，極大地提升瞭閱讀的沉浸感和知識吸收效率。整體而言，這是一本兼具學術嚴謹性和工程實用性的教科書，完全值得我投入大量時間去精研。
評分我對比瞭手頭幾本經典的神經網絡教材，這本書最吸引我的地方在於其對“工程實現細節”的關注度。很多教材在講解完核心算法後就戛然而止，把網絡訓練過程中的各種“坑”留給瞭讀者自己去踩。然而，這本書卻非常細緻地剖析瞭諸如隨機數種子對訓練結果的影響、不同優化器（Adam, SGD, RMSProp）在特定數據集上的收斂速度差異、以及如何有效地進行早停（Early Stopping）以避免過擬閤的實戰技巧。這些看似瑣碎但至關重要的細節，往往是決定一個項目成敗的關鍵。特彆是光盤中提供的配套資源，包含瞭幾組經過精心調試的參數文件，讓我可以直接對比不同設置下的性能麯綫，這種“可視化對比學習”的方法效率極高。這本書真正做到瞭將理論知識的骨架，填充上最強壯、最實用的工程血肉。
評分專門為瞭學習MATLAB而買的，希望能有用，書沒有破損
評分書內容還沒有來得及看，但是包裝和紙質都還不錯
評分很好的書，已經開始學習瞭，就是不知道哪個軟件去哪裏下載，如何安裝，
評分專門為瞭學習MATLAB而買的，希望能有用，書沒有破損
評分非常不錯 第二次買瞭，值得多給幾個贊，發貨速度快，物流給力，快遞服務態度也不錯，值得推薦
評分不錯很好，希望能夠有很大用處。
評分買瞭一段時間瞭，沒時間看，據說評價有京豆豆，哈哈哈哈。
評分同類書中算不錯的，但是還是有很多不足的地方，希望以後的版本不斷進步
評分收到瞭，書本質量不錯，隻是有點慢。
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 靜流書站 版權所有