VIP会员
内容简介
本书结合科研和高校教学的相关课程，全面、系统、详细地介绍了MATLAB神经网络的原理及应用，并给出了大量典型的实例供读者参考。本书附带1张光盘，收录了本书重点内容的配套多媒体教学视频及书中涉及的实例源文件。这些资料可以大大方便读者、直观地学习本书内容。
本书先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的出了实例。在全书的又以专门的一章收集了MATLAB神经网络在图像、工业、金融、体育等不同领域的具体应用，具有很高的理论和使用价值。全书内容详实、重点突出，从三个层次循序渐进地利用实例讲解网络原理和使用方法，降低了学习门槛，使看似神秘高深的神经网络算法更为简单易学。
本书适合学习神经网络的人员使用MATLAB方便地实现神经网络以解决实际问题，也适合神经网络或机器学习算法的研究者及MATLAB进阶学习者阅读。另外，本书可以作为高校相关课程的教材和教学参考书。
网络互动答疑服务：
国内*的MATLAB&Simulink技术交流平台——MATLAB中文论坛联合本书作者和编辑，一起为您提供与本书相关的问题解答和MATLAB技术支持服务，让您获得*的阅读体验。请随时登录MATLAB中文论坛，提出您在阅读本书时产生的疑问，作者将定期为您解答。您对本书的任何建议也可以在论坛上发帖，以便于我们后续改进。您的建议将是我们创造精品的动力和源泉。
目录
第1篇 入门篇
第1章 神经网络概述（教学视频：10分钟）
1.1 人工神经网络简介
1.2 神经网络的特点及应用
1.2.1 神经网络的特点
1.2.2 神经网络的应用
1.3 人工神经网络的发展历史
1.4 神经网络模型
1.5 神经网络的学习方式
第2章 MATLAB快速入门（教学视频：48分钟）
2.1 MATLAB功能及历史
2.1.1 MATLAB的功能和特点
2.1.2 MATLAB发展历史
2.2 MATLAB R2011b集成开发环境
2.2.1 MATLAB的安装
2.2.2 MATLAB集成开发环境
2.2.3 搜索路径设定
2.3 MATLAB语言基础
2.3.1 标识符与数组
2.3.2 数据类型
2.3.3 运算符
2.3.4 流程控制
2.3.5 M文件
第3章 MATLAB函数与神经网络工具箱（教学视频：62分钟）
3.1 MATLAB常用命令
3.2 矩阵生成和基本运算
3.2.1 zeros生成全零矩阵
3.2.2 0nes生成全1矩阵
3.2.3 magic生成魔方矩阵
3.2.4 eye生成单位矩阵
3.2.5 rand生成均匀分布随机数
3.2.6 randn生成正态分布随机数
3.2.7 linspace产生线性等分向量
3.2.8 logspace产生对数等分向量
3.2.9 randperm生成随机整数排列
3.2.10 randi生成整数随机数
3.2.11 range向量的之差
3.2.12 minmax求
3.2.13 min/max/mean求
3.2.14 size/length/numel/ndims矩阵维度相关
3.2.15 sum/prod求和或积
3.2.16 var/std求方差与标准差
3.2.17 diag生成对角矩阵
3.2.18 repmat矩阵复制和平铺
3.2.19 reshape矩阵变维
3.2.20 inv/pinv矩阵求逆/求伪逆
3.2.21 rank/det求矩阵的秩/行列式
3.2.22 eig矩阵的特征值分解
3.2.23 svd矩阵的奇异值分解
3.2.24 trace求矩阵的迹
3.2.25 norm求向量或矩阵的范数
3.3 数学函数
3.3.1 abs求值
3.3.2 exp/log指数函数/对数函数
3.3.3 log10/log2常用对数/以2为底的对数
3.3.4 fix/roun～ceil/floor取整函数
3.3.5 mod/rem取模数／余数
3.4 图形相关函数
3.4.1 plot绘制二维图像
3.4.2 坐标轴设置函数
3.4.3 subplot同一窗口分区绘图
3.4.4 figure/hold创建窗口／图形保持
3.4.5 semilogx/semilogy单对数坐标图
3.4.6 contour/clabel曲面等高线／等高线标签
3.4.7 gcf/gca/gco返回当前图形／坐标／对象句柄
3.4.8 mesh绘制三维网格图
3.5 神经网络工具箱
3.5.1 工具箱函数基本介绍
3.5.2 神经网络对象与属性
第2篇 原理篇
第4章 单层感知器（ 教学视频：27分钟）
4.1 单层感知器的结构 104
4.2 单层感知器的学习算法 105
4.3 感知器的局限性 108
4.4 单层感知器相关函数详解 108
4.4.1 newp——创建一个感知器 108
4.4.2 train——训练感知器网络 111
4.4.3 sim——对训练好的网络进行仿真 113
4.4.4 hardlim/hardlims——感知器传输函数 114
4.4.5 init——神经网络初始化函数 115
4.4.6 adapt——神经网络的自适应 117
4.4.7 mae——平均误差性能函数 119
4.5 单层感知器应用实例——坐标点的二类模式分类 120
4.5.1 手算 120
4.5.2 使用工具箱函数 127
第5章 线性神经网络（ 教学视频：41分钟）
5.1 线性神经网络的结构 129
5.2 LMS学习算法 130
5.3 LMS算法中学习率的选择 132
5.3.1 确保网络稳定收敛的学习率 132
5.3.2 学习率逐渐下降 133
5.4 线性神经网络与感知器的对比 134
5.4.1 网络传输函数 134
5.4.2 学习算法 134
5.5 线性神经网络相关函数详解 134
5.5.1 newlind——设计一个线性层 135
5.5.2 newlin——构造一个线性层 136
5.5.3 purelin——