新書推薦：
《
敦煌究竟有多美
》
售價：NT$
454.0
《
我在唐朝穿什么（图解中国传统服饰 服饰搭配 汉服研究 古代服饰）
》
售價：NT$
449.0
《
优化你的2小时 ： 基于神经科学和能量流的时间管理方法
》
售價：NT$
255.0
《
经典与经学
》
售價：NT$
398.0
《
颧种植理论与临床
》
售價：NT$
2030.0
《
《胡适留学日记》汇校本（全四册）
》
售價：NT$
3468.0
《
特大型电网企业网络安全从业指南 Java代码审计与分析
》
售價：NT$
806.0
《
心灵哲学
》
售價：NT$
653.0
|
| 編輯推薦： |
本书以MATLAB R2023b为平台编写，以实际应用为背景，以“理论 公式 经典应用”相结合的形式，深入浅出地介绍MATLAB神经网络经典分析与应用，重点介绍各种神经网络的经典应用。
?版本先进，功能新颖 MATLAB更新的同时，神经网络工具箱随之更新换代，许多旧的函数被新的函数替换。本书基于MATLAB R2023b平台编写，介绍了该版本下的神经网络工具箱的使用方法。
?由浅入深，循序渐进 从最简单的感知器到复杂的自组织竞争网络，再到深度神经网络等内容，均对其进行了介绍。通过相应的实例来巩固原理、概念。结合实际性，重点讲解常用的网络。
?实例丰富，贴近实际 在讲解MATLAB神经网络应用时，精心选择了有代表性的实例。每章均提供了贴近工程实践的案例，便于读者了解实际应用。
?图文并茂，全面解读 丰富的代码实例及运行效果图，原理分析通俗易懂，采用MATLAB编程实现了部分简单的神经网络，有利于加深读者对神经网络的理解。
?实例丰富，便于教学 为了便于教师教学，提供教学课件、程序代码等教学资料。
|
| 內容簡介： |
《MATLAB神经网络分析及应用》以MATLAB R2023b为平台，以实际应用为背景，采用“理论 公式 经典应用”相结合的形式，深入浅出地讲解MATLAB神经网络经典分析与应用。全书共11章，主要包括为什么神经网络应用广泛、MATLAB快速入门、感知器分析与应用、线性神经网络分析与应用、BP神经网络分析与应用、RBF神经网络分析与应用、反馈神经网络分析与应用、竞争型神经网络分析与应用、神经网络的Simulink应用、自定义神经网络、深度神经网络的分析与应用。通过学习本书，读者可以认识到神经网络在各领域中的广泛应用，可以领略到利用MATLAB实现神经网络的方便、快捷、专业性强等特点。
《MATLAB神经网络分析及应用》可作为神经网络领域初学者和提高者的学习资料，也可作为高等院校相关课程的教材，还可作为广大科研人员、学者、工程技术人员的参考用书。
|
| 目錄：
|
第1章 神经网络应用广泛的原因1
1.1 人工神经网络的定义1
1.1.1 神经网络基本概述1
1.1.2 人工神经元的基本特征1
1.1.3 人工神经元的特点与优越性2
1.2 人工神经网络的类型2
1.2.1 单层前向网络3
1.2.2 多层前向网络3
1.2.3 反馈网络4
1.2.4 竞争型神经网络4
1.2.5 深度神经网络4
1.3 人工神经网络的应用5
1.4 神经网络的发展史5
1.4.1 模型提出6
1.4.2 冰河期6
1.4.3 反向传播引起的复兴6
1.4.4 第二次低潮7
1.4.5 深度学习的崛起7
1.5 神经网络学习8
第2章 MATLAB快速入门10
2.1 MATLAB功能及发展10
2.1.1 MATLAB常用功能10
2.1.2 MATLAB的发展11
2.2 MATLAB R2023b集成开发环境 11
2.3 帮助命令12
2.4 MATLAB桌面基础知识14
2.5 MATLAB语言基础15
2.5.1 命令输入15
2.5.2 矩阵和数组16
2.5.3 数据类型30
2.5.4 基本运算35
2.5.5 循环及选择结构38
第3章 感知器分析与应用42
3.1 单层感知器42
3.1.1 单层感知器模型42
3.1.2 单层感知器结构43
3.1.3 创建感知器44
3.1.4 感知器学习规则45
3.1.5 训练46
3.2 感知器的限制50
3.3 离群值和归一化感知器规则50
3.4 感知器工具箱函数50
3.5 感知器的应用53
3.6 多层感知器分析与应用59
第4章 线性神经网络分析与应用63
4.1 线性神经网络与感知器的区别63
4.2 线性神经网络原理63
4.2.1 线性神经网络模型63
4.2.2 线性神经网络结构64
4.2.3 线性滤波器65
4.2.4 自适应线性滤波网络66
4.2.5 学习规则66
4.2.6 网络训练68
4.3 线性神经网络函数70
4.4 线性神经网络的实现77
第5章 BP神经网络分析与应用87
5.1 BP神经网络原理87
5.1.1 BP神经网络模型87
5.1.2 BP神经网络的流程88
5.1.3 BP神经网络的训练91
5.1.4 BP神经网络功能94
5.2 BP神经网络设计94
5.2.1 网络的层数94
5.2.2 隐藏层的神经元数94
5.2.3 初始值的选取95
5.2.4 学习速率95
5.3 BP神经网络函数95
5.4 BP神经网络的应用102
5.4.1 BP神经网络在数据预测中的应用102
5.4.2 BP神经网络在函数逼近中的应用104
5.4.3 BP神经网络的工具箱拟合数据应用107
5.4.4 BP神经网络在语音特征信号识别中的应用115
第6章 RBF神经网络分析与应用121
6.1 RBF神经网络模型121
6.1.1 RBF神经网络的思想122
6.1.2 RBF神经网络的工作原理122
6.2 RBF解决插值问题122
6.2.1 插值概述123
6.2.2 完全内插存在的问题124
6.2.3 正则化理论124
6.2.4 正则化RBF125
6.2.5 广义RBF网络125
6.3 RBF学习算法127
6.4 RBF网络工具箱函数128
6.5 RBF网络的应用131
第7章 反馈神经网络分析与应用142
7.1 静态与反馈网络142
7.2 Elman神经网络145
7.2.1 Elman神经网络特点145
7.2.2 Elman神经网络结构145
7.2.3 Elman神经网络的学习过程145
7.2.4 Elman神经网络的应用146
7.3 离散Hopfield神经网络153
7.3.1 Hopfield神经网络结构154
7.3.2 网络的工作方式156
7.3.3 网络的稳定156
7.3.4 联想记忆156
7.3.5 Hebb学习规则159
7.4 连续Hopfield神经网络160
7.4.1 连续Hopfield神经网络的稳定性160
7.4.2 连续Hopfield神经网络的实现161
第8章 竞争型神经网络分析与应用167
8.1 竞争型神经网络167
8.2 自组织神经网络169
8.2.1 自组织竞争学习170
8.2.2 自组织竞争学习规则170
8.2.3 联想学习规则171
8.2.4 自组织神经网络的原理174
8.2.5 自组织神经网络实现175
8.3 自组织特征映射网络176
8.3.1 拓扑结构176
8.3.2 SOM权值调整177
8.3.3 Kohonen算法步骤177
8.3.4 自组织映射网络的实现178
8.4 使用自组织映射对数据进行聚类 181
8.5 学习向量量化神经网络185
8.5.1 量化的定义186
8.5.2 LVQ神经网络186
8.5.3 LVQ网络算法187
8.5.4 LVQ网络的实现187
8.6 对偶传播神经网络190
8.6.1 网络结构与运行原理190
8.6.2 学习算法191
8.6.3 改进CPN191
8.6.4 CPN实现192
8.7 自适应共振理论网络195
8.7.1 ARTⅠ型网络196
8.7.2 ARTⅠ型网络学习过程197
8.7.3 ARTⅠ型网络的应用198
第9章 神经网络的Simulink应用201
9.1 Simulink神经网络模块201
9.1.1 神经网络模块201
9.1.2 模块的生成208
9.2 基于Simulink的神经网络的控制系统211
9.2.1 神经网络模型预测控制211
9.2.2 反馈线性化控制215
9.2.3 模型参考控制218
第10章 自定义神经网络221
10.1 自定义神经网络概述221
10.1.1 创建网络222
10.1.2 网络的初始化和训练232
10.2 自定义函数235
10.2.1 初始化函数235
10.2.2 学习函数236
10.2.3 仿真函数238
第11章 深度神经网络分析与应用240
11.1 卷积神经网络240
11.1.1 卷积神经网络的结构240
11.1.2 卷积神经网络的训练241
11.1.3 卷积神经网络的算法242
11.1.4 卷积神经网络的实现244
11.2 循环神经网络247
11.2.1 循环神经网络的特点247
11.2.2 循环神经网络的原理248
11.2.3 损失函数248
11.2.4 梯度求解249
11.2.5 循环神经网络的实现250
11.3 长短期记忆网络253
11.3.1 LSTM基本单元结构253
11.3.2 LSTM的应用255
参考文献270
|
| 內容試閱：
|
人工神经网络是一种类似于人类神经系统的信息处理技术，可以视为一种功能强大、应用广泛的机器学习算法。它是人工智能学科的重要组成部分，在很多领域有着不可替代的作用，广泛应用于实现分类、聚类、拟合、预测、压缩等方面。随着科技的不断发展，在传统神经网络基础上发展起来的以深度神经网络为主要代表的深度学习方法在近几年有了非同寻常的表现。
神经网络的发展经历了兴起—低潮—复兴的过程，特别是20世纪80年代后，人工神经网络的发展十分迅速，其中应用最广的是BP神经网络，此外还有径向基网络、自组织网络、反馈网络等其他神经网络形式，分别适用于不同的场合，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果。
神经网络是一种网络模型，它的具体使用必须依赖某种实现方式。部分反馈神经网络可以使用电子电路来实现，但更通用的实现方法是利用计算机编程语言。由MathWorks公司研发的MATLAB商业数学软件在科研和工程实践中获得了广泛的应用，MATLAB编程形式自由、简洁、便捷，可以方便地实现神经网络算法，且MATLAB自带了神经网络工具箱，用户可以直接调用工具箱中的函数，将自己从烦琐的编程中解脱出来，集中精力去思考问题和解决问题。
为了使初学者更加深入地了解神经网络与深度学习的基本原理以及实现方法，本书在MATLAB R2023b平台上进行神经网络分析与应用。书中阐述了各种神经网络模型的基本结构、算法原理以及实现方法，提供了各神经网络在MATLAB软件中的基本实现函数、格式及实例。本书所有实例均在MATLAB R2023b版本上调试运行通过，希望能为广大读者提供帮助。
【本 书 特 色】
本书根据目前市场应用的需要编写，具有以下特色。
1. 软件版本较新，函数较新
MATLAB每年更新两次，神经网络工具箱也随之更新换代，许多旧的函数已经被新的函数替换。已经出版的图书和网上的很多资料都是旧版本的工具箱，本书基于MATLAB R2023b平台编写，介绍了该版本下的神经网络工具箱的使用方法。
2. 内容全面，重点突出，应用广泛
本书内容由浅入深，循序渐进，从最简单的感知器到复杂的自组织竞争网络，最后到深度神经网络等，对它们的原理都进行了全面的介绍，再通过相应的实例来巩固原理及概念，并结合实际对常用的网络进行重点讲解。
3.实例丰富，贴近实际，应用性强
本书在讲解利用MATLAB分析神经网络问题时，精心选择了有代表性的实例，使读者做到学以致用。通过介绍神经网络的应用来启迪读者的应用灵感，进而起到抛砖引玉的作用。同时每章还提供了贴近工程实践的案例，便于读者了解实际应用。书中的源代码、数据集等都可免费、轻松获得。
4.语言通俗，讲解详细，图文并茂
本书在讲解上力求详细，在原理分析上力求通俗易懂，且在一些简单的实例演示中，用MATLAB编程实现了部分简单的神经网络，有利于加深读者对神经网络的理解。为了增加可读性，本书给出了大量的代码及其实际运行生成的效果图，且书中的代码力求完整、注释丰富，使读者一目了然。
【本 书 内 容】
全书共11章，每章的主要内容如下。
第1章 神经网络应用广泛的原因，主要介绍了人工神经网络的定义、人工神经网络的类型、人工神经网络的应用等内容。
第2章 MATLAB快速入门，主要介绍了MATLAB功能及发展、MATLAB R2023b集成开发环境、 MATLAB语言基础等内容。
第3章 感知器分析与应用，主要介绍了单层感知器、感知器的限制、感知器工具箱函数等内容。
第4章 线性神经网络分析与应用，主要介绍了线性神经网络与感知器的区别、线性神经网络原理、线性神经网络函数等内容。
第5章 BP神经网络分析与应用，主要介绍了BP神经网络原理、BP神经网络设计、BP神经网络函数等内容。
第6章 RBF神经网络分析与应用，主要介绍了RBF神经网络模型、RBF解决插值问题、RBF学习算法、RBF网络工具箱函数等内容。
第7章 反馈神经网络分析与应用，主要介绍了静态与反馈网络、Elman神经网络、离散Hopf ield神经网络、连续Hopf ield神经网络等内容。
第8章 竞争型神经网络分析与应用，主要介绍了竞争型神经网络、自组织神经网络、自组织特征映射网络、学习向量量化神经网络等内容。
第9章 神经网络的Simulink应用，主要介绍了Simulink神经网络模块、基于Simulink
的神经网络的控制系统等内容。
第10章 自定义神经网络，主要介绍了自定义神经网络、自定义函数等内容。
第11章 深度神经网络分析与应用，主要介绍了卷积神经网络、循环神经网络、长短时记忆网络等内容。
【配 套 资 源】
本书提供程序代码、教学课件等配套资源，可以在清华大学出版社官方网站本书页面下载，或者扫描封底的“书圈”二维码在公众号下载。
由于时间仓促，加之作者水平有限，书中疏漏之处在所难免。在此，诚恳地期望得到各领域的专家和广大读者的批评指正。
作 者
2024年9月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
