神经网络与深度学习:基于MATLAB的仿真与实现9787302591085

姚舜才中北大学副教授，硕士生导师，美国密歇根科技大学访问学者。目前主要研究神经网络及深度学习在系统数据建模中的应用。多次获得山西省中青年教师教学基本功竞赛奖励，并被评为山西省普通高校师德师风建设先进个人；多次获得山西省高等学校科技进步奖；发表50余篇学术及教学论文，其中EI收录10篇；作为负责人及主要完成人承担多项国家和山西省自然科学基金以及国际合作基金项目；出版教材3部，申请专利3项。

李大威中北大学副教授，硕士生导师。主要研究方向包括模式识别、机器学习等。先后主持或者参与国家自然科学基金项目、山西省自然科学基金项目、横向科研项目10余项，发表SCI/EI论文6篇，参编教材1部，授权发明专利3项。

第一部分 神经网络基础及MATLAB

绪论

第1章神经网络概述

第2章MATLAB基本知识及神经网络工具箱简介

2.1MATLAB基本知识.

2.2 MATLAB神经网络工具箱

2.2.1基于代码的MATLAB神经网络工具箱的应用

2.2.2基于图形界面的MATLAB神经网络工具箱的应用

2.2.3 MATLAB/Simulink中神经网络相关模块的应用

2.2.4MATLAB菜单栏中神经网络相关模块的应用

第二部分经典神经网络

第3章感知机

3.1感知机的基本结构与算法基础

3.1.1单层感知机的基本结构

3.1.2多层感知机的基本结构与算法基础

3.2感知机的MATLAB实现

3.2.1单层感知机的MATLAB仿真实现

3.2.2多层感知机的MATLAB仿真实现

第4章线性神经网络

4.1线性神经网络的基本结构与算法基础

4.1.1线性神经网络基本结构及学习算法

4.1.2最小均方差算法中关于学习率y的讨论

4.1.3线性神经网络的训练

4.2线性神经网络的MATLAB实现

4.2.1线性神经网络在分类问题中的应用

4.2.2线性神经网络在拟合（回归）问题中的应用

4.2.3线性神经网络在信号处理中的应用

4.3关于线性神经网络的几点讨论

第5章BP神经网络

5.1 BP神经网络的基本结构与算法基础

5.1.1 BP神经网络基本结构及学习算法

5.1.2BP神经网络的构建

5.1.3BP神经网络算法问题的改进讨论

5. 2BP神经网络的MATLAB实现

5.2.1BP神经网络在分类问题中的应用

5.2.2BP神经网络在拟合（回归）问题中的应用

5.2.3BP神经网络在信号处理中的应用

5.3关于BP神经网络的几点讨论

第6章径向基神经网络

6.1径向基神经网络的基本结构与算法基础

6.1.1径向基神经网络基本结构及学习算法

6.1.2径向基神经网络在拟合问题中的应用分析

6.1.3径向基神经网络在分类问题中的应用分析

6.2 径向基神经网络的MATLAB实现

6.2.1径向基神经网络在拟合（回归）问题中的应用

6.2.2径向基神经网络在分类问题中的应用

6.2.3径向基神经网络在数据预测中的应用

6.3关于径向基神经网络的几点讨论

第7章Hopfield 神经网络

7.1Hopfield神经网络的基本结构与算法基础

7.1.1离散型Hopfield神经网络

7.1.2连续型Hopfield神经网络

7.1.3 Hopfield神经网络的几个问题

7.2 Hopfield神经网络的MATLAB实现

7.3关于Hopfield神经网络的几点讨论

第8章 SOM神经网络

8.1SOM神经网络的基本结构与算法基础

8.1.1SOM神经网络的运行原理

8.1.2SOM神经网络基本结构及学习算法

8.1.3SOM神经网络的训练

8.1.4SOM神经网络的设计

8.2 SOM神经网络的MATLAB实现

8.2.1二维SOM神经网络识别分类

8.2.2SOM神经网络在故障诊断中的应用

8.2.3SOM神经网络的工具箱实现

8.3关于SOM神经网络的几点讨论

第9章 概率神经网络

9.1概率神经网络的基本结构与算法基础

9.1.1概率神经网络的理论基础

9.1.2概率神经网络的结构模型

9.1.3概率神经网络的训练…”

9.1.4概率神经网络模式分类学习算法

9.2概率神经网络的MATLAB实现

9.2.1基于PNN的鸢尾花分类

9.2.2变压器故障诊断

9.2.3概率神经网络的工具箱实现

9.2.4 PNN中参数spread对分类的影响

第三部分深度学习神经网络

第10章深度信念网络

10.1玻耳兹曼机基本结构及学习

10.1.1玻耳兹曼机的基本结构

10.1.2玻耳兹曼机的训练方法

10.2深度信念网络的基本结构

10.3深度信念网络的MATLAB实现

10.3.1数据集

10.3.2DeeBNet工具箱实现

10.3.3MATLAB2019深度学习工具箱的实现案例

第11章自编码器

11.1自编码器的基本结构与算法基础

11.1.1自编码器的基本结构

11.1.2自编码器的学习算法

11.2自编码器的MATLAB实现

11.2.1堆栈自编码器的实现案例1

11.2.2降噪堆栈自编码的实现

11.2.3堆栈自编码器的实现案例2

第12章卷积神经网络

12.1卷积神经网络的基本结构与算法基础

12.1.1卷积神经网络的特点

12.1.2卷积神经网络的训练

12.1.3常见的卷积神经网络结构

12.2卷积神经网络的实现

12.2.1卷积神经网络的实现1

12.2.2卷积神经网络的实现2

12.2.3MATLAB2019b深度学习工具箱

12.2.4MATLAB2019b深层网络设计器的实现

第13章生成对抗网络（GAN）

13.1GAN的起源与发展

13.1.1GAN的起源

13.1.2GAN的发展

13.1.3GAN的特点

13.2GAN的结构与原理

13.2.1GAN的基本结构

13.2.2GAN的训练过程

13.2.3GAN的改进模型

13.2.4GAN的应用

13.3GAN的MATLAB实现

13.3.1GAN的MATLAB实现1

13.3.2GAN的MATLAB实现2

13.3.3GAN的MATLAB实现3

第14章循环神经网络

14.1循环神经网络的结构与算法基础

14.1.1普通的循环神经网络的结构和算法

14.1.2长短时记忆网络的结构和算法

14.2 LSTM网络的MATLAB实现

14.2.1LSTM网络语音序列数据分类

14.2.2LSTM网络时序数据预测

参考文献

本书是一部讲述基于MATLAB仿真实现经典神经网络及深度学习的入门及参考书籍(含纸质图书、电子书、源代码)。全书共分为两篇：第一篇经典神经网络(第1章-第9章)，介绍了经典神经网络的基本原理，结构以及MATLAB的仿真实现。这些经典神经网络包括感知机、线性神经网络、BP神经网络、径向基神经网络、Hopfield 神经网络、SOM神经网络、概率神经网络；第二篇主要讲述深度学习的基本内容(第10章-第14章)主要介绍了深度学习神经网络的内容，包括深度信念网络、自编码器、深度卷积神经网络、生成对抗网络、深度循环神经网络。在每章中对各种神经网络的基本结构和运行方式做出了介绍，给出了神经网络的Matlab仿真实现的例程及代码。为便于读者高效学习，掌握神经网络及深度学习的Matlab仿真实现。本书作者提供了书中例程的源代码及相应的数据集。