MATLAB R2016a神经网络设计与应用28个案例分析（精通MATLAB）下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页

方清城著

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书大百科

book.teaonline.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-12-23

类似图书点击查看全场最低价

图书介绍

出版社：清华大学出版社

ISBN：9787302477884

版次：1

商品编码：12309246

包装：平装

开本：16开

出版时间：2017-12-01

用纸：胶版纸

页数：437

字数：689000

正文语种：中文

图书描述

产品特色

编辑推荐

本书是“精通MATLAB”丛书之一，以MATLAB R2016a为平台编写，通过28个案例介绍MATLAB在神经网络中的应用，应用性强，实用价值高。本书提供所有程序源代码。“精通MATLAB”相关书目如下：
（1）MATLAB 8.X实战指南
（2）数字图像处理高级应用——基于MATLAB和CUDA的实现（第2版）
（3）MATLAB通信系统建模与仿真
（4）MATLAB R2015a数字图像处理
（5）MATLAB R2015b数学建模
（6）MATLAB R2015a小波分析
（7）MATLAB R2015b神经网络技术
（8）MATLAB R2015b*优化计算
（9）MATLAB R2015b概率与数理统计
（10）MATLAB R2015b数值计算方法
（11）MATLAB R2016a智能计算25个案例分析
（12）MATLAB R2016a在电子信息工程中仿真案例分析
（13）MATLAB R2016a神经网络设计与应用28个案例分析

内容简介

本书以MATLAB R2016a为平台编写。全书共分28个案例，主要介绍神经网络工具箱函数、前向型神经网络、反馈型神经网络、竞争型神经网络、神经网络的控制系统预测及诊断、神经网络图形用户接口、神经网络的Simulink、自定义神经网络等内容，可使读者全面了解MATLAB在神经网络中的应用。
本书可以作为广大科研人员、学者、工程技术人员的参考用书，也可以作为高等理工科院校电子信息、通信工程及自动控制等学科的本科生与研究生的学习用书。

精彩书摘

第5章预测控制算法分析与实现

在神经网络工具箱中，神经网络模型预测控制器应用非线性神经网络模型预测系统未来性能，然后控制器计算控制输入，在指定的时间内，控制输入使得系统性能最优。模型预测的第一步是要建立一个神经网络系统模型(系统辨识)；第二步是控制器应用此系统模型来预测系统未来性能。
神经网络模型预测控制有如下特点：
(1) 控制器应用神经网络模型可以预测系统对所有可能控制信号的反应。
(2) 选择一种优化算法计算控制信号，使得系统未来性能最优。
(3) 神经网络系统模型的训练是离线的，训练方法可以选择前面介绍的任何一种批处理方式的算法。
(4) 为了计算每一个采样步长下的最优控制输入，需要大量的在线计算数据。
5.1系统辨识
模型预测的第一步是训练神经网络，从而模拟系统的动力学特性。系统输出与神经网络输出之间的预测误差，用来作为神经网络的训练信号，该过程如图5��1所示。

图5��1神经网络训练过程

神经网络状态应用当前输入和当前系统输出来预测未来的系统输出，其系统模型结构如图5��2所示。

图5��2神经网络模型结构

该网络用批处理方式进行离线训练，训练样本采用系统运行数据。训练方法选用前面介绍过的任一种算法。
5.2自校正控制
自校正控制(Self�睺uning Control，STC)是不同于模型参考自适应控制的另一类自适应控制，也是应用最为广泛的一类自适应控制方法。它的基本思想是：将参数估计递推算法与不同类型的控制算法结合起来，形成一个能自动校正控制器参数的实时计算机控制系统。
下面主要介绍几种常用的自校正控制。
5.2.1单步输出预测
设系统采用如下数学模型

A(z-1)y(k)=z-dB(z-1)u(k)+C(z-1)ξ(k)(5��1)

式中，C(z-1)为Hurwitz多项式，即其零点完全位于Z平面的单位圆内； u(k)和y(k)表示系统的输入和输出； ξ(k)为方差为σ2的白噪声，d≥1为纯延时，且

A(z-1)=1+a1z-1+a2z-2+…+anaz-na
B(z-1)=1+b1z-1+b2z-2+…+bnbz-nb,b0≠0
C(z-1)=1+c1z-1+c2z-2+…+cncz-nc

式(5��1)基于k时刻和以前时刻的输入/输出数据记为

{Yk,Uk}={y(k),y(k-1),…,u(k),u(k-1),…}

基于{Yk,Uk}对k+d时刻输出的预测，记为

y^(k+d|k)

输出预测误差记为

y～(k+d|k)=y(k+d)-y^(k+d|k)

则关于提前d步最小方差预测输出可由以下定理给出。
定理5��1(最优d步预测输出)
使用如下性能指标(即预测误差的方差)

E{y～2(k+d|k)}

为最小的d步最优预测输出y*(k+d|k)必满足方程

C(z-1)y*(k+d|k)=C(z-1)y(k)+F(z-1)u(k)(5��2)

式中

C(z-1)=A(z-1)E(z-1)+z-dG(z-1)

F(z-1)=B(z-1)E(z-1)

前言/序言

前言

人工神经网络(Artificial Neural Network，ANN)也简称为神经网络(NN)或连接模型(Connectionist Model)，是对人脑或自然神经网络(Natural Neural Network)若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家、第一家神经计算机公司的创立者Hecht Nielsen给人工神经网络下的定义是： “人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理。”这一定义是恰当的。
目前神经网络研究方法已形成多个流派，最富有成果的研究工作包括多层网络BP算法、Hopfield网络模型、自适应共振理论、自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。
MATLAB中所搭配的Neural Network Toolbox，将神经网络领域研究的成果完整覆盖，它以人工神经网络理论为基础，用MATLAB语言构造出典型神经网络的激活函数，如S型、线性、竞争层、饱和线性等激活函数，使设计者对所选定网络输出的计算变成对激活函数的调用。另外，根据各种典型的修正网络权值的规则，加上网络的训练过程，用MATLAB编写出各种网络设计与训练的子程序，网络的设计者则可以根据自己的需要去调用工具箱中有关神经网 MATLAB R2016a神经网络设计与应用28个案例分析（精通MATLAB）下载 mobi epub pdf txt 电子书格式