本书以神经网络模型结构的形式分类，逐一介绍了各种神经网络，并就每种神经网络的网络模型结构、学习规则、网络设计、训练、仿真言简意赅地加以描述，但同时又兼顾了神经网络应用普及情况，对某些网络加重了讲解力度。本书在对神经网络基础理论描述、神经网络工具箱函数介绍的同时，提供了许多实例，使得读者在边学边练的过程中潜移默化地加深理解，给读者提供正确的、形象的参照样本，减少了读者对于新知识的不确定感。

Matlab语言是MathWorks公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空问。它附带有30多个工具箱，神经网络工具箱就是其中之一。

本书是在Matlab 7.2的神经网络工具箱v5.2基础上编写的，在M-book数据图形文字环境下以图文并茂的形式循序渐近地介绍了Matlab神经网络工具箱的原理和应用。全书共11章，首先就各类型神经网络的结构模型、设计、训练等加以描述，并辅以大量的应用实例演示，然后介绍了神经网络图形用户界面，以及如何在Simulink环境下进行网络设计，最后提供了自定义神经网络的方法。

本书内容广泛，实例丰富，可作为高等学校计算机、电子工程、控制工程、应用力学、信息科学、数学、机械工程等专业师生的参考资料，也可作为从事这些领域工作的广大科技人员的参考用书。

第1章 神经网络概述

 1.1 Matlab 7.2语言简介

1.1.1 Manab的产生背景及主要产品

1.1.2 Matlab的语言特点

1.1.3 Matlab 7.2的新特点

 1.2 神经网络的发展和应用

1.2.1 神经网络的发展

1.2.2 神经网络的研究内容

1.2.3 神经网络的应用

 1.3 神经网络模型

1.3.1 生物神经元模型

1.3.2 神经元模型

1.3.3 神经元网络模型

 1.4 神经网络工具箱概述

第2章　感知器

 2.1　感知器神经网络模型结构

2.1.1　神经元模型

2.1.2 网络结构

 2.2　感知器神经网络的构建

2.2.1 生成网络

2.2.2　网络仿真

2.2.3　网络初始化

 2.3　感知器神经网络的学习和训练

2.3.1　学习规则

2.3.2　网络训练

 2.4　感知器网络的局限性

2.4.1　标准化感知器学习规则

2.4.2 多层感知器

 2.5　感知器网络设计实例

2.5.1　二输入感知器分类问题

2.5.2　输入奇异样本对网络训练的影响

2.5.3　线性不可分输入量

第3章　线性神经网络

 3.1　线性神经网络模型结构

3.1.1　神经元模型

3.1.2 网络结构

 3.2　线性神经网络的构建

3.2.1　生成线性神经元

3.2.2　线性系统设计

3.2.3　线性滤波器

 3.3　线性神经网络的学习和训练

3.3.1 均方误差

3.3.2　LMS算法

3.3.3 网络训练

 3.4　线性网络的局限性

3.4.1 超定系统

3.4.2　不定系统

3.4.3　线性相关向量

3.4.4　学习速率过大

 3.5　线性神经网络应用实例分析

3.5.1　应用线性网络进行预测

3.5.2 自适应预测

3.5.3　线性系统辨识

3.5.4 自适应系统辨识

第4章　BP网络

 4.1　BP网络模型结构

4.1.1　神经元模型

4.1.2　前馈型神经网络结构

 4.2　BP神经网络的构建

 4.3　BP神经网络的训练

4.3.1 BP算法

4.3.2　BP网络批处理训练模式

 4.4　BP网络的局限性

 4.5　BP网络应用实例分析

4.5.1 函数逼近

4.5.2　胆固醇含量估计

4.5.3　模式识别

第5章　径向基函数网络

 5.1　径向基函数网络模型

5.1.1 径向基函数神经元模型

5.1.2　径向基函数网络的结构

5.1.3 径向基函数网络的工作原理

 5.2径向基函数网络的构建

5.2.1 径向基函数网络的严格设计

5.2.2　更有效的径向基函数网络的设计

 5.3　广义回归神经网络

5.3.1 GRNN网络结构

5.3.2 GRNN网络的工作原理

5.3.3 GRNN网络设计

 5.4 概率神经网络

5.4.1 PNN网络结构

5.4.2 PNN网络的工作原理

5.4.3　概率神经网络的设计

 5.5　径向基函数网络的应用实例

5.5.1 函数逼近

5.5.2　散布常数对径向基函数网络设计的影响

5.5.3 应用GRNN进行函数逼近

5.5.4 应用PNN进行变量分类

第6章　反馈型神经网络

 6.1 Hopfield网络

6.1.1 离散Hopfield网络(DHNN)

6.1.2 连续Hopfield网络(CHNN)

6.1.3 Hopfield网络模型结构

6.1.4 Hopfield网络的设计

 6.2 Elman神经网络

6.2.1 构建Elman网络

6.2.2 网络仿真

6.2.3　Elman神经网络训练

 6.3 反馈网络应用实例分析

6.3.1 二神经元的Hopfield神经网络设计

6.3.2 Hopfield网络的不稳定性

6.3.3 三神经元的Hopfield神经网络设计

6.3.4 应用Elman网络进行振幅检测

第7章　竞争型神经网络

 7.1 自组织竞争神经网络

7.1.1　几种联想学习规则

7.1.2 自组织竞争神经网络的结构

7.1.3 自组织竞争神经网络的设计

 7.2　自组织特征映射神经网络

7.2.1 SOFM网络模型

7.2.2　SOFM网络结构

7.2.3　SOFM的构建

7.2.4　SOFM网络的训练

 7.3　学习向量量化神经网络

7.3.1 LVQ网络结构

7.3.2 LVQ网络建立

7.3.3 LVQ网络学习和训练

 7.4实例分析

7.4.1 自组织竞争网络在模式分类中的应用

7.4.2　一维自组织特征映射网络设计

7.4.3 二维自组织特征映射网络设计

7.4.4 LVQ模式分类网络设计

第8章 神经网络控制系统

 8.1 神经网络模型预测控制

8.1.1 系统辨识

8.1.2 预测控制

8.1.3 神经网络模型预测控制器实例分析

 8.2 NARMA-L2(反馈线性化)控制

8.2.1 NARMA-L2模型辨识

8.2.2 NARMA-L2控制器

8.2.3 NARMA-L2控制器实例分析

 8.3 模型参考控制

8.3.1 模型参考控制理论

8.3.2 模型参考控制实例分析

第9章 图形用户界面

 9.1 网络的创建

9.1.1 设置输入和期望输出

9.1.2 网络生成

 9.2 网络的训练仿真

9.2.1 网络训练

9.2.2 网络仿真

 9.3 GUI的数据处理

9.3.1 GUI导出数据到Matlab工作空间

9.3.2 GUI的数据清除

9.3.3 GUI从Matlab工作空间导入数据

9.3.4 GUI数据文件的存取

第10章 Simulink

 10.1 Simulink交互式仿真集成环境

10.1.1 Simulink模型的创建

10.1.2 Simulink仿真

10.1.3 Simulink简单实例演示

 10.2 Simulink神经网络模块

10.2.1　传递函数模块

10.2.2　网络输入模块

10.2.3　权值设置模块

10.2.4　控制系统模块

 10.3 神经网络Simulink模型设计

10.3.1　模型构建

10.3.2　模型仿真

10.3.3　进一步试验

第11章 自定义神经网络

 11.1 自定义网络

11.1.1　定制网络

11.1.2　网络设计

11.1.3　网络训练

 11.2　自定义函数

11.2.1　仿真函数

11.2.2　初始化函数

11.2.3 学习函数

11.2.4 自组织映射函数

附录 神经网络工具箱函数

参考文献