第1篇 入门篇
第1章 神经网络概述（ 教学视频：10分钟）/2
1.1 人工神经网络简介/2
1.2 神经网络的特点及应用/3
1.2.1 神经网络的特点/3
1.2.2 神经网络的应用/4
1.3 人工神经网络的发展历史/5
1.4 神经网络模型/7
1.5 神经网络的学习方式/9
第2章 MATLAB快速入门（ 教学视频：48分钟）/10
2.1 MATLAB功能及历史/10
2.1.1 MATLAB的功能和特点/10
2.1.2 MATLAB发展历史/12
2.2 MATLAB R2011b集成开发环境/13
2.2.1 MATLAB的安装/13
2.2.2 MATLAB集成开发环境/19
2.2.3 搜索路径设定/21
2.3 MATLAB语言基础/24
2.3.1 标识符与数组/24
2.3.2 数据类型/28
2.3.3 运算符/34
2.3.4 流程控制/37
2.3.5 M文件/41
第3章 MATLAB函数与神经网络工具箱（ 教学视频：62分钟）/45
3.1 MATLAB常用命令/45
3.2 矩阵生成和基本运算/52
3.2.1 zeros 生成全零矩阵/52
3.2.2 ones 生成全1矩阵/53
3.2.3 magic 生成魔方矩阵/53
3.2.4 eye 生成单位矩阵/54
3.2.5 rand 生成均匀分布随机数/54
3.2.6 randn 生成正态分布随机数/55
3.2.7 linspace 产生线性等分向量/56
3.2.8 logspace 产生对数等分向量/57
3.2.9 randperm 生成随机整数排列/58
3.2.10 randi 生成整数随机数/59
3.2.11 range 向量的最大/最小值之差/60
3.2.12 minmax求最大/最小值/60
3.2.13 min/max/mean求最大/最小值/61
3.2.14 size/length/numel/ndims 矩阵维度相关/62
3.2.15 sum/prod 求和或积/64
3.2.16 var/std 求方差与标准差/66
3.2.17 diag 生成对角矩阵/68
3.2.18 repmat 矩阵复制和平铺/69
3.2.19 reshape 矩阵变维/70
3.2.20 inv/pinv 矩阵求逆/求伪逆/71
3.2.21 rank/det 求矩阵的秩/行列式/73
3.2.22 eig 矩阵的特征值分解/73
3.2.23 svd 矩阵的奇异值分解/74
3.2.24 trace 求矩阵的迹/75
3.2.25 norm 求向量或矩阵的范数/76
3.3 数学函数/78
3.3.1 abs 求绝对值/78
3.3.2 exp/log 指数函数/对数函数/79
3.3.3 log10/log2 常用对数/以2为底的对数/79
3.3.4 fix/round/ceil/floor 取整函数/81
3.3.5 mod/rem 取模数/余数/81
3.4 图形相关函数/82
3.4.1 plot 绘制二维图像/82
3.4.2 坐标轴设置函数/83
3.4.3 subplot 同一窗口分区绘图/88
3.4.4 figure/hold 创建窗口/图形保持/88
3.4.5 semilogx/semilogy 单对数坐标图/89
3.4.6 contour/ clabel曲面等高线/等高线标签/90
3.4.7 gcf/gca/gco 返回当前图形/坐标/对象句柄/91
3.4.8 mesh 绘制三维网格图/92
3.5 神经网络工具箱/92
3.5.1 工具箱函数基本介绍/93
3.5.2 神经网络对象与属性/95
第2篇 原理篇
第4章 单层感知器（ 教学视频：27分钟）/104
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——平均绝对误差性能函数/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）/129
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——线性传输函数/138
5.5.4 learnwh——LMS学习函数/138
5.5.5 maxlinlr——计算最大学习率/141
5.5.6 mse——均方误差性能函数/142
5.5.7 linearlayer——构造线性层的函数/143
5.6 线性神经网络应用实例/144
5.6.1 实现二值逻辑——与/144
5.6.2 实现二值逻辑——异或/151
第6章 BP神经网络（ 教学视频：49分钟）/156
6.1 BP神经网络的结构/156
6.2 BP网络的学习算法/158
6.2.1 最速下降法/158
6.2.2 最速下降BP法/159
6.2.3 串行和批量训练方式/162
6.2.4 最速下降BP法的改进/163
6.3 设计BP网络的方法/164
6.4 BP神经网络的局限性/166
6.5 BP网络相关函数详解/166
6.5.1 logsig——Log-Sigmoid传输函数/167
6.5.2 tansig——Tan-Sigmoid传输函数/168
6.5.3 newff——创建一个BP网络/169
6.5.4 feedforwardnet——创建一个BP网络/172
6.5.5 newcf——级联的前向神经网络/173
6.5.6 cascadeforwardnet——新版级联前向网络/174
6.5.7 newfftd——前馈输入延迟的BP网络/175
6.5.8 dlogsig/dtansig——Sigmoid函数的导数/176
6.6 BP神经网络应用实例/177
6.6.1 基于BP网络的性别识别/177
6.6.2 实现二值逻辑——异或/191
第7章 径向基函数网络（ 教学视频：62分钟）/196
7.1 径向基神经网络的两种结构/196
7.1.1 径向基函数/196
7.1.2 正则化网络/198
7.1.3 广义网络/199
7.2 径向基神经网络的学习算法/200
7.2.1 随机选取固定中心/200
7.2.2 自组织选取中心/201
7.2.3 有监督选取中心/202
7.2.4 正交最小二乘法/203
7.3 径向基神经网络与多层感知器的比较/204
7.4 概率神经网络/205
7.4.1 模式分类的贝叶斯决策理论/205
7.4.2 概率神经网络的结构/206
7.4.3 概率神经网络的优点/207
7.5 广义回归神经网络/208
7.5.1 广义回归神经网络的理论基础/208
7.5.2 广义回归神经网络的结构/209
7.6 径向基神经网络相关函数详解/210
7.6.1 newrb——设计一个径向基函数网络/210
7.6.2 newrbe——设计一个严格的径向基网络/212
7.6.3 radbas——径向基函数/213
7.6.4 dist——欧几里得距离权函数/215
7.6.5 netprod——乘积网络输入函数/215
7.6.6 dotprod——内积权函数/216
7.6.7 netsum——求和网络输入函数/217
7.6.8 newpnn——设计概率神经网络/217
7.6.9 compet——竞争性传输函数/218
7.6.10 ind2vec/vec2ind——向量-下标转换函数/220
7.6.11 newgrnn——设计广义回归神经网络/220
7.6.12 normprod——归一化点积权函数/221
7.7 径向基网络应用实例/222
7.7.1 异或问题/222
7.7.2 RBF网络曲线拟合/227
7.7.3 GRNN网络曲线拟合/234
7.7.4 PNN网络用于坐标点分类/237
第8章 自组织竞争神经网络（ 教学视频：52分钟）/243
8.1 竞争神经网络/243
8.2 竞争神经网络的学习算法/243
8.2.1 Kohonen学习规则/244
8.2.2 阈值学习规则/245
8.3 自组织特征映射网络/246
8.4 SOM的学习算法/247
8.5 学习矢量量化网络/249
8.5.1 LVQ1学习规则/250
8.5.2 LVQ2规则/250
8.6 自组织竞争网络相关函数详解/251
8.6.1 gridtop——网格拓扑函数/251
8.6.2 hextop——六边形拓扑函数/252
8.6.3 randtop——随机拓扑结构函数/253
8.6.4 tritop——三角拓扑函数/253
8.6.5 dist、boxdist、linkdist、mandist——距离函数/255
8.6.6 newc——竞争网络/258
8.6.7 competlayer——新版竞争网络函数/260
8.6.8 newsom——自组织特征映射网络/261
8.6.9 selforgmap——新版自组织映射网络函数/262
8.6.10 newlvq——学习矢量量化网络/265
8.6.11 lvqnet——新版学习矢量量化网络函数/267
8.6.12 mapminmax——归一化函数/268
8.7 自组织竞争神经网络应用实例/269
8.7.1 坐标点的分类（竞争神经网络）/269
8.7.2 坐标点的分类（自组织映射网络）/275
第9章 反馈神经网络（ 教学视频：51分钟）/278
9.1 离散Hopfield神经网络/278
9.1.1 Hopfield网络的结构/278
9.1.2 Hopfield网络的稳定性/279
9.1.3 设计离散Hopfield网络/282
9.2 连续Hopfield神经网络/284
9.3 Elman神经网络/285
9.4 盒中脑模型/286
9.5 反馈神经网络相关函数详解/288
9.5.1 newhop——生成一个离散Hopfield网络/289
9.5.2 satlin——饱和线性传递函数/290
9.5.3 satlins——对称饱和线性传递函数/291
9.5.4 nnt2hop——更新Hopfield网络/291
9.5.5 newelm——创建Elman反馈网络/292
9.5.6 elmannet——创建Elman反馈网络（新版本）/294
9.6 反馈神经网络应用实例/296
9.6.1 二维平面上的联想记忆网络/296
9.6.2 Elman股价预测/303
第10章 随机神经网络（ 教学视频：40分钟）/308
10.1 模拟退火算法/308
10.1.1 模拟退火算法的引出/308
10.1.2 退火算法的参数控制/310
10.2 Boltzmann机/311
10.2.1 Boltzmann机基本原理/312
10.2.2 Boltzmann机的学习规则/314
10.2.3 Boltzmann机的运行步骤/316
10.3 Sigmoid置信度网络/316
10.4 MATLAB模拟退火算法工具/317
10.4.1 MATLAB优化工具箱/318
10.4.2 模拟退火算法相关函数/322
10.5 模拟退火算法求解TSP问题/327
第11章 用GUI设计神经网络（ 教学视频：56分钟）/334
11.1 神经网络工具（nntool）/334
11.1.1 nntool界面介绍/334
11.1.2 使用nntool建立神经网络/337
11.2 神经网络分类/聚类工具（nctool）/340
11.3 神经网络拟合工具（nftool）/348
11.4 神经网络模式识别工具（nprtool）/353
11.5 神经网络时间序列工具（ntstool）/359
11.6 nntraintool与view/365
第3篇 实战篇
第12章 Simulink/368
12.1 Simulink中的神经网络模块/368
12.2 用gensim生成模块/371
12.2.1 相关函数介绍/371
12.2.2 gensim使用实例/374
第13章 神经网络应用实例（ 教学视频：96分钟）/377
13.1 BP神经网络实现图像压缩/377
13.1.1 问题背景/377
13.1.2 神经网络建模/378
13.1.3 神经网络压缩的实现/380
13.2 Elman网络预测上证股市开盘价/387
13.2.1 问题背景/387
13.2.2 神经网络建模/387
13.2.3 Elman网络预测股价的实现/388
13.3 径向基网络预测地下水位/395
13.3.1 问题背景/395
13.3.2 神经网络建模/395
13.3.3 径向基网络预测的实现/397
13.4 基于BP网络的个人信贷信用评估/402
13.4.1 问题背景/402
13.4.2 神经网络建模/402
13.4.3 个人信贷信用评估的实现/404
13.5 基于概率神经网络的手写体数字识别/411
13.5.1 问题背景/411
13.5.2 神经网络建模/412
13.5.3 手写体数字识别的实现/414
13.6 基于概率神经网络的柴油机故障诊断/420
13.6.1 问题背景/420
13.6.2 神经网络建模/421
13.6.3 柴油机故障诊断的实现/422
13.7 基于自组织特征映射网络的亚洲足球水平聚类/425
13.7.1 问题背景/426
13.7.2 神经网络建模/426
13.7.3 足球水平聚类的实现/428