Книги на русском языке:

49. Беркинблит М. Б. Нейронные сети. М.: МИРОС, 1993.

50. Уоссерман Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

51. Мишулина О. А., Лабинская А. А., Щербинина М. В. Лабораторный практикум по курсу "Введение в теорию нейронных сетей". М.: МИФИ, 2000. 204 с.

52. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. М.: ИПРЖРБ, 2000. 272 с.

53. Тихонов А. Н. О решении некорректно поставленных задач и методе регуляри­зации// Доклады АН СССР. Т.151, № 3. 1963.

54. Лазарев Ю. Ф. MatLAB 5.x. Киев: Издат. группа BHV, 2000. 384 с.

55. Гультяев А. К. Визуальное моделирование в среде MATLAB: Учеб. курс. СПб: Питер, 2000. 432 с.

56. Потемкин В. Г. Инструментальные средства MATLAB 5.х. М.: Диалог-МИФИ, 2000. 336 с.

57. Медведев В. С., Потемкин В. Г. Control System Toolbox. MATLAB 5 для студентов. /Под общ. ред. В.Г.  Потемкина. М.:Диалог-МИФИ, 1999. 287 с. (Пакеты прикладных программ; Кн. 1).

58. Рудаков П. И., Сафонов И. В. Обработка сигналов и изображений. MATLAB 5.x /Под общ. ред. В.Г.  Потемкина. М.:Диалог-МИФИ, 1999. 287 с. (Пакеты прикладных программ; Кн. 2).

59. Лавров К. Н., Цыплякова Т. П. Финансовая аналитика. MATLAB 6 /Под общ. ред. В. Г. Потемкина. М.: Диалог-МИФИ, 2001. 363 с. (Пакеты прикладных программ; Кн. 3).

60. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 416 с.

61. Галушкин А.И. Нейрокомпьютеры. М.: ИПРЖР, 2000. 532 с.

Оглавление

ПРЕДИСЛОВИЕ 3

Введение 5

Часть 1. Ппп Neural Network Toolbox 9

1. Система matlab 6 9

1.1. Операционная среда MATLAB 6 9

1.2. GUI-интерфейс для ППП NNT 17

1.3. Демонстрационные примеры ППП NNT 31

2. Модель нейрона и архитектура сети 33

2.1. Модель нейрона 33

2.1.1. Простой нейрон 33

2.1.2. Функция активации 34

2.1.3. Нейрон с векторным входом 35

2.2. Архитектура нейронных сетей 36

2.2.1. Однослойные сети 36

2.2.2. Многослойные сети 38

2.2.3. Сети с прямой передачей сигнала 41

2.3. Создание, инициализация и моделирование сети 42

3. Обучение нейронных сетей 47

3.1. Процедуры адаптации и обучения 47

3.1.1. Способы адаптации и обучения 52

3.2. Методы обучения 61

3.2.1. Обучение однослойной сети 61

3.2.2. Обучение многослойной сети 62

3.3. Алгоритмы обучения 66

3.3.1. Градиентные алгоритмы обучения 67

3.3.2. Алгоритмы метода сопряженных градиентов 75

3.3.3. Квазиньютоновы алгоритмы 81

3.3.4. Алгоритмы одномерного поиска 86

3.3.5. Расширение возможностей процедур обучения 88

4. Персептроны 102

4.1. Архитектура персептрона 103

4.2. Модель персептрона 104

4.3. Процедуры настройки параметров 107

5. Линейные сети 115

5.1. Архитектура линейной сети 116

5.2. Создание модели линейной сети 117

5.3. Обучение линейной сети 118

5.4. Применение линейных сетей 122

6. Радиальные базисные сети 131

6.1. Сети GRNN 140

6.2. Сети PNN 144

7. Сети кластеризации и классификации данных 147

7.1. Самоорганизующиеся нейронные сети 147

7.1.1. Слой Кохонена 148

7.1.2. Карта Кохонена 155

7.2. LVQ-сети 167

8. Рекуррентные сети 175

8.1. Сети Элмана 175

8.2. Сети Хопфилда 181

9. Применение нейронных сетей 188

9.1. Аппроксимация и фильтрация сигналов 188

9.1.1. Предсказание стационарного сигнала 188

9.1.2. Слежение за нестационарным сигналом 192

9.1.3. Моделирование стационарного фильтра 194

9.1.4. Моделирование нестационарного фильтра 197

9.2. Распознавание образов 199

9.3. Нейронные сети и системы управления 204

9.3.1. Регулятор с предсказанием 204

9.3.2. Регулятор NARMA-L2 204

9.3.3. Регулятор на основе эталонной модели 204