کتاب شبکه های عصبی در MATLAB نوشته سید مصطفی کیا

فهرست مطالب کتاب شبکه های عصبی در MATLAB

فصل اول: آشنايي با نرم افزار MATLAB 

• نگاهي به محيط عملياتي MATLAB
• ميز كار MATLAB
• چينش ميزكار
• كليد Start
• پنجرة دستور
• پنجرة تاريخچه دستور
• استفاده از مرورگر راهنماي MATLAB
• جستجوي اسناد و Demoها
• مرورگر فضاي كاري
• ويرايشگر متغيرها
• مديريت فايلها در MATLAB
• استفاده از مرورگر پوشة جاري براي مديريت فايل ها
• ويرايشگرM-File
• يافتن خطاها با استفاده از M-Lint
• بهبود كارآيي كد با استفاده Profiler
• ماتريسها و آرایه ها در MATLAB
• ايجاد يك ماتريس در MATLAB
• عملگر کولون
• تابع magic
• عبارات رياضي
• كار با ماتريس ها
• ماتريس ها و جبر خطي
• آرايه ها
• داده هاي چند مقداري
• بسط عددي
• انديس هاي منطقي
• تابع Find
• كنترل ورودي و خروجي خط فرمان
• کنترل جریان در MATLAB
• دستورات elseif ,else ,if
• دستور switch-case
• دستور for
• دستور while
• دستور Continue
• دستور break
• دستورtry-catch
• دستور return
• ساختارهاي داده اي
• آرايه هاي چند بعدي
• آرايه هاي سلولي
• كاراكترها و متن ها
• ساختارها
• اسكريپت ها و توابع
• انواع توابع
• متغيرهاي سراسري
• ارسال رشته ها به توابع
• تابع eval
• مربوط به توابع Handle
• توابعي كه برروي توابع ديگر عمل مي‌كنند
• بردارسازي
• پيش تخصيص حافظه

فصل دوم: آشنایی با شبكه هاي عصبي

• الهام از طبيعت
• علائم فني مورد استفاده در اين كتاب
• نوشتار مورد استفاده در رياضيات
• كتب مرجع شبكه هاي عصبي
• كاربردهاي شبكه هاي عصبي
• برازش توابع
• تعريف مسئله
• استفاده از توابع خط فرمان
• استفاده از رابط گرافيكي برازش توابع nftool) )
• تشخيص الگوها
• تعريف مسئله
• استفاده از توابع خط فرمان
• استفاده از رابط گرافيكي تشخيص الگو
• كالسترينگ داده ها
• تعريف مسئله
• استفاده از توابع خط فرمان
• استفاده از رابط گرافيكي كالسترینگ

فصل سوم: آشنایی با مدل نورون و معماری

• نورون با يك ورودي عددی
• توابع انتقال
• نورون با يك بردار به عنوان ورودي
• معماري شبكه­ هاي عصبي
• ورودي­ ها و لايه­ ها
• شبكه هاي چند لايه
• ساختمان داده ­های مورد استفاده
• شبيه سازي با ورودي­ هاي هم زمان در يك شبكه ايستا
• شبيه­ سازي با ورودي ­هاي ترتيبي در يك شبكه پويا
• شبيه سازي ورودي ­هاي همزمان در يك شبكه پويا
• روش هاي آموزش
• آموزش گام به گام
• آموزش گام به گام در شبكه هاي ايستا
• آموزش گام به گام در شبکه های پویا
• آموزش دسته اي
• آموزش دسته­ ای در شبکه­ های ایستا
• آموزش دسته اي در شبكه­ هاي پويا
• پسخورد آموزش

فصل چهارم: شبکه ­های پرسپترون

• مقدمه
• مدل نورون پرسپترون
• معماری پرسپترون
• ایجاد یک شبکه پرسپترون
• شبيه سازي
• مقداردهی آغازین پارامترها
• قوانين يادگيري
• قاعده یادگیری پرسپترون (learnp)
• آموزش پرسپترون
• محدوديت ها و تضمين هاي پرسپترون
• قاعده یادگیری نرمال پرسپترون
• رابط گرافيكي شبکه های پرسپترون
• ايجاد يك شبكة پرسپترون (nntool)
• ذخيره يك متغير در فايل و بارگذاري مجدد آن

فصل پنجم: فیلترهای خطی

• مقدمه
• مدل نورون خطی
• معماري شبكه
• ایجاد یک نورون خطی
• طراحی یک سیستم خطی
• شبکه­ های خطی همراه با تأخیر
• فيلتر خطي
• الگوریتم LMS
• طبقه بندی خطی
• محدوديت هاي فيلترهاي خطي

فصل ششم: شبکه های پس انتشار

• مقدمه
• حل يك مسئله
• بهبود نتايج
• معماري شبکه های پس انتشار
• شبکه­ های Feedforward
• ایجاد یک شبکه Feedforward
• مقداردهی آغازین به وزن­ ها
• شبیه سازی شبکه
• آموزش شبکه
• الگوریتم پس انتشار
• آموزش دسته ای
• آموزش دسته ای کاهش شیب
• آموزش دسته ای کاهش شیب با Momentum
• روشهاي آموزشي سريع تر و كاراتر
• سرعت یادگیری متغیر traingdx , traingda
• پس انتشار ارتجاعي
• الگوريتم ­هاي گرادیان توأم
• الگوریتم گراديان توأم Fletcher-Reeves
• الگوریتم گراديان توأم Polak- Ribiere
• الگوریتم شروع مجدد Powell – Beale
• الگوریتم گراديان توأم مقیاس شده
• رويه هاي جستجوي خطي
• جستجوي ناحيه طلايي srchgol
• جستجوي Brent(srchbre)
• جستجوي دوبخشي درجة 3 تركيبي (srchhyb)
• جستجویCharalambous (srchcha)
• جستجوي پيمايش معكوس (srchcha)
• الگوریتم های شبه نیوتن
• الگوریتم BFGS
• الگوریتم Secant تک مرحله ای
• الگوریتم Levenberg- Marquardt
• محاسبة ماتريس ژاكوبين
• کاهش مصرف حافظه در الگوریت Levenberg- Marquardt
• مقايسة میزان سرعت و حافظه در الگوريتم هاي مختلف
• تابع Sin
• تشخیص بیت Parity
• مسئله ENGINE
• مسئله CANCER
• مسئله کلسترول
• مسئله DIABETS
• نتیجه گیری
• انتخاب معماري شبكه
• همگرايي
• بهبود عمومیت شبکه
• تنظيم
• تابع کارایی اصلاح شده
• تنظیم خودکار
• توقف زودرس
• نتیجه­ گیری
• پيش­پردازش و پس­پردازش
• روش مینیمم و ماکسیمم
• میانگین و انحراف معیار
• تحلیل اجزا اصلی
• پردازش ورودي هاي نامعلوم
• نمايش مقادير نامعلوم و بي اهميت در ماتريس اهداف
• تحلیل Posttraining
• بررسي يك مثال
• محدودیت های شبکه های پس انتشار

فصل هفتم: شبکه های عصبی پویا

• مقدمه
• چند مثال از شبکه های پویا
• كاربردهاي شبكه هاي پويا
• ساختار شبكه هاي پويا
• آموزش شبكه هاي پويا
• شبكه هاي عصبي تأخير زماني متمركز
• شبكه هاي عصبي تأخير زماني توزيع شده
• شبكه هاي عصبي NARX
• شبكه های Layer–Recurrent

فصل هشتم: سيستم ­هاي كنترلي و شبکه های عصبی

• شبكه­هاي عصبي كنترل پيش گويانه
• تعريف سيستم
• كنترل پيشگويانه
• استفاده از شبكة عصبي كنترل­ كنندة پيش گو در Simulink
• كنترل NARMA-L2
• تعريف يك مدلNARMA- L2
• كنترل­ كنندة NARMA- L2
• استفاده از NARMAL-l2 درSimulink
• كنترل مدل مرجع
• استفاده از كنترل­ كنندة مدل مرجع در Simulink
• ورود و خروج داده­ها
• ورود و خروج شبكه
• ورود و خروج داده­هاي آموزشي

 فصل نهم: شبكه ­هاي شعاع مبنا

• مقدمه
• توابع شعاع مبنا
• معماري شبكه
• تابع newbre
• تابع newrb
• شبكه هاي GRNN
• شبكه­ هاي عصبي احتمالي (PNN )

فصل دهم: شبکه های خود سازمان و تدریج بردار

• مقدمه
• یادگیری رقابتی
• ايجاد يك شبكه عصبي رقابتي
• قاعده یادگیری کوهنن
• قاعده یادگیری بایاس
• يادگيري
• يك مثال شهودي
• نگاشت های ویژگی خود سازمان
• توپولوژي ها
• توابع فاصله
• معماري شبکه های SOFM
• ايجاد يك شبكه عصبي SOFM
• آموزش شبکه
• فاز1 :فاز مرتب سازي
• فاز2 :فاز تنظيم
• چند مثال
• مثال 1 :SOFM يك بعدي
• مثال 2 :SOFM دو بعدي
• آموزش با استفاده از الگوريتم دسته اي
• یادگیری تدریج بردار (LVQ)
• ايجاد يك شبكه LVQ
• قانون يادگيري LVQ1
• آموزش شبکه
• قانون يادگيري تكميل شده 1.2 LVQ

فصل یازدهم: شبکه­ های عصبی Recurrent

• مقدمه
• شبكه هاي عصبی المان
• ايجاد يك شبكه المان
• شبيه سازي اولیه شبکه
• آموزش يك شبكه المان
• شبكه هاي عصبي هاپفیلد
• معماري شبکه های هاپفیلد
• طراحي شبکه های هاپفیلد

فصل دوازدهم: فيلترهاي انطباقي و يادگيري انطباقي

• مقدمه
• مدل نورون هاي خطي
• معماري شبكه هاي انطباق پذير خطي
• یک نورون آدالاين
• خطاي ميانگين مربعات
• الگوريتم LMS
• تحليل همگرايي
• فيلترهاي انطباقي
• مثال 1 : فيلتر انطباقي
• مثال 2 :كاربرد فيلترهاي انطباقي در توابع پيشگو
• مثال 3 :كاربرد فيلترهاي انطباقي در حذف نويز
• فيلترهاي انطباقي با چند نورون

فصل سیزدهم: مثالهاي كاربردي از شبكه هاي عصبي

• مقدمه
• كاربرد شبكه هاي خطي در پردازش سيگنال ها
• تعريف مسئله
• طراحي شبكه
• تست شبكه
• نتيجه گيري
• كاربرد شبكه هاي خطي در پیش گویی انطباقی
• تعريف مسئله
• تعريف شبكه
• آموزش شبكه
• تست شبكه
• نتيجه گيري
• كاربرد شبكه هاي المان در تشخيص دامنۀ سيگنال
• تعريف مسئله
• تعريف شبكه
• آموزش شبكه
• عموميت شبكه
• كاربرد شبكه هاي عصبي در تشخيص حروف لاتین
• تعريف مسئله
• تعريف شبكه
• كارايي سيستم
• نتیجه گیری

فصل چهاردهم: مباحث پيشرفته در طراحی معماری شبکه های عصبی

• شبكه هاي سفارشي
• نمونه اي از شبكه هاي سفارشي
• تعريف شبكه
• خصوصیات مربوط به معماري شبکه
• خصوصيات Subobject
• توابع شبكه
• مقادير وزن ها و باياس ها
• رفتار شبكه
• مقداردهي آغازين
• آموزش
• توابع سفارشي
• توابع شبيه سازي
• توابع انتقال
• توابع ورودي شبكه
• توابع وزن
• توابع مقداردهی آغازین
• توابع مقداردهی آغازین شبکه
• توابع مقداردهی آغازین لایه­ها
• توابع مقداردهی آغازین وزن­ها و بایاس­ها
• توابع یادگیری
• توابع آموزشی
• توابع انطباق
• توابع کارایی
• توابع یادگیری وزن­ها و بایاس­ها
• توابع نگاشت خودسازمان
• توابع توپولوژی
• توابع فاصله
• منابع