MATLAB神经网络原理与实例精解（附光盘）

MATLAB技术论坛、MATLAB中文论坛共同推荐，提供在线交流，有问必答的网络互动答疑服务！
提供10小时配套教学视频，并附赠24.5小时MATLAB基础教学视频，提供教学PPT下载服务
详解109个典型实例、7个综合案例和50多个神经网络工具箱函数
涵盖单层感知器、线性神经网络、BP神经网络、径向基网络、自组织神经网络、反馈神经网络、随机神经网络7种主要的网络类型

超值DVD光盘内容
10小时配套教学视频
24.5小时MATLAB基础教学视频（赠送）

《MATLAB神经网络原理与实例精解》结合科研和高校教学的相关课程，全面、系统、详细地介绍了MATLAB神经网络的原理及应用，并给出了大量典型的实例供读者参考。《MATLAB神经网络原理与实例精解》附带1张光盘，收录了《MATLAB神经网络原理与实例精解》重点内容的配套多媒体教学视频及书中涉及的实例源文件。这些资料可以大大方便读者高效、直观地学习《MATLAB神经网络原理与实例精解》内容。
《MATLAB神经网络原理与实例精解》首先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的最后给出了实例。在全书的最后，又以专门的一章收集了MATLAB神经网络在图像、工业、金融、体育等不同领域的具体应用，具有很高的理论和使用价值。全书内容详实、重点突出，从三个层次循序渐进地利用实例讲解网络原理和使用方法，降低了学习门槛，使看似神秘高深的神经网络算法更为简单易学。
《MATLAB神经网络原理与实例精解》适合学习神经网络的人员使用MATLAB方便地实现神经网络以解决实际问题，也适合神经网络或机器学习算法的研究者及MATLAB进阶学习者阅读。另外，《MATLAB神经网络原理与实例精解》可以作为高校相关课程的教材和教学参考书。
国内MATLAB&Simulink技术交流平台——MATLAB中文论坛?联合本书作者和编辑，一起为您提供与本书相关的问题解答和MATLAB技术支持服务，让您获得阅读体验。请随时登录MATLAB中文论坛，提出您在阅读本书时产生的疑问，作者将定期为您解答。您对本书的任何建议也可以在论坛上发帖，以便于我们后续改进。您的建议将是我们创造精品的动力和源泉。

本书涵盖内容及视频时间：
神经网络与MATLAB简介（58分钟视频）
MATLAB函数与神经网络工具箱（62分钟视频）
单层感知器（27分钟视频）
线性神经网络（41分钟视频）
BP神经网络（49分钟视频）
径向基神经网络（62分钟视频）
自组织神经网络（52分钟视频）
反馈神经网络（51分钟视频）
随机神经网络（40分钟视频）
用GUI设计神经网络（56分钟视频）
神经网络应用实例（96分钟视频）

陈明，毕业于天津大学信息与通信工程专业，获硕士学位。本科期间参加过全国电子设计大赛信息安全专题邀请赛，获三等奖。研究生阶段在天津大学信息学院图像中心学习，研究方向为图像处理、模式识别和视频编解码。由于学习和科研的需要开始接触MATLAB，用MATLAB解决过图像处理机器学习等领域的问题。对遗传算法和神经网络工具箱尤为熟悉，有丰富的MATLAB编程经验。编写过《MATLAB函数效率功能速查手册》一书。

★这是一本理论与实践并重的书，书中不仅介绍了神经网络的原理，而且列举了大量实例介绍MATLAB神经网络工具箱的使用。您在阅读本书时可以结合MATLAB中文论坛的在线交流平台，相信更能从多角度领会MATLAB神经网络工具箱的精髓。
——MATLAB中文论坛

★本书系统地介绍了神经网络的原理和MATLAB神经网络工具箱的使用，内容从易到难，将神经网络的精华表现得淋漓尽致。最后的综合实例更是精彩、有趣，非常值得一看。欢迎各位读者经常到MATLAB技术论坛的相关版块进行讨论，这里会有很多热心朋友为您解答。
——MATLAB技术论坛

第1篇 入门篇
第1章 神经网络概述（教学视频：10分钟）
1.1 人工神经网络简介
1.2 神经网络的特点及应用
1.2.1 神经网络的特点
1.2.2 神经网络的应用
1.3 人工神经网络的发展历史
1.4 神经网络模型
1.5 神经网络的学习方式
第2章 MATLAB快速入门（教学视频：48分钟）
2.1 MATLAB功能及历史
2.1.1 MATLAB的功能和特点
2.1.2 MATLAB发展历史
2.2 MATLAB R2011b集成开发环境
2.2.1 MATLAB的安装
2.2.2 MATLAB集成开发环境
2.2.3 搜索路径设定
2.3 MATLAB语言基础
2.3.1 标识符与数组
2.3.2 数据类型
2.3.3 运算符
2.3.4 流程控制
2.3.5 M文件
第3章 MATLAB函数与神经网络工具箱（教学视频：62分钟）
3.1 MATLAB常用命令
3.2 矩阵生成和基本运算
3.2.1 zeros生成全零矩阵
3.2.2 0nes生成全1矩阵
3.2.3 magic生成魔方矩阵
3.2.4 eye生成单位矩阵
3.2.5 rand生成均匀分布随机数
3.2.6 randn生成正态分布随机数
3.2.7 linspace产生线性等分向量
3.2.8 logspace产生对数等分向量
3.2.9 randperm生成随机整数排列
3.2.10 randi生成整数随机数
3.2.11 range向量的最大/最小值之差
3.2.12 minmax求最大/最小值
3.2.13 min/max/mean求最大/最小值
3.2.14 size/length/numel/ndims矩阵维度相关
3.2.15 sum/prod求和或积
3.2.16 var/std求方差与标准差
3.2.17 diag生成对角矩阵
3.2.18 repmat矩阵复制和平铺
3.2.19 reshape矩阵变维
3.2.20 inv/pinv矩阵求逆/求伪逆
3.2.21 rank/det求矩阵的秩/行列式
3.2.22 eig矩阵的特征值分解
3.2.23 svd矩阵的奇异值分解
3.2.24 trace求矩阵的迹
3.2.25 norm求向量或矩阵的范数
3.3 数学函数
3.3.1 abs求绝对值
3.3.2 exp/log指数函数/对数函数
3.3.3 log10/log2常用对数/以2为底的对数
3.3.4 fix/roun～ceil/floor取整函数
3.3.5 mod/rem取模数／余数
3.4 图形相关函数
3.4.1 plot绘制二维图像
3.4.2 坐标轴设置函数
3.4.3 subplot同一窗口分区绘图
3.4.4 figure/hold创建窗口／图形保持
3.4.5 semilogx/semilogy单对数坐标图
3.4.6 contour/clabel曲面等高线／等高线标签
3.4.7 gcf/gca/gco返回当前图形／坐标／对象句柄
3.4.8 mesh绘制三维网格图
3.5 神经网络工具箱
3.5.1 工具箱函数基本介绍
3.5.2 神经网络对象与属性

第2篇 原理篇
第4章 单层感知器（ 教学视频：27分钟）
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）
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）
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）
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）
8.1 竞争神经网络
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
第9章 反馈神经网络（ 教学视频：51分钟）
9.1 离散Hopfield神经网络 278
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
9.6 反馈神经网络应用实例 296
第10章 随机神经网络（ 教学视频：40分钟）
10.1 模拟退火算法 308
10.2 Boltzmann机 311
10.3 Sigmoid置信度网络 316
10.4 MATLAB模拟退火算法工具 317
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
11.2 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
第13章 神经网络应用实例（ 教学视频：96分钟）
13.1 BP神经网络实现图像压缩 377
13.2 Elman网络预测上证股市开盘价 387
13.3 径向基网络预测地下水位 395
13.4 基于BP网络的个人信贷信用评估 402
13.5 基于概率神经网络的手写体数字识别 411
13.6 基于概率神经网络的柴油机故障诊断 420
13.7 基于自组织特征映射网络的亚洲足球水平聚类 425

第5章 线性神经网络
线性神经网络最典型的例子是自适应线性元件（Adaptive Linear Element，Adaline）。自适应线性元件20世纪50年代末由Widrow和Hoff提出，主要用途是通过线性逼近一个函数式而进行模式联想以及信号滤波、预测、模型识别和控制等。
线性神经网络与感知器的主要区别在于，感知器的传输函数只能输出两种可能的值，而线性神经网络的输出可以取任意值，其传输函数是线性函数。线性神经网络采用Widrow-Hoff学习规则，即LMS（Least Mean Square）算法来调整网络的权值和偏置。
线性神经网络在收敛的精度和速度上较感知器都有了较大提高，但其线性运算规则决定了它只能解决线性可分的问题。
5.1 线性神经网络的结构
线性神经网络在结构上与感知器网络非常相似，只是神经元传输函数不同。线性神经网络的结构如图5-1所示。
图5-1 线性神经网络的结构
如图5-1所示，线性神经网络除了产生二值输出以外，还可以产生模拟输出——即采用线性传输函数，使输出可以为任意值。
假设输入是一个维向量，从输入到神经元的权值为，则该神经元的输出为：
在输出节点中的传递函数采用线性函数purelin，其输入与输出之间是一个简单的比例关系。线性网络最终的输出为：
即
写成矩阵的形式，假设输入向量为
权值向量为
其中，表示偏置。则输出可以表示为
若网络中包含多个神经元节点，就能形成多个输出，这种线性神经网络叫Madaline网络。Madaline网络的结构如图5-2所示。
Madaline可以用一种间接的方式解决线性不可分的问题，方法是用多个线性函数对区域进行划分，然后对各个神经元的输出做逻辑运算。如图5-3所示，Madaline用两条直线实现了异或逻辑。
图5-2 Madaline结构图 图5-3 Madaline实现异或
线性神经网络解决线性不可分问题的另一个方法是，对神经元添加非线性输入，从而引入非线性成分，这样做会使等效的输入维度变大，如图5-4所示。
图5-4 线性网络解决非线性问题
5.2 LMS学习算法
线性神经网络的闪光之处在于其学习算法。Widrow和Hoff于1960年提出自适应滤波LMS算法，也称为规则（Delta Rule）。LMS算法与感知器网络的学习算法在权值调整上都基于纠错学习规则，但LMS更易实现，因此得到了广泛应用，成为自适应滤波的标准算法。
LMS算法只能训练单层网络，但这并不会对其功能造成很大的影响。从理论上说，多层线性网络并不比单层网络更强大，它们具有同样的能力，即对于每一个多层线性网络，都具有一个等效的单层线性网络与之对应。
定义某次迭代时的误差信号为
其中表示迭代次数，表示期望输出。这里采用均方误差作为评价指标：
是输入训练样本的个数。线性神经网络学习的目标是找到适当的，使得误差的均方差mse最小。只要用mse对求偏导，再令该偏导等于零即可求出mse的极值。显然，mse必为正值，因此二次函数是凹向上的，求得的极值必为极小值。
在实际运算中，为了解决权值维数过高，给计算带来困难的问题，往往是通过调节权值，使mse从空间中的某一点开始，沿着斜面向下滑行，最终达到最小值。滑行的方向是该点最陡下降的方向，即负梯度方向。沿着此方向以适当强度对权值进行修正，就能最终到达最佳权值。
实际计算中，代价函数常定义为
对该式两边关于权值向量求偏导，可得
又因为，令对权值向量求偏导，有
综合以上两式，可得
因此，根据梯度下降法，权矢量的修正值正比于当前位置上的梯度，权值调整的规则为：
即
其中为学习率，为梯度。上式还可以进一步整理为以下形式
以下是LMS算法的步骤。
（1）定义变量和参数。
为方便处理，将偏置与权值合并：
相应地，训练样本为
为偏置，为期望输出，为实际输出，为学习率，为迭代次数。
（2）初始化。给向量赋一个较小的随机初值，。
（3）输入样本，计算实际输出和误差。根据给定的期望输出，计算
（4）调整权值向量。根据上一步算得的误差，计算
（5）判断算法是否收敛。若满足收敛条件，则算法结束，否则自增1（），跳转到第3步重新计算。收敛条件的选择对算法有比较大的影响，常用的条件有：
* 误差等于零或者小于某个事先规定的较小的值，如或；
* 权值变化量已经很小，即；
* 设置最大迭代次数，达到最大迭代次数时，无论算法是否达到预期要求，都将强行结束。
实际应用时可以在这些收敛条件的基础上加以改进，或者混合使用。如规定连续次mse小于某个阈值则算法结束，若迭代次数达到100次则强行结束等。
在这里，需要注意的是学习率。与感知器的学习算法类似，LMS算法也有学习率大小的选择问题，若学习率过小，则算法耗时过长，若学习率过大，则可能导致误差在某个水平上反复振荡，影响收敛的稳定性，这个问题在下一节有专门的讨论。
5.3 LMS算法中学习率的选择
如何在线性神经网络中，学习率参数的选择非常重要，直接影响了神经网络的性能和收敛性。本节介绍如何确保网络收敛的学习率及常见的学习率下降方式。
5.3.1 确保网络稳定收敛的学习率
如前所述，越小，算法的运行时间就越长，算法也就记忆了更多过去的数据。因此，的倒数反映了LMS算法的记忆容量大小。
往往需要根据经验选择，且与输入向量的统计特性有关。尽管我们小心翼翼地选择学习率的值，仍有可能选择了一个过大的值，使算法无法稳定收敛。
1996年Hayjin证明，只要学习率满足下式，LMS算法就是按方差收敛的：
其中，是输入向量组成的自相关矩阵的最大特征值。由于常常不可知，因此往往使用自相关矩阵的迹（trace）来代替。按定义，矩阵的迹是矩阵主对角线元素之和：
同时，矩阵的迹又等于矩阵所有特征值之和，因此一般有。只要取
即可满足条件。按定义，自相关矩阵的主对角线元素就是各输入向量的均方值。因此公式又可以写为：
5.3.2 学习率逐渐下降
在感知器学习算法中曾提到，学习率随着学习的进行逐渐下降比始终不变更加合理。在学习的初期，用比较大的学习率保证收敛速率，随着迭代次数增加，减小学习率以保证精度，确保收敛。一种可能的学习率下降方案是
在这种方法中，学习率会随着迭代次数的增加较快下降。另一种方法是指数式下降：
是一个接近1而小于1的常数。Darken与Moody于1992年提出搜索—收敛（Search-then-Converge Schedule）方案，计算公式如下：
与均为常量。当迭代次数较小时，学习率，随着迭代次数增加，学习率逐渐下降，公式近似于
LMS算法的一个缺点是，它对输入向量自相关矩阵的条件数敏感。当一个矩阵的条件数比较大时，矩阵就称为病态矩阵，这种矩阵中的元素做微小改变，可能会引起相应线性方程的解的很大变化。
5.4 线性神经网络与感知器的对比
不同神经网络有不同的特点和适用领域。尽管感知器与线性神经网络在结构和学习算法上都没有什么太大的差别，甚至是大同小异，但我们仍能从细小的差别上找到其功能的不同点。它们的差别主要表现在以下两点。
5.4.1 网络传输函数
LMS算法将梯度下降法用于训练线性神经网络，这个思想后来发展成反向传播法，具备可以训练多层非线性网络的能力。
感知器与线性神经网络在结构上非常相似，唯一的区别在于传输函数：感知器传输函数是一个二值阈值元件，而线性神经网络的传输函数是线性的。这就决定了感知器只能做简单的分类，而线性神经网络还可以实现拟合或逼近。在应用中也确实如此，线性神经网络可用于线性逼近任意非线性函数，当输入与输出之间是非线性关系时，线性神经网络可以通过对网络的训练，得出线性逼近关系，这一特点可以在系统辨识或模式联想中得到应用。
5.4.2 学习算法
学习算法要与网络的结构特点相适应。感知器的学习算法是最早提出的可收敛的算法，LMS算法与它关系密切，形式上也非常类似。它们都采用了自适应的思想，这一点在下一章要介绍的BP神经网络中获得了进一步的发展。
在计算上，从表面看LMS算法似乎与感知器学习算法没什么两样。这里需要注意一个区别：LMS算法得到的分类边界往往处于两类模式的正中间，而感知器学习算法在刚刚能正确分类的位置就停下来了，从而使分类边界离一些模式距离过近，使系统对误差更敏感。这一区别与两种神经网络的不同传输函数有关。
5.5 线性神经网络相关函数详解
表5-1列出了MATLAB神经网络工具箱中与线性神经网络有关的主要函数。
表5-1 与线性神经网络有关的函数
函数名称
功 能
newlind
设计一个线性层
newlin
构造一个线性层
purelin
线性传输函数
learnwh
LMS学习函数
maxlinlr
计算最大学习率
mse
最小均方误差函数
linearlayer
构造线性层的函数
……

人工神经网络是一种类似于人类神经系统的信息处理技术，可以视为一种功能强大、应用广泛的机器学习算法，广泛应用于实现分类、聚类、拟合、预测、压缩等功能，在高校研究和工程实践中均有应用。它模仿生物神经元的工作过程，建立起了一套用于处理计算问题的数学模型。神经网络的发展经历了兴起——低潮——复兴的过程，20世纪80年代后人工神经网络的发展十分迅速，其中应用最广的是BP神经网络。此外，还有径向基网络、自组织网络、反馈网络等其他神经网络形式，分别适用于不同的场合。
神经网络作为一种网络模型，它的具体使用必须依赖某种实现方式。部分反馈神经网络可以使用电子电路来实现，但更通用的实现方法是利用计算机编程语言。MATLAB就是一个非常好的选择，利用它可以方便地实现网络结构模型。MATLAB是美国MathWorks公司推出的科学计算软件，在科研和工程实践中获得了广泛的应用。MATLAB编程形式自由，可以方便地实现神经网络算法，且自带了神经网络工具箱，用户直接调用工具箱中的函数，即可使用神经网络模型解决实际问题。
目前国内有一些介绍MATLAB神经网络的书，但是随着MATLAB版本的更新，工具箱中函数不断变化，整体结构已经调整，市面上的书却没有跟上变化，与实际需求脱节。编写本书的目的，便是为了让读者了解神经网络的最新发展进程，并学会在最新的MATLAB版本中实现神经网络，并应用神经网络工具箱来解决实际问题。
本书是一本神经网络原理与实践相结合的书，涵盖了大部分主流的神经网络。它尽量以浅显易懂的语言讲解，让读者能理解神经网络的原理，并学会在MATLAB中实现神经网络。MATLAB版本逐年更新，神经网络工具箱中函数的结构安排已经改变，本书使用最新的MATLAB版本，使读者掌握应用工具箱解决实际问题的能力。本书讲解时附带了大量实例，对于简单的例子，本书除了使用工具箱函数外，还用手算的方式给出了自己的实现，便于读者理解神经网络的具体实现细节。
本书特色
1. 提供配套教学视频，高效、直观
为了便于读者高效、直观地学习本书中的内容，作者对每章的重点内容都特意制作了教学视频，这些视频和本书的实例源文件一起收录于配书光盘中。
2．软件版本较新，函数较新
MATLAB每年更新两次，神经网络工具箱也随之更新换代，许多旧的函数已经废弃不用，同时又有新的函数补充进来。已经出版的图书和网上的很多资料是旧版本的工具箱。本书基于MATLAB R2011b，介绍了新版本下的神经网络工具箱的使用方法。
3．内容全面，重点突出
神经网络根据结构的不同可以分为不同种类，本书内容涵盖从最简单的感知器到复杂的自组织竞争网络等类型的神经网络，对其原理进行了全面的介绍。在实际应用中，大部分场合使用的网络都是BP神经网络（多层感知器），而部分生僻的网络则在MATLAB中没有对应的工具箱函数。本书结合实用性，对常用的网络进行了重点讲解。
4．实例丰富，贴近实际
本书提供了大量的实例，每个例子都经过精挑细选，有很强的针对性。在实战篇中还提供了多个贴近工程实践的案例，便于读者了解实际应用。
5．循序渐进，先易后难，由浅入深
本书先介绍MATLAB编程基础，然后介绍神经网络及其工具箱函数。对每一种网络在三个层次上用实例讲解：介绍工具箱函数时用简单的实例，让读者了解函数的调用规则；在每章最后一节给出几个复杂一些的应用实例，并且用手算的方式给出网络内部的计算流程，让读者理解网络的运行规则；在本书的最后一章列举了若干个具体的应用案例，重点讲解如何对实际问题进行抽象，再选取恰当的神经网络解决该问题。
6．语言通俗，讲解详细，图文并茂
本书在讲解上力求详细，在原理分析上力求通俗易懂，且在一些简单的实例演示中，用纯MATLAB编程实现了部分简单的神经网络，有利于加深读者对神经网络的理解。为了增加可读性，本书给出了大量的代码及其实际运行生成的效果图。书中的代码力求完整，注释丰富，使读者一目了然。配书光盘中详细列出了书中的函数和脚本文件，方便读者运行、调试。
7．给出了大量的阅读和经验点拨
本书讲解时给出了大量需要读者注意的关键知识点和经验点拨，并在单独的模块中用不同的字体呈现出来，便于提醒读者注意，加深读者的印象。
8．提供“在线交流，有问必答”网络互动答疑服务
国内最大的MATLAB&Simulink技术交流平台——MATLAB中文论坛联合本书作者和编辑，一起为您提供与本书相关的问题解答和MATLAB技术支持服务，让您获得最佳的阅读体验。具体参与方式请详细阅读本书封底的说明。
本书主要内容
第1篇 入门篇（第1～第3章）
第1章 神经网络概述。主要介绍了神经网络的发展历程、神经网络的应用领域、网络模型原理及训练方式。
第2章 MATLAB快速入门。截至本书完稿，MATLAB的最新版本为MATLAB R2011b。这一章介绍了MATLAB的集成开发环境，使读者可以迅速上手。MATLAB语言简单易学，这一章从数据类型、流程控制、运算符、M文件编辑器等角度概述了MATLAB的特点。通过这一章的学习，读者可以利用MATLAB编写简单的程序。
第3章 MATLAB函数与神经网络工具箱。MATLAB具有丰富的内置函数。这一章给出了30个常用的函数的使用方法，并简要介绍了神经网络工具箱。
第2篇 原理篇（第4～第11章）
第4章 单层感知器。单层感知器是最简单的神经网络，尽管其功能可以通过其他复杂的网络实现，但依然有极佳的理论学习价值。
第5章 线性神经网络。线性神经网络又称Adaline，能解决线性可分的问题。对于线性不可分的问题，可使用其他网络模型，或者使用Adaline的变形形式。
第6章 BP神经网络。BP网络是神经网络理论中最精华的部分，也是实际应用中最常见的网络，它引入了误差反向传播算法，是一种多层前向网络。
第7章 径向基函数网络。径向基网络是一种三层前向网络，具有极强的非线性映射能力，且收敛速度明显快于BP神经网络。这一章包含普通的径向基网络和广义回归网络、概率神经网络。
第8章 自组织竞争神经网络。自组织神经网络往往使用无监督学习算法，用于解决聚类问题。其网络模型中包含竞争网络层，使用了竞争学习的学习方式。
第9章 反馈神经网络。反馈神经网络是与前向神经网络相对的一种网络形式，输出端的信息以反馈的形式返回到输入端构成输入的一部分。适用于联想记忆、数据预测等 场合。
第10章 随机神经网络。随机网络主要指Boltzmann机，其原理实际上与模拟退火算法相同。模拟退火算法是一种模拟退火过程的最优化算法，可用于求解函数极值。
第11章 用GUI设计神经网络。MATLAB提供了可视化神经网络工具nntool和nctool（分类聚类工具）、nftool（拟合工具）、nprtool（模式识别工具）、ntstool（时间序列工具）。
第3篇 实战篇（第12、第13章）
第12章 Simulink。Simulink是MATLAB软件提供的一个可视化仿真工具，用户可以在Simulink中通过简单的鼠标操作实现一个神经网络模型。
第13章 神经网络应用实例。这一章给出了7个具体的应用实例，涉及BP网络、径向基网络、反馈网络、概率神经网络、自组织神经网络，解决了图像、工业、金融、体育等领域的不同问题。
适合阅读本书的读者
* 神经网络的初学人员和提高者；
* 神经网络或机器学习算法的研究者；
* MATLAB进阶学习者；
* 高等学校相关课程的学生；
* MATLAB爱好者和研究人员。