完整的PDF版　第1章绪论　　1.1从生物神经网络到人工神经网络　　1.2人工神经网络的发展史　　1.3人工神经网络的应用　　1.4生物神经元　　1.5人工神经元模型　　1.6神经网络的结构　　1.7神经网络的特点　　1.8神经网络的学习方式　　第2章MATLAB神经网络工具箱中的神经网络模型　　2.1MATLAB工具箱的神经元模型　　2.2MATLAB工具箱中的神经网络结构　　2.3MATLAB神经网络工具箱中的网络对象及其属性　　2.3.1网络对象属性　　2.3.2子对象属性　　第3章感知器　　3.1感知器神经元及感知器神经网络模型　　3.2感知器的学习　　3.3感知器的局限性　　3.4单层感知器神经网络的MATLAB仿真程序设计　　3.5多层感知器神经网络及其MATLAB仿真　　3.6感知器应用于线性分类问题的进一步讨论　　第4章线性神经网络　　4.1线性神经网络模型　　4.2线性神经网络的学习　　4.3线性神经网络的MATLAB仿真程序设计　　4.3.1线性神经网络设计的基本方法　　4.3.2线性神经网络的设计例程　　第5章BP网络　　5.1BP神经元及BP网络模型　　5.2BP网络的学习　　5.2.1BP网络学习算法　　5.2.2BP网络学习算法的比较　　5.3BP网络泛化能力的提高　　5.4BP网络的局限性　　5.5BP网络的MATLAB仿真程序设计　　5.5.1BP网络设计的基本方法　　5.5.2BP网络应用实例　　第6章径向基网络　　6.1径向基网络模型　　6.2径向基网络的创建与学习过程　　6.3其他径向基神经网络　　6.4径向基网络的MATLAB仿真程序设计　　第7章竞争型神经网络　　7.1竞争型神经网络模型　　7.2竞争型神经网络的学习　　7.3竞争型神经网络存在的问题　　7.4竞争型神经网络的MATLAB仿真程序设计　　第8章自组织神经网络　　8.1自组织特征映射神经网络模型　　8.2自组织特征映射神经网络的学习　　8.3学习向量量化神经网络模型　　8.4学习向量量化神经网络的学习　　8.5LVQ1学习算法的改进　　8.6LVQ神经网络的MATLAB仿真程序设计　　第9章反馈型神经网络　　9.1Elman神经网络　　9.2Hopfield神经网络　　9.3反馈神经网络的MATLAB仿真程序设计　　第10章图形用户界面　　10.1图形用户界面简介　　10.2图形用户界面应用示例　　10.3图形用户界面的其他操作　　第11章Simulink　　11.1Simulink神经网络仿真模型库简介　　11.2Simulink应用示例　　第12章自定义网络　　12.1自定义神经网络　　12.1.1自定义神经网络的创建　　12.1.2自定义神经网络的初始化、训练与仿真　　12.2自定义函数　　附录A神经网络工具箱函数　　参考文献

需要自行下载matrix.h文件，可以直接运行，得出插值估计值与实际值比较的结果。

《MATLAB神经网络原理与实例精解(附光盘)》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。

RBF径向基函数神经网络,内附训练方法等，注重理论的说明，适用用论文撰写引用。
使之具有初步研究RBF神经网络的能力。

基于径向基函数网络的H.264全零块检测算法

基于高斯径向基函数的神经网络的PID控制，分为系统模块，神经网络模块，高斯径向基函数神经网络的S函数实现。

本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

提供了四种RBFNN训练算法，对matlab中的径向基函数神经网络训练做了详细介绍

InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（多元回归法）RadialBasisFunction（径向基函数法）TriangulationwithLinearInterpolation（线性插值三角网法）MovingAverage（移动平均法）LocalPolynomial（局部多项式法）"＞InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（?[更多]

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（RadicalBasisFunction，RBF）和神经网络光伏发电功率预测模型。
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。