具有 Fortran和C高级计算机语言知识的读者可能已经注意到,如果用它们去进 行程序设计,尤其当涉及矩阵运算或画图时,编程会很麻烦。比如说,若想求解一个 线性代数方程组AX=B→>X=A-B,用户得首先编写一个主程序,然后编写一个子程序 去读入各个矩阵的元素,之后再编写一个子程序,求解相应的方程,最后输出结果 般说来,求解线性方程组这样一个简单的功能需要100多条源程序。 Matlab的首创者 Cleve Moler博士在数值分析,特别是在是指线性代数的领域中 很有影响

人工神经网络为学习实数值和向量值函数提供了一种实际的方法，对于连续值和离散值的属性都可以使用，并且对训练数据中的噪声具有很好的健壮性。反向传播算法是最常见的网络学习算法。反向传播算法考虑的假设空间是固定连接的有权网络所能表示的所有函数的空间。包含3层单元的前馈网络能够以任意精度逼近任意函数，只要每一层有足够数量的单元。即使是一个实际大小的网络也能够表示很大范围的高度非线性函数。反向传播算法使用梯度下降方法搜索可能假设的空间，迭代减小网络的误差以拟合训练数据

表面张力是矿物棉生产的重要参数，直接影响到配料和工艺参数的选择.通过实验测量并建立模型预报系统研究了以高炉渣为主要原料制备矿物棉时熔体的表面张力.首先测量了SiO2（40%-60%）-Al2O3（5%-20%）-CaO（20%-30%）-MgO（5%）四元系的表面张力，其值处于350-500 m·m-1之间；然后结合文献报道的表面张力数据，利用人工神经网络技术建立了SiO2（35%-60%）-Al2O3（5%-20%）-CaO（20%-45%）-MgO（0-10%）四元渣系的表面张力预报模型.该模型对成分范围内的表面张力预报平均误差为9.32%，预报精度较高，可以预报矿物棉熔体成分范围内的表面张力

§1.常微分方程基本概念 6 §2.基本定理 9 §3.稳定性的基本定义 18 4. Liapunov 函数. 28 §5.稳定的基本定理 31 §6.渐近稳定的基本定理 35 §7.不稳定的基本定理 43 §8.全局渐近稳定的基本定理 47 §9.解的渐近性质 54 §10.解的一般有界性 §11.解的最终有界性 12.稳定性的比较原理 59 §13.线性方程组的Liapunov 函数 66 §14.线性近似决定的稳定性 72 15.类比法构造 Liapunov 函数 75 §16.力学系统的稳定性 83 §17.种群系统的稳定性 88 18.传染病系统的稳定性 99 §19.市场价格系统的稳定性 105 §20.控制系统的稳定性 117 §21.人工神经网络的稳定性

利用三元乙丙橡胶(EPDM)在我国11个典型大气站点暴晒3年的老化数据及气候环境数据,基于对EPDM老化行为分析以及气候环境对EPDM作用机制,探究EPDM老化与气候因子之间的关联性.通过因子分析与逼近理想解排序法,将多个老化指标转化为综合老化值;由灰色关联度分析,得到影响EPDM老化的关键气候因子为辐照度、湿度、温度和降雨;通过BP人工神经网络,建立EPDM综合老化值与气候因子间关联模型.利用我国97个地市级城市气象数据,预测EPDM在未试验地区综合老化值,可视化得到EPDM在我国的老化分布图.图形表明,EPDM在我国西部地区,新疆南部、云南南端、广东南部、海南、台湾等地区老化程度较严重

随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数据。针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值(CIV)和改进相关向量回归(IRVR)的双率腐蚀数据处理和建模算法(CIV-IRVR)。首先，通过构建CIV表征输入数据的综合影响并采用天牛须搜索(BAS)算法对其参数进行寻优；然后，建立最优CIV序列与输出数据间的线性回归模型将双率数据转化为建模用的单率数据，能够更多地保留原始数据信息；最后，给出了一种BAS算法优化的具有组合核函数的改进相关向量回归建模方法(IRVR)，并建立了针对低合金钢海水腐蚀双率数据的CIV-IRVR预测模型。结果表明：相比于均值方法处理双率腐蚀数据，所提方法将建模样本数量由196提升到了1834；相比于海水腐蚀建模领域常用的人工神经网络(ANN)和支持向量回归(SVR)建模方法，所提模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(CD)分别为1.1914 mV、1.5729 mV以及0.9963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建模具有一定现实意义

8.1 人工神经网络发展概况 8.2 神经网络基本概念 8.3 前馈神经网络 8.4 反馈网络模型Hopfield网络

6.1 概述 6.1.1生物神经元模型 6.1.2 人工神经元模型 6.1.3 人工神经网络模型 6.1.4 神经网络的学习方法

13.1 人工神经网络与神经网络优化算法 13.2 遗传算法 13.3 模拟退火算法 13.4 神经网络权值的混合优化学习策略

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制