MATLAB神經(jīng)網(wǎng)絡30個案例分析

第1章 BP神經(jīng)網(wǎng)絡的數(shù)據(jù)分類——語音特征信號分類1
本案例選取了民歌、古箏、搖滾和流行四類不同音樂，用BP神經(jīng)網(wǎng)絡實現(xiàn)對這四類音樂的有效分類。
第2章 BP神經(jīng)網(wǎng)絡的非線性系統(tǒng)建?！蔷€性函數(shù)擬合11
本章擬合的非線性函數(shù)為y=x21+x22。
第3章 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡——非線性函數(shù)擬合21
根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡理論，在MATLAB軟件中編程實現(xiàn)基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡非線性系統(tǒng)擬合算法。
第4章 神經(jīng)網(wǎng)絡遺傳算法函數(shù)極值尋優(yōu)——非線性函數(shù)極值尋優(yōu)36
對于未知的非線性函數(shù)，僅通過函數(shù)的輸入輸出數(shù)據(jù)難以準確尋找函數(shù)極值。這類問題可以通過神經(jīng)網(wǎng)絡結合遺傳算法求解，利用神經(jīng)網(wǎng)絡的非線性擬合能力和遺傳算法的非線性尋優(yōu)能力尋找函數(shù)極值。
第5章 基于BP_Adaboost的強分類器設計——公司財務預警建模45
BP_Adaboost模型即把BP神經(jīng)網(wǎng)絡作為弱分類器，反復訓練BP神經(jīng)網(wǎng)絡預測樣本輸出，通過Adaboost算法得到多個BP神經(jīng)網(wǎng)絡弱分類器組成的強分類器。
第6章 PID神經(jīng)元網(wǎng)絡解耦控制算法——多變量系統(tǒng)控制54
根據(jù)PID神經(jīng)元網(wǎng)絡控制器原理，在MATLAB中編程實現(xiàn)PID神經(jīng)元網(wǎng)絡控制多變量耦合系統(tǒng)。
第7章 RBF網(wǎng)絡的回歸——非線性函數(shù)回歸的實現(xiàn)65
本例用RBF網(wǎng)絡擬合未知函數(shù)，預先設定一個非線性函數(shù)，如式y(tǒng)=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數(shù)解析式不清楚的情況下，隨機產(chǎn)生x1，x2和由這兩個變量按上式得出的y。將x1，x2作為RBF網(wǎng)絡的輸入數(shù)據(jù)，將y作為RBF網(wǎng)絡的輸出數(shù)據(jù)，分別建立近似和精確RBF網(wǎng)絡進行回歸分析，并評價網(wǎng)絡擬合效果。
第8章 GRNN的數(shù)據(jù)預測——基于廣義回歸神經(jīng)網(wǎng)絡的貨運量預測73
根據(jù)貨運量影響因素的分析，分別取國內(nèi)生產(chǎn)總值（GDP），工業(yè)總產(chǎn)值，鐵路運輸線路長度，復線里程比重，公路運輸線路長度，等級公路比重，鐵路貨車數(shù)量和民用載貨汽車數(shù)量8項指標因素作為網(wǎng)絡輸入，以貨運總量，鐵路貨運量和公路貨運量3項指標因素作為網(wǎng)絡輸出，構建GRNN，由于訓練數(shù)據(jù)較少，采取交叉驗證方法訓練GRNN神經(jīng)網(wǎng)絡，并用循環(huán)找出最佳的SPREAD。
第9章 離散Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶——數(shù)字識別81
根據(jù)Hopfield神經(jīng)網(wǎng)絡相關知識，設計一個具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡。要求該網(wǎng)絡可以正確地識別0~9這10個數(shù)字，當數(shù)字被一定的噪聲干擾后，仍具有較好的識別效果。
第10章 離散Hopfield神經(jīng)網(wǎng)絡的分類——高?？蒲心芰υu價90
某機構對20所高校的科研能力進行了調(diào)研和評價，試根據(jù)調(diào)研結果中較為重要的11個評價指標的數(shù)據(jù)，并結合離散Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續(xù)Hopfield神經(jīng)網(wǎng)絡的優(yōu)化——旅行商問題優(yōu)化計算100
現(xiàn)對于一個城市數(shù)量為10的TSP問題，要求設計一個可以對其進行組合優(yōu)化的連續(xù)型Hopfield神經(jīng)網(wǎng)絡模型，利用該模型可以快速地找到最優(yōu)（或近似最優(yōu)）的一條路線。
第12章 SVM的數(shù)據(jù)分類預測——意大利葡萄酒種類識別112
將這178個樣本的50%做為訓練集，另50%做為測試集，用訓練集對SVM進行訓練可以得到分類模型，再用得到的模型對測試集進行類別標簽預測。
第13章 SVM的參數(shù)優(yōu)化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數(shù)，不但能夠高準確率的預測訓練集而且要合理的預測測試集，使得測試集的分類準確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發(fā)生。
第14章 SVM的回歸預測分析——上證指數(shù)開盤指數(shù)預測133
對上證指數(shù)從1990.12.20-2009.08.19每日的開盤數(shù)進行回歸分析。
第15章 SVM的信息?；瘯r序回歸預測——上證指數(shù)開盤指數(shù)變化趨勢和變化空間預測141
在這個案例里面我們將利用SVM對進行模糊信息?；蟮纳献C每日的開盤指數(shù)進行變化趨勢和變化空間的預測。
若您對此書內(nèi)容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競爭網(wǎng)絡在模式分類中的應用——患者癌癥發(fā)病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特征，其中前20個樣本是癌癥病人的基因表達水平的樣本(其中還可能有子類)， 中間的20個樣本是正常人的基因表達信息樣本， 余下的20個樣本是待檢測的樣本(未知它們是否正常)。以下將設法找出癌癥與正常樣本在基因表達水平上的區(qū)別，建立競爭網(wǎng)絡模型去預測待檢測樣本是癌癥還是正常樣本。
第17章SOM神經(jīng)網(wǎng)絡的數(shù)據(jù)分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數(shù)據(jù)集。每個故障樣本中有8個特征，分別是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大余波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網(wǎng)絡進行故障診斷。
第18章Elman神經(jīng)網(wǎng)絡的數(shù)據(jù)預測——電力負荷預測模型研究170
根據(jù)負荷的歷史數(shù)據(jù)，選定反饋神經(jīng)網(wǎng)絡的輸入、輸出節(jié)點，來反映電力系統(tǒng)負荷運行的內(nèi)在規(guī)律，從而達到預測未來時段負荷的目的。
第19章 概率神經(jīng)網(wǎng)絡的分類預測——基于PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析后，以改良三比值法為基礎，建立基于概率神經(jīng)網(wǎng)絡的故障診斷模型。
第20章 神經(jīng)網(wǎng)絡變量篩選——基于BP的神經(jīng)網(wǎng)絡變量篩選183
本例將結合BP神經(jīng)網(wǎng)絡應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經(jīng)網(wǎng)絡來篩選變量，找到對結果有較大影響的輸入項，繼而實現(xiàn)使用神經(jīng)網(wǎng)絡進行變量篩選。
第21章 LVQ神經(jīng)網(wǎng)絡的分類——乳腺腫瘤診斷188
威斯康星大學醫(yī)學院經(jīng)過多年的收集和整理，建立了一個乳腺腫瘤病灶組織的細胞核顯微圖像數(shù)據(jù)庫。數(shù)據(jù)庫中包含了細胞核圖像的10個量化特征（細胞核半徑、質(zhì)地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數(shù)、對稱度、斷裂度），這些特征與腫瘤的性質(zhì)有密切的關系。因此，需要建立一個確定的模型來描述數(shù)據(jù)庫中各個量化特征與腫瘤性質(zhì)的關系，從而可以根據(jù)細胞核顯微圖像的量化特征診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經(jīng)網(wǎng)絡的預測——人臉朝向識別198
現(xiàn)采集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分別為：左方、左前方、前方、右前方和右方。試創(chuàng)建一個LVQ神經(jīng)網(wǎng)絡，對任意給出的人臉圖像進行朝向預測和識別。
第23章 小波神經(jīng)網(wǎng)絡的時間序列預測——短時交通流量預測208
根據(jù)小波神經(jīng)網(wǎng)絡原理在MATLAB環(huán)境中編程實現(xiàn)基于小波神經(jīng)網(wǎng)絡的短時交通流量預測。
第24章 模糊神經(jīng)網(wǎng)絡的預測算法——嘉陵江水質(zhì)評價218
根據(jù)模糊神經(jīng)網(wǎng)絡原理，在MATLAB中編程實現(xiàn)基于模糊神經(jīng)網(wǎng)絡的水質(zhì)評價算法。
第25章 廣義神經(jīng)網(wǎng)絡的聚類算法——網(wǎng)絡入侵聚類229
模糊聚類雖然能夠?qū)?shù)據(jù)聚類挖掘，但是由于網(wǎng)絡入侵特征數(shù)據(jù)維數(shù)較多，不同入侵類別間的數(shù)據(jù)差別較小，不少入侵模式不能被準確分類。本案例采用結合模糊聚類和廣義神經(jīng)網(wǎng)絡回歸的聚類算法對入侵數(shù)據(jù)進行分類。
第26章 粒子群優(yōu)化算法的尋優(yōu)算法——非線性函數(shù)極值尋優(yōu)236
根據(jù)PSO算法原理，在MATLAB中編程實現(xiàn)基于PSO算法的函數(shù)極值尋優(yōu)算法。
第27章 遺傳算法優(yōu)化計算——建模自變量降維243
在第21章中，建立模型時選用的每個樣本（即病例）數(shù)據(jù)包括10個量化特征（細胞核半徑、質(zhì)地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數(shù)、對稱度、斷裂度）的平均值、10個量化特征的標準差和10個量化特征的最壞值（各特征的3個最大數(shù)據(jù)的平均值）共30個數(shù)據(jù)。明顯，這30個輸入自變量相互之間存在一定的關系，并非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要將30個輸入自變量中起主要影響因素的自變量篩選出來參與最終的建模。
第28章 基于灰色神經(jīng)網(wǎng)絡的預測算法研究——訂單需求預測258
根據(jù)灰色神經(jīng)網(wǎng)絡原理，在MATLAB中編程實現(xiàn)基于灰色神經(jīng)網(wǎng)絡的訂單需求預測。
第29章 基于Kohonen網(wǎng)絡的聚類算法——網(wǎng)絡入侵聚類268
根據(jù)Kohonen網(wǎng)絡原理，在MATLAB軟件中編程實現(xiàn)基于Kohonen網(wǎng)絡的網(wǎng)絡入侵分類算法。
第30章 神經(jīng)網(wǎng)絡GUI的實現(xiàn)——基于GUI的神經(jīng)網(wǎng)絡擬合、模式識別、聚類277
為了便于使用MATLAB編程的新用戶，快速地利用神經(jīng)網(wǎng)絡解決實際問題，MATLAB提供了一個基于神經(jīng)網(wǎng)絡工具箱的圖形用戶界面?？紤]到圖形用戶界面帶來的方便和神經(jīng)網(wǎng)絡在數(shù)據(jù)擬合、模式識別、聚類各個領域的應用，MATLAB R2009a提供了三種神經(jīng)網(wǎng)絡擬合工具箱（擬合工具箱/模式識別工具箱/聚類工具箱）。