MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析

第1章 BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類——語音特征信號(hào)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(luò)實(shí)現(xiàn)對(duì)這四類音樂的有效分類。
第2章 BP神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)建模——非線性函數(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(luò)——非線性函數(shù)擬合21
根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)理論，在MATLAB軟件中編程實(shí)現(xiàn)基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)擬合算法。
第4章 神經(jīng)網(wǎng)絡(luò)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(duì)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(zhǔn)確尋找函數(shù)極值。這類問題可以通過神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法求解，利用神經(jīng)網(wǎng)絡(luò)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(qiáng)分類器設(shè)計(jì)——公司財(cái)務(wù)預(yù)警建模45
BP_Adaboost模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出，通過Adaboost算法得到多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。
第6章 PID神經(jīng)元網(wǎng)絡(luò)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(luò)控制器原理，在MATLAB中編程實(shí)現(xiàn)PID神經(jīng)元網(wǎng)絡(luò)控制多變量耦合系統(tǒng)。
第7章 RBF網(wǎng)絡(luò)的回歸——非線性函數(shù)回歸的實(shí)現(xiàn)65
本例用RBF網(wǎng)絡(luò)擬合未知函數(shù)，預(yù)先設(shè)定一個(gè)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(jī)產(chǎn)生x1，x2和由這兩個(gè)變量按上式得出的y。將x1，x2作為RBF網(wǎng)絡(luò)的輸入數(shù)據(jù)，將y作為RBF網(wǎng)絡(luò)的輸出數(shù)據(jù)，分別建立近似和精確RBF網(wǎng)絡(luò)進(jìn)行回歸分析，并評(píng)價(jià)網(wǎng)絡(luò)擬合效果。
第8章 GRNN的數(shù)據(jù)預(yù)測(cè)——基于廣義回歸神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)73
根據(jù)貨運(yùn)量影響因素的分析，分別取國(guó)內(nèi)生產(chǎn)總值（GDP），工業(yè)總產(chǎn)值，鐵路運(yùn)輸線路長(zhǎng)度，復(fù)線里程比重，公路運(yùn)輸線路長(zhǎng)度，等級(jí)公路比重，鐵路貨車數(shù)量和民用載貨汽車數(shù)量8項(xiàng)指標(biāo)因素作為網(wǎng)絡(luò)輸入，以貨運(yùn)總量，鐵路貨運(yùn)量和公路貨運(yùn)量3項(xiàng)指標(biāo)因素作為網(wǎng)絡(luò)輸出，構(gòu)建GRNN，由于訓(xùn)練數(shù)據(jù)較少，采取交叉驗(yàn)證方法訓(xùn)練GRNN神經(jīng)網(wǎng)絡(luò)，并用循環(huán)找出最佳的SPREAD。
第9章 離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶——數(shù)字識(shí)別81
根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)相關(guān)知識(shí)，設(shè)計(jì)一個(gè)具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡(luò)。要求該網(wǎng)絡(luò)可以正確地識(shí)別0~9這10個(gè)數(shù)字，當(dāng)數(shù)字被一定的噪聲干擾后，仍具有較好的識(shí)別效果。
第10章 離散Hopfield神經(jīng)網(wǎng)絡(luò)的分類——高校科研能力評(píng)價(jià)90
某機(jī)構(gòu)對(duì)20所高校的科研能力進(jìn)行了調(diào)研和評(píng)價(jià)，試根據(jù)調(diào)研結(jié)果中較為重要的11個(gè)評(píng)價(jià)指標(biāo)的數(shù)據(jù)，并結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶能力，建立離散Hopfield高?？蒲心芰υu(píng)價(jià)模型。
第11章 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的優(yōu)化——旅行商問題優(yōu)化計(jì)算100
現(xiàn)對(duì)于一個(gè)城市數(shù)量為10的TSP問題，要求設(shè)計(jì)一個(gè)可以對(duì)其進(jìn)行組合優(yōu)化的連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)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(yù)測(cè)——意大利葡萄酒種類識(shí)別112
將這178個(gè)樣本的50%做為訓(xùn)練集，另50%做為測(cè)試集，用訓(xùn)練集對(duì)SVM進(jìn)行訓(xùn)練可以得到分類模型，再用得到的模型對(duì)測(cè)試集進(jìn)行類別標(biāo)簽預(yù)測(cè)。
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(xùn)練集找到分類的最佳參數(shù)，不但能夠高準(zhǔn)確率的預(yù)測(cè)訓(xùn)練集而且要合理的預(yù)測(cè)測(cè)試集，使得測(cè)試集的分類準(zhǔn)確率也維持在一個(gè)較高水平，即使得得到的SVM分類器的學(xué)習(xí)能力和推廣能力保持一個(gè)平衡，避免過學(xué)習(xí)和欠學(xué)習(xí)狀況發(fā)生。
第14章 SVM的回歸預(yù)測(cè)分析——上證指數(shù)開盤指數(shù)預(yù)測(cè)133
對(duì)上證指數(shù)從1990.12.20-2009.08.19每日的開盤數(shù)進(jìn)行回歸分析。
第15章 SVM的信息粒化時(shí)序回歸預(yù)測(cè)——上證指數(shù)開盤指數(shù)變化趨勢(shì)和變化空間預(yù)測(cè)141
在這個(gè)案例里面我們將利用SVM對(duì)進(jìn)行模糊信息?；蟮纳献C每日的開盤指數(shù)進(jìn)行變化趨勢(shì)和變化空間的預(yù)測(cè)。
若您對(duì)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(jìng)爭(zhēng)網(wǎng)絡(luò)在模式分類中的應(yīng)用——患者癌癥發(fā)病預(yù)測(cè)153
本案例中給出了一個(gè)含有60個(gè)個(gè)體基因表達(dá)水平的樣本。每個(gè)樣本中測(cè)量了114個(gè)基因特征，其中前20個(gè)樣本是癌癥病人的基因表達(dá)水平的樣本(其中還可能有子類)， 中間的20個(gè)樣本是正常人的基因表達(dá)信息樣本， 余下的20個(gè)樣本是待檢測(cè)的樣本(未知它們是否正常)。以下將設(shè)法找出癌癥與正常樣本在基因表達(dá)水平上的區(qū)別，建立競(jìng)爭(zhēng)網(wǎng)絡(luò)模型去預(yù)測(cè)待檢測(cè)樣本是癌癥還是正常樣本。
第17章SOM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類——柴油機(jī)故障診斷159
本案例中給出了一個(gè)含有8個(gè)故障樣本的數(shù)據(jù)集。每個(gè)故障樣本中有8個(gè)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(luò)進(jìn)行故障診斷。
第18章Elman神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)——電力負(fù)荷預(yù)測(cè)模型研究170
根據(jù)負(fù)荷的歷史數(shù)據(jù)，選定反饋神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)，來反映電力系統(tǒng)負(fù)荷運(yùn)行的內(nèi)在規(guī)律，從而達(dá)到預(yù)測(cè)未來時(shí)段負(fù)荷的目的。
第19章 概率神經(jīng)網(wǎng)絡(luò)的分類預(yù)測(cè)——基于PNN的變壓器故障診斷176
本案例在對(duì)油中溶解氣體分析法進(jìn)行深入分析后，以改良三比值法為基礎(chǔ)，建立基于概率神經(jīng)網(wǎng)絡(luò)的故障診斷模型。
第20章 神經(jīng)網(wǎng)絡(luò)變量篩選——基于BP的神經(jīng)網(wǎng)絡(luò)變量篩選183
本例將結(jié)合BP神經(jīng)網(wǎng)絡(luò)應(yīng)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(luò)來篩選變量，找到對(duì)結(jié)果有較大影響的輸入項(xiàng)，繼而實(shí)現(xiàn)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行變量篩選。
第21章 LVQ神經(jīng)網(wǎng)絡(luò)的分類——乳腺腫瘤診斷188
威斯康星大學(xué)醫(yī)學(xué)院經(jīng)過多年的收集和整理，建立了一個(gè)乳腺腫瘤病灶組織的細(xì)胞核顯微圖像數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)中包含了細(xì)胞核圖像的10個(gè)量化特征（細(xì)胞核半徑、質(zhì)地、周長(zhǎng)、面積、光滑性、緊密度、凹陷度、凹陷點(diǎn)數(shù)、對(duì)稱度、斷裂度），這些特征與腫瘤的性質(zhì)有密切的關(guān)系。因此，需要建立一個(gè)確定的模型來描述數(shù)據(jù)庫(kù)中各個(gè)量化特征與腫瘤性質(zhì)的關(guān)系，從而可以根據(jù)細(xì)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(luò)的預(yù)測(cè)——人臉朝向識(shí)別198
現(xiàn)采集到一組人臉朝向不同角度時(shí)的圖像，圖像來自不同的10個(gè)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(gè)LVQ神經(jīng)網(wǎng)絡(luò)，對(duì)任意給出的人臉圖像進(jìn)行朝向預(yù)測(cè)和識(shí)別。
第23章 小波神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)——短時(shí)交通流量預(yù)測(cè)208
根據(jù)小波神經(jīng)網(wǎng)絡(luò)原理在MATLAB環(huán)境中編程實(shí)現(xiàn)基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)。
第24章 模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法——嘉陵江水質(zhì)評(píng)價(jià)218
根據(jù)模糊神經(jīng)網(wǎng)絡(luò)原理，在MATLAB中編程實(shí)現(xiàn)基于模糊神經(jīng)網(wǎng)絡(luò)的水質(zhì)評(píng)價(jià)算法。
第25章 廣義神經(jīng)網(wǎng)絡(luò)的聚類算法——網(wǎng)絡(luò)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(luò)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(zhǔn)確分類。本案例采用結(jié)合模糊聚類和廣義神經(jīng)網(wǎng)絡(luò)回歸的聚類算法對(duì)入侵?jǐn)?shù)據(jù)進(jìn)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(shí)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(jì)算——建模自變量降維243
在第21章中，建立模型時(shí)選用的每個(gè)樣本（即病例）數(shù)據(jù)包括10個(gè)量化特征（細(xì)胞核半徑、質(zhì)地、周長(zhǎng)、面積、光滑性、緊密度、凹陷度、凹陷點(diǎn)數(shù)、對(duì)稱度、斷裂度）的平均值、10個(gè)量化特征的標(biāo)準(zhǔn)差和10個(gè)量化特征的最壞值（各特征的3個(gè)最大數(shù)據(jù)的平均值）共30個(gè)數(shù)據(jù)。明顯，這30個(gè)輸入自變量相互之間存在一定的關(guān)系，并非相互獨(dú)立的，因此，為了縮短建模時(shí)間、提高建模精度，有必要將30個(gè)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(luò)的預(yù)測(cè)算法研究——訂單需求預(yù)測(cè)258
根據(jù)灰色神經(jīng)網(wǎng)絡(luò)原理，在MATLAB中編程實(shí)現(xiàn)基于灰色神經(jīng)網(wǎng)絡(luò)的訂單需求預(yù)測(cè)。
第29章 基于Kohonen網(wǎng)絡(luò)的聚類算法——網(wǎng)絡(luò)入侵聚類268
根據(jù)Kohonen網(wǎng)絡(luò)原理，在MATLAB軟件中編程實(shí)現(xiàn)基于Kohonen網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵分類算法。
第30章 神經(jīng)網(wǎng)絡(luò)GUI的實(shí)現(xiàn)——基于GUI的神經(jīng)網(wǎng)絡(luò)擬合、模式識(shí)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(luò)解決實(shí)際問題，MATLAB提供了一個(gè)基于神經(jīng)網(wǎng)絡(luò)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(luò)在數(shù)據(jù)擬合、模式識(shí)別、聚類各個(gè)領(lǐng)域的應(yīng)用，MATLAB R2009a提供了三種神經(jīng)網(wǎng)絡(luò)擬合工具箱（擬合工具箱/模式識(shí)別工具箱/聚類工具箱）。