MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析

第1章　BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類——語音特征信號分類
1.1　案例背景
1.1.1　BP神經(jīng)網(wǎng)絡(luò)概述
1.1.2　語音特征信號識別
1.2　模型建立
1.3　MATLAB實現(xiàn)
1.3.1　歸一化方法及MATLAB函數(shù)
1.3.2　數(shù)據(jù)選擇和歸一化
1.3.3　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)初始化
1.3.4　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練
1.3.5　BP神經(jīng)網(wǎng)絡(luò)分類
1.3.6　結(jié)果分析
1.4　案例擴展
1.4.1　隱含層節(jié)點數(shù)
1.4.2　附加動量方法
1.4.3　變學(xué)習(xí)率學(xué)習(xí)算法
參考文獻(xiàn)
第2章　BP神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)建?！蔷€性函數(shù)擬合
2.1　案例背景
2.2　模型建立
2.3　MATLAB實現(xiàn)
2.3.1　BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)
2.3.2　數(shù)據(jù)選擇和歸一化
2.3.3　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練
2.3.4　BP神經(jīng)網(wǎng)絡(luò)預(yù)測
2.3.5　結(jié)果分析
2.4　案例擴展
2.4.1　多隱含層BP神經(jīng)網(wǎng)絡(luò)
2.4.2　隱含層節(jié)點數(shù)
2.4.3　訓(xùn)練數(shù)據(jù)對預(yù)測精度影響
2.4.4　節(jié)點轉(zhuǎn)移函數(shù)
2.4.5　網(wǎng)絡(luò)擬合的局限性
參考文獻(xiàn)
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
3.1　案例背景
3.1.1　遺傳算法原理
3.1.2　遺傳算法的基本要素
3.1.3　擬合函數(shù)
3.2　模型建立
3.2.1　算法流程
3.2.2　遺傳算法實現(xiàn)
3.3　編程實現(xiàn)
3.3.1　適應(yīng)度函數(shù)
3.3.2　選擇操作
3.3.3　交叉操作
3.3.4　變異操作
3.3.5　遺傳算法主函數(shù)
3.3.6　遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)函數(shù)擬合
3.3.7　結(jié)果分析
3.4　案例擴展
3.4.1　其他優(yōu)化方法
3.4.2　網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
3.4.3　算法的局限性
參考文獻(xiàn)
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)
4.1　案例背景
4.2　模型建立
4.3　編程實現(xiàn)
4.3.1　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練
4.3.2　適應(yīng)度函數(shù)
4.3.3　遺傳算法主函數(shù)
4.3.4　結(jié)果分析
4.4　案例擴展
4.4.1　工程實例
4.4.2　預(yù)測精度探討
參考文獻(xiàn)
第5章　基于BP_Adaboost的強分類器設(shè)計——公司財務(wù)預(yù)警建模
5.1　案例背景
5.1.1　BP_Adaboost模型
5.1.2　公司財務(wù)預(yù)警系統(tǒng)介紹
5.2　模型建立
5.3　編程實現(xiàn)
5.3.1　數(shù)據(jù)集選擇
5.3.2　弱分類器學(xué)習(xí)分類
5.3.3　強分類器分類和結(jié)果統(tǒng)計
5.3.4　結(jié)果分析
5.4　案例擴展
5.4.1　數(shù)據(jù)集選擇
5.4.2　弱預(yù)測器學(xué)習(xí)預(yù)測
5.4.3　強預(yù)測器預(yù)測
5.4.4　結(jié)果分析
參考文獻(xiàn)
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
6.1　案例背景
6.1.1　PID神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)
6.1.2　控制律計算
6.1.3　權(quán)值修正
6.1.4　控制對象
6.2　模型建立
6.3　編程實現(xiàn)
6.3.1　PID神經(jīng)網(wǎng)絡(luò)初始化
6.3.2　控制律計算
6.3.3　權(quán)值修正
6.3.4　結(jié)果分析
6.4　案例擴展
6.4.1　增加動量項
6.4.2　神經(jīng)元系數(shù)
6.4.3　PID神經(jīng)元網(wǎng)絡(luò)權(quán)值優(yōu)化
參考文獻(xiàn)
第7章　RBF網(wǎng)絡(luò)的回歸——非線性函數(shù)回歸的實現(xiàn)
第8章　GRNN的數(shù)據(jù)預(yù)測——基于廣義回歸神經(jīng)網(wǎng)絡(luò)的貨運量預(yù)測
第9章　離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶——數(shù)字識別
第10章　離散Hopfield神經(jīng)網(wǎng)絡(luò)的分類——高?？蒲心芰υu價
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)化計算
第12章　初識SVM分類與回歸
第13章　LIBSVM參數(shù)實例詳解
第14章　基于SVM的數(shù)據(jù)分類預(yù)測——意大利葡萄酒種類識別
第15章　SVM的參數(shù)優(yōu)化——如何更好地提升分類器的性能
第16章　基于SVM的回歸預(yù)測分析——上證指數(shù)開盤指數(shù)預(yù)測
第17章　基于SVM的信息?；瘯r序回歸預(yù)測——上證指數(shù)開盤指數(shù)變化趨勢和變化空間預(yù)測
第18章　基于SVM的圖像分割——真彩色圖像分割
第19章　基于SVM的手寫字體識別
第20章　LIBSVMFarutoUltimate工具箱及GUI版本介紹與使用
第21章　自組織競爭網(wǎng)絡(luò)在模式分類中的應(yīng)用——患者癌癥發(fā)病預(yù)測
第22章　SOM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類——柴油機故障診斷
第23章　Elman神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測——電力負(fù)荷預(yù)測模型研究
第24章　概率神經(jīng)網(wǎng)絡(luò)的分類預(yù)測——基于PNN的變壓器故障診斷
第25章　基于MIV的神經(jīng)網(wǎng)絡(luò)變量篩選——基于BP的神經(jīng)網(wǎng)絡(luò)變量篩選
第26章　LVQ神經(jīng)網(wǎng)絡(luò)的分類——乳腺腫瘤診斷
第27章　LVQ神經(jīng)網(wǎng)絡(luò)的預(yù)測——人臉朝向識別
第28章　決策樹分類器的應(yīng)用研究——乳腺癌診斷
第29章　極限學(xué)習(xí)機在回歸擬合及分類問題中的應(yīng)用研究——對比實驗
第30章　基于隨機森林思想的組合分類器設(shè)計——乳腺癌診斷
第31章　思維進化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)——非線性函數(shù)擬合
第32章　小波神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測——短時交通流量預(yù)測
第33章　模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測算法——嘉陵江水質(zhì)評價
第34章　廣義神經(jīng)網(wǎng)絡(luò)的聚類算法——網(wǎng)絡(luò)入侵聚類
第35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)
第36章　遺傳算法優(yōu)化計算——建模自變量降維
第37章　基于灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測算法研究——訂單需求預(yù)測
第38章　基于Kohonen網(wǎng)絡(luò)的聚類算法——網(wǎng)絡(luò)入侵聚類
第39章　神經(jīng)網(wǎng)絡(luò)GUI的實現(xiàn)——基于GUI的神經(jīng)網(wǎng)絡(luò)擬合、模式識別、聚類
第40章　動態(tài)神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測研究——基于MATLAB的NARX實現(xiàn)
第41章　定制神經(jīng)網(wǎng)絡(luò)的實現(xiàn)——神經(jīng)網(wǎng)絡(luò)的個性化建模與仿真
第42章　并行運算與神經(jīng)網(wǎng)絡(luò)——基于CPU/GPU的并行神經(jīng)網(wǎng)絡(luò)運算
第43章　神經(jīng)網(wǎng)絡(luò)高效編程技巧——基于MATLAB R2012b新版本特性的探討