MATLAB神经网络43个案例分析PDF|Epub|txt|kindle电子书版本网盘下载

MATLAB神经网络43个案例分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章BP神经网络的数据分类——语音特征信号分类1

1.1案例背景1

1.1.1 BP神经网络概述1

1.1.2语音特征信号识别2

1.2模型建立3

1.3 MATLAB实现4

1.3.1归一化方法及MATLAB函数4

1.3.2数据选择和归一化4

1.3.3 BP神经网络结构初始化5

1.3.4 BP神经网络训练6

1.3.5 BP神经网络分类7

1.3.6结果分析8

1.4案例扩展8

1.4.1隐含层节点数8

1.4.2附加动量方法9

1.4.3变学习率学习算法9

参考文献10

第2章BP神经网络的非线性系统建模——非线性函数拟合11

2.1案例背景11

2.2模型建立11

2.3 MATLAB实现12

2.3.1 BP神经网络工具箱函数12

2.3.2数据选择和归一化13

2.3.3 BP神经网络训练14

2.3.4 BP神经网络预测14

2.3.5结果分析14

2.4案例扩展15

2.4.1多隐含层BP神经网络15

2.4.2隐含层节点数16

2.4.3训练数据对预测精度影响17

2.4.4节点转移函数17

2.4.5网络拟合的局限性18

参考文献19

第3章 遗传算法优化BP神经网络——非线性函数拟合20

3.1案例背景20

3.1.1遗传算法原理20

3.1.2遗传算法的基本要素20

3.1.3拟合函数21

3.2模型建立21

3.2.1算法流程21

3.2.2遗传算法实现22

3.3编程实现23

3.3.1适应度函数23

3.3.2选择操作24

3.3.3交叉操作25

3.3.4变异操作26

3.3.5遗传算法主函数27

3.3.6遗传算法优化的BP神经网络函数拟合29

3.3.7结果分析30

3.4案例扩展31

3.4.1其他优化方法31

3.4.2网络结构优化32

3.4.3算法的局限性32

参考文献32

第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优34

4.1案例背景34

4.2模型建立34

4.3编程实现35

4.3.1 BP神经网络训练35

4.3.2适应度函数36

4.3.3遗传算法主函数37

4.3.4结果分析38

4.4案例扩展40

4.4.1工程实例40

4.4.2预测精度探讨41

参考文献41

第5章 基于BP＿ Adaboost的强分类器设计——公司财务预警建模42

5.1案例背景42

5.1.1 BP＿ Adaboost模型42

5.1.2公司财务预警系统介绍42

5.2模型建立42

5.3编程实现44

5.3.1数据集选择44

5.3.2弱分类器学习分类44

5.3.3强分类器分类和结果统计45

5.3.4结果分析46

5.4案例扩展46

5.4.1数据集选择46

5.4.2弱预测器学习预测47

5.4.3强预测器预测48

5.4.4结果分析48

参考文献49

第6章PID神经元网络解耦控制算法——多变量系统控制50

6.1案例背景50

6.1.1 PID神经元网络结构50

6.1.2控制律计算50

6.1.3权值修正51

6.1.4控制对象52

6.2模型建立52

6.3编程实现53

6.3.1 PID神经网络初始化53

6.3.2控制律计算53

6.3.3权值修正54

6.3.4结果分析55

6.4案例扩展55

6.4.1增加动量项55

6.4.2神经元系数56

6.4.3 PID神经元网络权值优化57

参考文献58

第7章RBF网络的回归——非线性函数 回归的实现59

7.1案例背景59

7.1.1 RBF神经网络概述59

7.1.2 RBF神经网络结构模型59

7.1.3 RBF神经网络的学习算法60

7.1.4曲线拟合相关背景61

7.2模型建立61

7.3 MATLAB实现62

7.3.1 RBF网络的相关函数62

7.3.2结果分析64

7.4案例扩展66

7.4.1应用径向基神经网络需要注意的问题66

7.4.2 SPREAD对网络的影响66

参考文献66

第8章GRNN的数据预测——基于广义回归神经网络的货运量预测67

8.1案例背景67

8.1.1 GRNN神经网络概述67

8.1.2 GRNN的网络结构67

8.1.3 GRNN的理论基础68

8.1.4运输系统货运量预测相关背景69

8.2模型建立70

8.3 MATLAB实现70

8.4案例扩展72

参考文献73

第9章 离散Hopfield神经网络的联想记 忆——数字识别74

9.1案例背景74

9.1.1离散Hopfield神经网络概述74

9.1.2数字识别概述76

9.1.3问题描述76

9.2模型建立76

9.2.1设计思路76

9.2.2设计步骤76

9.3 Hopfield网络的神经网络工具箱函数78

9.3.1 Hopfield网络创建函数78

9.3.2 Hopfield网络仿真函数78

9.4 MATLAB实现78

9.4.1输入输出设计78

9.4.2网络建立78

9.4.3产生带噪声的数字点阵79

9.4.4数字识别测试79

9.4.5结果分析80

9.5案例扩展81

9.5.1识别效果讨论81

9.5.2应用扩展81

参考文献82

第10章 离散Hopfield神经网络的分类——高校科研能力评价83

10.1案例背景83

10.1.1离散Hopfield神经网络学习规则83

10.1.2高校科研能力评价概述84

10.1.3问题描述84

10.2模型建立84

10.2.1设计思路84

10.2.2设计步骤85

10.3 MATLAB实现87

10.3.1清空环境变量87

10.3.2导入数据88

10.3.3创建目标向量（平衡点）88

10.3.4创建网络88

10.3.5仿真测试88

10.3.6结果分析89

10.4案例扩展90

参考文献91

第11章 连续Hopfield神经网络的优化——旅行商问题优化计算92

11.1案例背景92

11.1.1连续Hopfield神经网络概述92

11.1.2组合优化问题概述94

11.1.3问题描述94

11.2模型建立94

11.2.1设计思路94

11.2.2设计步骤95

11.3 MATLAB实现96

11.3.1清空环境变量、声明全局变量96

11.3.2城市位置导入并计算城市间距离96

11.3.3初始化网络97

11.3.4寻优迭代97

11.3.5结果输出98

11.4案例扩展100

11.4.1结果比较100

11.4.2案例扩展101

参考文献101

第12章 初识SVM 分类与回归102

12.1案例背景102

12.1.1 SVM概述102

12.1.2 LIBSVM工具箱介绍104

12.1.3 LIBSVM工具箱在MATLAB平台 下的安装105

12.2 MATLAB实现109

12.2.1使用LIBSVM进行分类的小例子109

12.2.2使用LIBSVM进行回归的小例子111

12.3案例扩展112

参考文献113

第13章LIBSVM参数实例详解114

13.1案例背景114

13.2 MATLAB实现115

13.3案例扩展119

参考文献119

第14章 基于SVM的数据分类预测——意 大利葡萄酒种类识别120

14.1案例背景120

14.2模型建立122

14.3 MATLAB实现122

14.3.1选定训练集和测试集122

14.3.2数据预处理122

14.3.3训练＆预测123

14.4案例扩展124

14.4.1采用不同归一化方式的对比124

14.4.2采用不同核函数的对比124

14.4.3关于svmtrain的参数c和g选取的 讨论125

参考文献126

第15章SVM的参数优化——如何更好地提升分类器的性能127

15.1案例背景127

15.2模型建立128

15.3 MATLAB实现128

15.3.1交叉验证选择最佳参数c&g128

15.3.2训练与预测132

15.4案例扩展132

15.4.1随机选择的参数与最佳参数对应的 分类准确率对比132

15.4.2算法CV-cg中对于同时达到最高验 证分类准确率的参数c和g的取舍 问题133

15.4.3启发式算法参数寻优133

参考文献136

第16章 基于SVM的回归预测分析——上证指数开盘指数预测137

16.1案例背景137

16.2模型建立138

16.3 MATLAB实现138

16.3.1根据模型假设选定自变量和因变量138

16.3.2数据预处理138

16.3.3参数选择139

16.3.4训练与回归预测140

16.4案例扩展143

参考文献143

第17章 基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测144

17.1案例背景144

17.1.1信息粒化基本知识144

17.1.2信息粒化简介144

17.1.3模糊信息粒化方法模型145

17.1.4本案例采用的模糊粒化模型（W.Pe- drycz模糊粒化方法）146

17.2模型建立147

17.3 MATLAB实现147

17.3.1原始数据提取147

17.3.2 FIG（Fuzzy Information Granulation，147

模糊信息粒化）147

17.3.3利用SVM对粒化数据进行回归预测148

17.3.4给出上证指数的变化趋势和变化空 间及预测效果验证151

17.4案例扩展152

参考文献152

第18章 基于SVM的图像分割——真彩色图像分割153

18.1案例背景153

18.2 MATLAB实现153

18.2.1读入图像154

18.2.2选取前景（鸭子）和背景（湖水）样本 点确定训练集154

18.2.3建立支持向量机并进行图像分割156

18.3案例扩展158

参考文献159

第19章 基于SVM的手写字体识别160

19.1案例背景160

19.2 MATLAB实现161

19.2.1图片预处理161

19.2.2建立支持向量机162

19.2.3对测试样本进行识别163

参考文献164

第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用165

20.1案例背景165

20.2 LIBSVM-FarutoUltimate工具箱使用介绍165

20.2.1 LIBSVM-FarutoUltimate工具箱辅 助函数内容列表165

20.2.2 LIBSVM-FarutoUltimate工具箱辅 助函数语法介绍以及测试166

20.3 SVM＿ GUI工具箱使用介绍177

20.4案例扩展179

第21章 自组织竞争网络在模式分类中的应用——患者癌症发病预测180

21.1案例背景180

21.1.1自组织竞争网络概述180

21.1.2竞争网络结构和学习算法180

21.1.3癌症和基因理论概述181

21.2模型建立182

21.3 MATLAB实现182

21.4案例扩展184

参考文献185

第22章SOM神经网络的数据分类——柴油机故障诊断186

22.1案例背景186

22.1.1 SOM神经网络概述186

22.1.2 SOM神经网络结构186

22.1.3 SOM神经网络学习算法187

22.1.4柴油机故障诊断概述188

22.2模型建立189

22.3 MATLAB实现189

22.4案例扩展194

22.4.1 SOM网络分类优势194

22.4.2 SOM结果分析上需要注意的问题195

22.4.3 SOM神经网络的缺点与不足195

参考文献195

第23章Elman神经网络的数据预测——电力负荷预测模型研究196

23.1案例背景196

23.1.1 Elman神经网络概述196

23.1.2 Elman神经网络结构196

23.1.3 Elman神经网络学习过程197

23.1.4电力负荷预测概述197

23.2模型建立197

23.3 MATLAB实现198

23.4案例扩展200

参考文献200

第24章 概率神经网络的分类预测——基于PNN的变压器故障诊断201

24.1案例背景201

24.1.1 PNN概述201

24.1.2变压器故障诊断系统相关背景202

24.2模型建立203

24.3 MATLAB实现203

24.4案例扩展205

参考文献206

第25章 基于MIV的神经网络变量筛 选——基于BP的神经网络变量 筛选207

25.1案例背景207

25.2模型建立208

25.3 MATLAB实现208

25.4案例扩展211

第26章LVQ神经网络的分类——乳腺肿瘤诊断212

26.1案例背景212

26.1.1 LVQ神经网络概述212

26.1.2乳腺肿瘤诊断概述214

26.1.3问题描述214

26.2模型建立215

26.2.1设计思路215

26.2.2设计步骤215

26.3 LVQ网络的神经网络工具箱函数216

26.3.1 LVQ网络创建函数216

26.3.2 LVQ网络学习函数216

26.4 MATLAB实现216

26.4.1清空环境变量216

26.4.2导入数据217

26.4.3创建LVQ网络217

26.4.4训练LVQ网络218

26.4.5仿真测试218

26.4.6结果218

26.5案例扩展219

26.5.1对比分析219

26.5.2案例扩展220

参考文献220

第27章LVQ神经网络的预测——人脸朝向识别222

27.1案例背景222

27.1.1人脸识别概述222

27.1.2问题描述222

27.2模型建立222

27.2.1设计思路222

27.2.2设计步骤223

27.3 MATLAB实现223

27.3.1清空环境变量223

27.3.2人脸特征向量提取224

27.3.3训练集/测试集产生225

27.3.4创建LVQ网络225

27.3.5训练LVQ网络225

27.3.6人脸识别测试225

27.3.7结果显示226

27.3.8结果分析227

27.4案例扩展228

27.4.1对比分析228

27.4.2案例扩展230

参考文献230

第28章 决策树分类器的应用研究——乳腺癌诊断231

28.1案例背景231

28.1.1决策树分类器概述231

28.1.2问题描述234

28.2模型建立234

28.2.1设计思路234

28.2.2设计步骤234

28.3决策树分类器工具箱函数235

28.3.1 MATLAB R2012b版本函数235

28.3.2 MATLAB R2009a版本函数236

28.4 MATLAB实现236

28.4.1 MATLAB R2012b版本程序实现236

28.4.2 MATLAB R2009a版本程序实现239

28.5案例扩展239

28.5.1提升决策树的性能239

28.5.2知识扩展242

参考文献242

第29章 极限学习机在回归拟合及分类问题中的应用研究——对比实验243

29.1案例背景243

29.1.1极限学习机概述243

29.1.2 ELM的学习算法245

29.1.3问题描述246

29.2模型建立246

29.2.1设计思路246

29.2.2设计步骤246

29.3极限学习机训练与预测函数247

29.3.1 ELM 训练函数——elmtrain（）247

29.3.2 ELM预测函数——elmpredict（）248

29.4 MATLAB实现250

29.4.1 ELM的回归拟合——非线性函数拟 合250

29.4.2 ELM的分类——乳腺肿瘤识别252

29.5案例扩展254

29.5.1隐含层神经元个数的影响254

29.5.2知识扩展255

参考文献255

第30章 基于随机森林思想的组合分类器 设计——乳腺癌诊断256

30.1案例背景256

30.1.1随机森林概述256

30.1.2问题描述257

30.2模型建立258

30.2.1设计思路258

30.2.2设计步骤258

30.3随机森林工具箱258

30.3.1随机森林分类器创建函数259

30.3.2随机森林分类器仿真预测函数259

30.4 MATLAB实现259

30.4.1清空环境变量259

30.4.2导入数据259

30.4.3创建随机森林分类器260

30.4.4仿真测试260

30.4.5结果分析260

30.5案例扩展261

30.5.1随机森林分类器性能分析方法261

30.5.2随机森林中决策树棵数对性能的影 响262

30.5.3知识扩展263

参考文献264

第31章 思维进化算法优化BP神经网 络——非线性函数拟合265

31.1案例背景265

31.1.1思维进化算法概述265

31.1.2思维进化算法基本思路266

31.1.3思维进化算法特点267

31.1.4问题描述267

31.2模型建立267

31.2.1设计思路267

31.2.2设计步骤267

31.3思维进化算法函数268

31.3.1初始种群产生函数269

31.3.2子种群产生函数270

31.3.3种群成熟判别函数271

31.4 MATLAB实现271

31.4.1清空环境变量271

31.4.2导入数据、归一化271

31.4.3思维进化算法参数设置272

31.4.4产生初始种群、优胜子种群和临时子 种群272

31.4.5迭代趋同、异化操作273

31.4.6解码最优个体275

31.4.7创建/训练BP神经网络276

31.4.8仿真测试276

31.4.9结果分析276

31.5案例扩展278

31.5.1得分函数的设计278

31.5.2知识扩展278

参考文献278

第32章 小波神经网络的时间序列预 测——短时交通流量预测279

32.1案例背景279

32.1.1小波理论279

32.1.2小波神经网络279

32.1.3交通流量预测281

32.2模型建立281

32.3编程实现282

32.3.1小波神经网络初始化282

32.3.2小波神经网络训练283

32.3.3小波神经网络预测285

32.3.4结果分析286

32.4案例扩展287

参考文献287

第33章 模糊神经网络的预测算法——嘉 陵江水质评价288

33.1案例背景288

33.1.1模糊数学简介288

33.1.2 T-S模糊模型288

33.1.3 T-S模糊神经网络288

33.1.4嘉陵江水质评价289

33.2模型建立292

33.3编程实现293

33.3.1网络初始化293

33.3.2模糊神经网络训练294

33.3.3模糊神经网络水质评价295

33.3.4结果分析296

33.4案例扩展297

参考文献297

第34章 广义神经网络的聚类算法——网络入侵聚类299

34.1案例背景299

34.1.1 FCM聚类算法299

34.1.2广义神经网络299

34.1.3网络入侵检测300

34.2模型建立300

34.3编程实现301

34.3.1 MATLAB函数介绍301

34.3.2模糊聚类301

34.3.3训练数据初始选择302

34.3.4广义神经网络聚类303

34.3.5结果统计304

34.4案例扩展305

参考文献305

第35章 粒子群优化算法的寻优算法——非线性函数极值寻优306

35.1案例背景306

35.1.1 PSO算法介绍306

35.1.2非线性函数307

35.2模型建立307

35.3编程实现308

35.3.1 PSO算法参数设置308

35.3.2种群初始化308

35.3.3寻找初始极值308

35.3.4迭代寻优309

35.3.5结果分析310

35.4案例扩展310

35.4.1自适应变异310

35.4.2惯性权重的选择311

35.4.3动态粒子群算法311

参考文献312

第36章 遗传算法优化计算——建模自变量降维313

36.1案例背景313

36.1.1遗传算法概述313

36.1.2自变量降维概述314

36.1.3问题描述314

36.2模型建立314

36.2.1设计思路314

36.2.2设计步骤315

36.3遗传算法工具箱（GAOT）函数介绍317

36.3.1种群初始化函数317

36.3.2遗传优化函数318

36.4 MATLAB实现318

36.4.1清空环境变量、声明全局变量318

36.4.2导入数据并归一化319

36.4.3单BP网络创建、训练和仿真319

36.4.4遗传算法优化320

36.4.5新训练集/测试集数据提取323

36.4.6优化BP网络创建、训练和仿真324

36.4.7结果分析324

36.5案例扩展325

参考文献325

第37章 基于灰色神经网络的预测算法研究——订单需求预测327

37.1案例背景327

37.1.1灰色理论327

37.1.2灰色神经网络327

37.1.3冰箱订单预测329

37.2模型建立330

37.3编程实现330

37.3.1数据处理330

37.3.2网络初始化331

37.3.3网络学习332

37.3.4结果预测332

37.4案例扩展334

参考文献335

第38章 基于Kohonen网络的聚类算法——网络入侵聚类336

38.1案例背景336

38.1.1 Kohonen网络336

38.1.2网络入侵337

38.2模型建立337

38.3编程实现337

38.3.1网络初始化337

38.3.2网络学习进化338

38.3.3数据分类339

38.3.4结果分析339

38.4案例扩展340

38.4.1有监督Kohonen网络原理340

38.4.2网络初始化340

38.4.3网络训练342

38.4.4未知样本分类342

38.4.5结果分析343

参考文献343

第39章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类344

39.1案例背景344

39.2模型建立344

39.2.1神经网络拟合工具箱的图形界面344

39.2.2神经网络模式识别工具箱的图形界面349

39.2.3神经网络聚类工具箱的图形界面350

39.3案例扩展353

第40章 动态神经网络时间序列预测研究——基于MATLAB的NARX实现354

40.1案例背景354

40.1.1动态神经网络概述354

40.1.2 NARX概念354

40.1.3案例描述356

40.2模型建立356

40.3 MATLAB实现356

40.4案例扩展360

参考文献365

第41章 定制神经网络的实现——神经网络的个性化建模与仿真366

41.1案例背景366

41.1.1神经网络基本结构366

41.1.2定制神经网络建模的基本思路366

41.1.3问题描述367

41.2 MATLAB实现367

41.2.1清空环境变量367

41.2.2网络定义368

41.2.3输入与网络层数定义369

41.2.4阈值连接定义370

41.2.5输入与层连接定义370

41.2.6输出连接设置371

41.2.7输入设置371

41.2.8层设置372

41.2.9输出设置373

41.2.10阈值、输入权值与层权值设置374

41.2.11网络函数设置375

41.2.12权值阈值大小设置376

41.2.13神经网络初始化376

41.2.14神经网络的训练377

41.3案例扩展378

参考文献378

第42章 并行运算与神经网络——基于CPU/GPU的并行神经网络运算379

42.1并行运算的MATLAB实现379

42.1.1 CPU并行计算379

42.1.2 GPU并行计算381

42.2案例描述382

42.3模型建立383

42.4 MATLAB实现383

42.5案例扩展386

参考文献386

第43章 神经网络高效编程技巧——基于MATLAB R2012b新版本特性的探讨387

43.1案例背景387

43.2高效编程技巧387

43.2.1神经网络建模仿真中速度与内存使 用技巧387

43.2.2神经网络并行运算388

43.2.3 Elliot S函数的使用389

43.2.4神经网络负载均衡390

43.2.5代码组织更新390

43.2.6多层神经网络训练算法的选择392

43.2.7神经网络鲁棒性393

43.3案例拓展394

43.3.1复杂问题的神经网络解决方案394

43.3.2未达到预期神经网络调整策略394

43.3.3提早停止的某些注意事项394

参考文献394