MATLAB神經網路43個案例分析

《MATLAB神經網路43個案例分析》是2013年北京航空航天大學出版社出版的圖書，作者是王小川，史峰，郁磊，李洋。

基本介紹

• 中文名：MATLAB神經網路43個案例分析
• 作者：王小川，史峰，郁磊，李洋
• 出版社：北京航空航天大學出版社
• 出版時間：2013年8月1日
• ISBN：9787512412026

內容簡介

《MATLAB神經網路43個案例分析》是在《MATLAB神經網路30個案例分析》的基礎上修改、補充而成的，秉承著“理論講解—案例分析—套用擴展”這一特色，幫助讀者更加直觀、生動地學習神經網路。

　　《MATLAB神經網路43個案例分析》共有43章，內容涵蓋常見的神經網路（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相關智慧型算法（SVM、決策樹、隨機森林、極限學習機等）。同時，部分章節也涉及了常見的最佳化算法（元愉照遺傳算法、蟻群算法等）與神經網路的結合問題。此外，《MATLAB神經網路43個案例分析》還介紹了MATLAB R2012b中神經網路工具箱的新增功能與特性，如神經網路並行計算、定製神經網路、神經網路高效凶狼霉編程等。

　　使用《MATLAB神經網路43個案例分析》時，建議讀者按照“先通讀章節內容，後調試程式，再精讀章節內容”的順序學習。《MATLAB神經網路43個案例分析》程式建議在MATLAB R2009a及以上版本環境下運行。若在程式調試過程中有任何疑問，建議先在論壇書籍答疑版塊搜尋相關答案，然後再發帖與作者交流。

　　《MATLAB神經網路43個案例分析》可作為高潤夜雅體等學校相關專業學生本科畢業設計、研究生課題研究的參考夜乃書籍，亦可供相關專業教師教學參考。

圖書目錄

第1章 BP神經網路的數據分類——語音特徵信號分類

1.1 案例背景

1.1.1 BP神經網路概述

1.1.2 語音特徵信號識別

1.2 模型建立

1.3 MATLAB實現

1.3.1 歸一化方法及MATLAB函式

1.3.2 數據選擇和歸一化

1.3.3 BP神淚只辯捉經網路結構初始化

1.3.4 BP神經網路訓練

1.3.5 BP神經網路分類

1.3.6 結果分析

1.4 案例擴展

1.4.1 隱含層節點數

1.4.2 附加動量方法

1.4.3 變學習率學習算法

參考文獻

第2章 BP神經網路的非線性系統建模——非線性函式擬合

2.1 案例背景

2.2 模型建立

2.3 MATLAB實現

2.3.1 BP神經網路工具箱函式

2.3.2 數據選擇和歸一化

2.3.3 BP神經網路訓練

2.3.4 BP神經網路預測

2.3.5 結果分析

2.4 案例擴展

2.4.1 多隱含層BP神經網路

2.4.2 隱含層節點數

2.4.3 訓練數據對預測精度影響

2.4.4 節點轉移函式

2.4.5 網路擬合的局限性

參考文獻

第3章 遺傳算法最佳化BP神經網路——非線性函式擬合

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 擬合函式

3.2 模型建立

3.2.1 算法流程

3.2.2 遺傳算法實現

3.3 編程實現

3.3.1 適應度函式

3.3.2 選擇操作

3.3.3 交叉操作

3.3.4 變異操作

3.3.5 遺傳算法主函式

3.3.6 遺傳算法最佳化的BP神經網探刪戲絡函式擬合

3.3.7 結果分析

3.4 案例擴展

3.4.1 其他最佳化方法

3.4.2 網路結構最佳化

3.4.3 算法的局限性

參考文獻

第4章 神經網路遺傳算法函式極值尋優——非線性函式極值尋優

4.1 案例背景

4.2 模型建立

4.3 編程實現

4.3.1 BP神經網路訓練

4.3.2 適應度函式

4.3.3 遺傳算法主函式

4.3.4 結果分析

4.4 案例擴展

4.4.1 工程實例

4.4.2 預測精度探討

參考文獻

第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模

5.1 案例背景

5.1.1 BP_Adaboost模型

5.1.2 公司財務預警系統介紹

5.2 模型建立

5.3 編程實現

5.3.1 數據集選擇

5.3.2 弱分類器學習分類

5.3.3 強分類器分類和結果統計

5.3.4 結果分析

5.4 案例擴展

5.4.1 數據集選擇

5.4.2 弱預測器學習預測

5.4.3 強預測器預測

5.4.4 結果分析

參考文獻

第6章 PID神經元網路解耦控制算法——多變數系統控制

6.1 案例背景

6.1.1 PID神經元網路結構

6.1.2 控制律計算

6.1.3 權值修正

6.1.4 控制對象

6.2 模型建立

6.3 編程實現

6.3.1 PID神經網路初始化

6.3.2 控制律計算

6.3.3 權值修正

6.3.4 結果分析

6.4 案例擴展

6.4.1 增加動量項

6.4.2 神經元係數

6.4.3 PID神經元網路權值最佳化

參考文獻

第7章 RBF網路的回歸——非線性函式回歸的實現兆定獄

第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測

第9章 離散Hopfield神經網路的聯想記憶——數字識別

第10章 離散Hopfield神經網路的分類——高校科研能力評價

第11章 連續Hopfield神經網路的最佳化——旅行商問題最佳化計算

第12章 初識SVM分類與回歸

第13章 LIBSVM參數實例詳解

第14章 基於SVM的數據分類預測——義大利葡萄酒種類識別

第15章 SVM的參數最佳化——如何更好地提升分類器的性能

第16章 基於SVM的回歸預測分析——上證指數開盤指數預測

第17章 基於SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測

第18章 基於SVM的圖像分割——真彩色圖像分割

第19章 基於SVM的手寫字型識別

第20章 LIBSVMFarutoUltimate工具箱及GUI版本介紹與使用

第21章 自組織競爭網路在模式分類中的套用——患者癌症發病預測

第22章 SOM神經網路的數據分類——柴油機故障診斷

第23章 Elman神經網路的數據預測——電力負荷預測模型研究

第24章 機率神經網路的分類預測——基於PNN的變壓器故障診斷

第25章 基於MIV的神經網路變數篩選——基於BP的神經網路變數篩選

第26章 LVQ神經網路的分類——乳腺腫瘤診斷

第27章 LVQ神經網路的預測——人臉朝向識別

第28章 決策樹分類器的套用研究——乳腺癌診斷

第29章 極限學習機在回歸擬合及分類問題中的套用研究——對比實驗

第30章 基於隨機森林思想的組合分類器設計——乳腺癌診斷

第31章 思維進化算法最佳化BP神經網路——非線性函式擬合

第32章 小波神經網路的時間序列預測——短時交通流量預測

第33章 模糊神經網路的預測算法——嘉陵江水質評價

第34章 廣義神經網路的聚類算法——網路入侵聚類

第35章 粒子群最佳化算法的尋優算法——非線性函式極值尋優

第36章 遺傳算法最佳化計算——建模自變數降維

第37章 基於灰色神經網路的預測算法研究——訂單需求預測

第38章 基於Kohonen網路的聚類算法——網路入侵聚類

第39章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類

第40章 動態神經網路時間序列預測研究——基於MATLAB的NARX實現

第41章 定製神經網路的實現——神經網路的個性化建模與仿真

第42章 並行運算與神經網路——基於CPU/GPU的並行神經網路運算

第43章 神經網路高效編程技巧——基於MATLAB R2012b新版本特性的探討

第3章 遺傳算法最佳化BP神經網路——非線性函式擬合

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 擬合函式

3.2 模型建立

3.2.1 算法流程

3.2.2 遺傳算法實現

3.3 編程實現

3.3.1 適應度函式

3.3.2 選擇操作

3.3.3 交叉操作

3.3.4 變異操作

3.3.5 遺傳算法主函式

3.3.6 遺傳算法最佳化的BP神經網路函式擬合

3.3.7 結果分析

3.4 案例擴展

3.4.1 其他最佳化方法

3.4.2 網路結構最佳化

3.4.3 算法的局限性

參考文獻

第4章 神經網路遺傳算法函式極值尋優——非線性函式極值尋優

4.1 案例背景

4.2 模型建立

4.3 編程實現

4.3.1 BP神經網路訓練

4.3.2 適應度函式

4.3.3 遺傳算法主函式

4.3.4 結果分析

4.4 案例擴展

4.4.1 工程實例

4.4.2 預測精度探討

參考文獻

第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模

5.1 案例背景

5.1.1 BP_Adaboost模型

5.1.2 公司財務預警系統介紹

5.2 模型建立

5.3 編程實現

5.3.1 數據集選擇

5.3.2 弱分類器學習分類

5.3.3 強分類器分類和結果統計

5.3.4 結果分析

5.4 案例擴展

5.4.1 數據集選擇

5.4.2 弱預測器學習預測

5.4.3 強預測器預測

5.4.4 結果分析

參考文獻

第6章 PID神經元網路解耦控制算法——多變數系統控制

6.1 案例背景

6.1.1 PID神經元網路結構

6.1.2 控制律計算

6.1.3 權值修正

6.1.4 控制對象

6.2 模型建立

6.3 編程實現

6.3.1 PID神經網路初始化

6.3.2 控制律計算

6.3.3 權值修正

6.3.4 結果分析

6.4 案例擴展

6.4.1 增加動量項

6.4.2 神經元係數

6.4.3 PID神經元網路權值最佳化

參考文獻

第7章 RBF網路的回歸——非線性函式回歸的實現

第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測

第9章 離散Hopfield神經網路的聯想記憶——數字識別

第10章 離散Hopfield神經網路的分類——高校科研能力評價

第11章 連續Hopfield神經網路的最佳化——旅行商問題最佳化計算

第12章 初識SVM分類與回歸

第13章 LIBSVM參數實例詳解

第14章 基於SVM的數據分類預測——義大利葡萄酒種類識別

第15章 SVM的參數最佳化——如何更好地提升分類器的性能

第16章 基於SVM的回歸預測分析——上證指數開盤指數預測

第17章 基於SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測

第18章 基於SVM的圖像分割——真彩色圖像分割

第19章 基於SVM的手寫字型識別

第20章 LIBSVMFarutoUltimate工具箱及GUI版本介紹與使用

第21章 自組織競爭網路在模式分類中的套用——患者癌症發病預測

第22章 SOM神經網路的數據分類——柴油機故障診斷

第23章 Elman神經網路的數據預測——電力負荷預測模型研究

第24章 機率神經網路的分類預測——基於PNN的變壓器故障診斷

第25章 基於MIV的神經網路變數篩選——基於BP的神經網路變數篩選

第26章 LVQ神經網路的分類——乳腺腫瘤診斷

第27章 LVQ神經網路的預測——人臉朝向識別

第28章 決策樹分類器的套用研究——乳腺癌診斷

第29章 極限學習機在回歸擬合及分類問題中的套用研究——對比實驗

第30章 基於隨機森林思想的組合分類器設計——乳腺癌診斷

第31章 思維進化算法最佳化BP神經網路——非線性函式擬合

第32章 小波神經網路的時間序列預測——短時交通流量預測

第33章 模糊神經網路的預測算法——嘉陵江水質評價

第34章 廣義神經網路的聚類算法——網路入侵聚類

第35章 粒子群最佳化算法的尋優算法——非線性函式極值尋優

第36章 遺傳算法最佳化計算——建模自變數降維

第37章 基於灰色神經網路的預測算法研究——訂單需求預測

第38章 基於Kohonen網路的聚類算法——網路入侵聚類

第39章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類

第40章 動態神經網路時間序列預測研究——基於MATLAB的NARX實現

第41章 定製神經網路的實現——神經網路的個性化建模與仿真

第42章 並行運算與神經網路——基於CPU/GPU的並行神經網路運算

第43章 神經網路高效編程技巧——基於MATLAB R2012b新版本特性的探討