MATLAB神经网络43个案例分析PDF电子书下载

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&g 128

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