MATLAB神经网络43个案例分析 PDF 清晰完整版

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的，秉承着“理论讲解—案例分析—应用扩展”这一特色，帮助读者更加直观、生动地学习神经网络。本书共有43章，内容涵盖常见的神经网络（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相关智能算法（SVM、决策树、随机森林、极限学习机等）。同时，部分章节也涉及了常见的优化算法（遗传算法、蚁群算法等）与神经网络的结合问题。此外，本书还介绍了MATLAB R2012b中神经网络工具箱的新增功能与特性，如神经网络并行计算、定制神经网络、神经网络高效编程等。使用本书时，建议读者按照“先通读章节内容，后调试程序，再精读章节内容”的顺序学习。本书程序建议在MATLAB R2009a及以上版本环境下运行。若在程序调试过程中有任何疑问，建议先在论坛书籍答疑版块搜索相关答案，然后再发帖与作者交流。本书可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。

目录

• 第1章BP神经网络的数据分类——语音特征信号分类
• 1.1案例背景
• 1.1.1BP神经网络概述
• 1.1.2语音特征信号识别
• 1.2模型建立
• 1.3MATLAB实现
• 1.3.1归一化方法及MATLAB函数
• 1.3.2数据选择和归一化
• 1.3.3BP神经网络结构初始化
• 1.3.4BP神经网络训练
• 1.3.5BP神经网络分类
• 1.3.6结果分析
• 1.4案例扩展
• 1.4.1隐含层节点数
• 1.4.2附加动量方法
• 1.4.3变学习率学习算法
• 参考文献
• 第2章BP神经网络的非线性系统建模——非线性函数拟合
• 2.1案例背景
• 2.2模型建立
• 2.3MATLAB实现
• 2.3.1BP神经网络工具箱函数
• 2.3.2数据选择和归一化
• 2.3.3BP神经网络训练
• 2.3.4BP神经网络预测
• 2.3.5结果分析
• 2.4案例扩展
• 2.4.1多隐含层BP神经网络
• 2.4.2隐含层节点数
• 2.4.3训练数据对预测精度影响
• 2.4.4节点转移函数
• 2.4.5网络拟合的局限性
• 参考文献
• 第3章遗传算法优化BP神经网络——非线性函数拟合
• 3.1案例背景
• 3.1.1遗传算法原理
• 3.1.2遗传算法的基本要素
• 3.1.3拟合函数
• 3.2模型建立
• 3.2.1算法流程
• 3.2.2遗传算法实现
• 3.3编程实现
• 3.3.1适应度函数
• 3.3.2选择操作
• 3.3.3交叉操作
• 3.3.4变异操作
• 3.3.5遗传算法主函数
• 3.3.6遗传算法优化的BP神经网络函数拟合
• 3.3.7结果分析
• 3.4案例扩展
• 3.4.1其他优化方法
• 3.4.2网络结构优化
• 3.4.3算法的局限性
• 参考文献
• 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
• 4.1案例背景
• 4.2模型建立
• 4.3编程实现
• 4.3.1BP神经网络训练
• 4.3.2适应度函数
• 4.3.3遗传算法主函数
• 4.3.4结果分析
• 4.4案例扩展
• 4.4.1工程实例
• 4.4.2预测精度探讨
• 参考文献
• 第5章基于BP_Adaboost的强分类器设计——公司财务预警建模
• 5.1案例背景
• 5.1.1BP_Adaboost模型
• 5.1.2公司财务预警系统介绍
• 5.2模型建立
• 5.3编程实现
• 5.3.1数据集选择
• 5.3.2弱分类器学习分类
• 5.3.3强分类器分类和结果统计
• 5.3.4结果分析
• 5.4案例扩展
• 5.4.1数据集选择
• 5.4.2弱预测器学习预测
• 5.4.3强预测器预测
• 5.4.4结果分析
• 参考文献
• 第6章PID神经元网络解耦控制算法——多变量系统控制
• 6.1案例背景
• 6.1.1PID神经元网络结构
• 6.1.2控制律计算
• 6.1.3权值修正
• 6.1.4控制对象
• 6.2模型建立
• 6.3编程实现
• 6.3.1PID神经网络初始化
• 6.3.2控制律计算
• 6.3.3权值修正
• 6.3.4结果分析
• 6.4案例扩展
• 6.4.1增加动量项
• 6.4.2神经元系数
• 6.4.3PID神经元网络权值优化
• 参考文献
• 第7章RBF网络的回归——非线性函数回归的实现
• 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
• 第9章离散Hopfield神经网络的联想记忆——数字识别
• 第10章离散Hopfield神经网络的分类——高校科研能力评价
• 第11章连续Hopfield神经网络的优化——旅行商问题优化计算
• 第12章初识SVM分类与回归
• 第13章LIBSVM参数实例详解
• 第14章基于SVM的数据分类预测——意大利葡萄酒种类识别
• 第15章SVM的参数优化——如何更好地提升分类器的性能
• 第16章基于SVM的回归预测分析——上证指数开盘指数预测
• 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
• 第18章基于SVM的图像分割——真彩色图像分割
• 第19章基于SVM的手写字体识别
• 第20章LIBSVMFarutoUltimate工具箱及GUI版本介绍与使用
• 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
• 第22章SOM神经网络的数据分类——柴油机故障诊断
• 第23章Elman神经网络的数据预测——电力负荷预测模型研究
• 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
• 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
• 第26章LVQ神经网络的分类——乳腺肿瘤诊断
• 第27章LVQ神经网络的预测——人脸朝向识别
• 第28章决策树分类器的应用研究——乳腺癌诊断
• 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
• 第30章基于随机森林思想的组合分类器设计——乳腺癌诊断
• 第31章思维进化算法优化BP神经网络——非线性函数拟合
• 第32章小波神经网络的时间序列预测——短时交通流量预测
• 第33章模糊神经网络的预测算法——嘉陵江水质评价
• 第34章广义神经网络的聚类算法——网络入侵聚类
• 第35章粒子群优化算法的寻优算法——非线性函数极值寻优
• 第36章遗传算法优化计算——建模自变量降维
• 第37章基于灰色神经网络的预测算法研究——订单需求预测
• 第38章基于Kohonen网络的聚类算法——网络入侵聚类
• 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
• 第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现
• 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
• 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
• 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