内容介紹
讀者調用案例的時候，隻要把案例中的數據換成自己需要處理的數據，即可實現自己想要的網絡。如果在實現過程中有任何疑問，可以随時在MATLAB中文論壇與作者交流，作者每天在線，有問必答。該書共有30個MATLAB神經網絡的案例(含可運行程序），包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神經網絡；還包含PSO(粒子群）、灰色神經網絡、模糊網絡、概率神經網絡、遺傳算法優化等内容。該書另有31個配套的教學視頻幫助讀者更深入地了解神經網絡。
《MATLAB神經網絡30個案例分析》可作為本科畢業設計、研究生項目設計、博士低年級課題設計參考書籍，同時對廣大科研人員也有很高的參考價值。
目錄
第1章 BP神經網絡的數據分類——語音特征信号分類1
本案例選取了民歌、古筝、搖滾和流行四類不同音樂，用BP神經網絡實現對這四類音樂的有效分類。
第2章 BP神經網絡的非線性系統建模——非線性函數拟合11
本章拟合的非線性函數為y=x21+x22。
第3章 遺傳算法優化BP神經網絡——非線性函數拟合21
根據遺傳算法和BP神經網絡理論，在MATLAB軟件中編程實現基于遺傳算法優化的BP神經網絡非線性系統拟合算法。
第4章 神經網絡遺傳算法函數極值尋優——非線性函數極值尋優36
對于未知的非線性函數，僅通過函數的輸入輸出數據難以準确尋找函數極值。這類問題可以通過神經網絡結合遺傳算法求解，利用神經網絡的非線性拟合能力和遺傳算法的非線性尋優能力尋找函數極值。
第5章 基于BP_Adaboost的強分類器設計——公司财務預警建模45
BP_Adaboost模型即把BP神經網絡作為弱分類器，反複訓練BP神經網絡預測樣本輸出，通過Adaboost算法得到多個BP神經網絡弱分類器組成的強分類器。
第6章 PID神經元網絡解耦控制算法——多變量系統控制54
根據PID神經元網絡控制器原理，在MATLAB中編程實現PID神經元網絡控制多變量耦合系統。
第7章 RBF網絡的回歸——非線性函數回歸的實現65
本例用RBF網絡拟合未知函數，預先設定一個非線性函數，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數解析式不清楚的情況下，随機産生x1,x2和由這兩個變量按上式得出的y。将x1,x2作為RBF網絡的輸入數據，将y作為RBF網絡的輸出數據，分别建立近似和精确RBF網絡進行回歸分析，并評價網絡拟合效果。
第8章 GRNN的數據預測——基于廣義回歸神經網絡的貨運量預測73
根據貨運量影響因素的分析，分别取國内生産總值（GDP），工業總産值，鐵路運輸線路長度，複線裡程比重，公路運輸線路長度，等級公路比重，鐵路貨車數量和民用載貨汽車數量8項指标因素作為網絡輸入，以貨運總量，鐵路貨運量和公路貨運量3項指标因素作為網絡輸出，構建GRNN，由于訓練數據較少，采取交叉驗證方法訓練GRNN神經網絡，并用循環找出最佳的SPREAD。
第9章 離散Hopfield神經網絡的聯想記憶——數字識别81
根據Hopfield神經網絡相關知識，設計一個具有聯想記憶功能的離散型Hopfield神經網絡。要求該網絡可以正确地識别0~9這10個數字，當數字被一定的噪聲幹擾後，仍具有較好的識别效果。
第10章 離散Hopfield神經網絡的分類——高校科研能力評價90
某機構對20所高校的科研能力進行了調研和評價，試根據調研結果中較為重要的11個評價指标的數據，并結合離散Hopfield神經網絡的聯想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續Hopfield神經網絡的優化——旅行商問題優化計算100
現對于一個城市數量為10的TSP問題，要求設計一個可以對其進行組合優化的連續型Hopfield神經網絡模型，利用該模型可以快速地找到最優（或近似最優）的一條路線。
第12章 SVM的數據分類預測——意大利葡萄酒種類識别112
将這178個樣本的50%做為訓練集,另50%做為測試集,用訓練集對SVM進行訓練可以得到分類模型,再用得到的模型對測試集進行類别标簽預測。
第13章 SVM的參數優化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數，不但能夠高準确率的預測訓練集而且要合理的預測測試集，使得測試集的分類準确率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發生。
第14章 SVM的回歸預測分析——上證指數開盤指數預測133
對上證指數從1990.12.20-2009.08.19每日的開盤數進行回歸分析。
第15章 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141
在這個案例裡面我們将利用SVM對進行模糊信息粒化後的上證每日的開盤指數進行變化趨勢和變化空間的預測。
若您對此書内容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競争網絡在模式分類中的應用——患者癌症發病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特征，其中前20個樣本是癌症病人的基因表達水平的樣本(其中還可能有子類), 中間的20個樣本是正常人的基因表達信息樣本, 餘下的20個樣本是待檢測的樣本(未知它們是否正常)。以下将設法找出癌症與正常樣本在基因表達水平上的區别，建立競争網絡模型去預測待檢測樣本是癌症還是正常樣本。
第17章SOM神經網絡的數據分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數據集。每個故障樣本中有8個特征，分别是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大餘波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網絡進行故障診斷。
第18章Elman神經網絡的數據預測——電力負荷預測模型研究170
根據負荷的曆史數據，選定反饋神經網絡的輸入、輸出節點，來反映電力系統負荷運行的内在規律，從而達到預測未來時段負荷的目的。
第19章 概率神經網絡的分類預測——基于PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析後，以改良三比值法為基礎，建立基于概率神經網絡的故障診斷模型。
第20章 神經網絡變量篩選——基于BP的神經網絡變量篩選183
本例将結合BP神經網絡應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經網絡來篩選變量，找到對結果有較大影響的輸入項，繼而實現使用神經網絡進行變量篩選。
第21章 LVQ神經網絡的分類——乳腺腫瘤診斷188
威斯康星大學醫學院經過多年的收集和整理，建立了一個乳腺腫瘤病竈組織的細胞核顯微圖像數據庫。數據庫中包含了細胞核圖像的10個量化特征（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度），這些特征與腫瘤的性質有密切的關系。因此，需要建立一個确定的模型來描述數據庫中各個量化特征與腫瘤性質的關系，從而可以根據細胞核顯微圖像的量化特征診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經網絡的預測——人臉朝向識别198
現采集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分别為：左方、左前方、前方、右前方和右方。試創建一個LVQ神經網絡，對任意給出的人臉圖像進行朝向預測和識别。
第23章 小波神經網絡的時間序列預測——短時交通流量預測208
根據小波神經網絡原理在MATLAB環境中編程實現基于小波神經網絡的短時交通流量預測。
第24章 模糊神經網絡的預測算法——嘉陵江水質評價218
根據模糊神經網絡原理，在MATLAB中編程實現基于模糊神經網絡的水質評價算法。
第25章 廣義神經網絡的聚類算法——網絡入侵聚類229
模糊聚類雖然能夠對數據聚類挖掘，但是由于網絡入侵特征數據維數較多，不同入侵類别間的數據差别較小，不少入侵模式不能被準确分類。本案例采用結合模糊聚類和廣義神經網絡回歸的聚類算法對入侵數據進行分類。
第26章 粒子群優化算法的尋優算法——非線性函數極值尋優236
根據PSO算法原理，在MATLAB中編程實現基于PSO算法的函數極值尋優算法。
第27章 遺傳算法優化計算——建模自變量降維243
在第21章中，建立模型時選用的每個樣本（即病例）數據包括10個量化特征（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度）的平均值、10個量化特征的标準差和10個量化特征的最壞值（各特征的3個最大數據的平均值）共30個數據。明顯，這30個輸入自變量相互之間存在一定的關系，并非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要将30個輸入自變量中起主要影響因素的自變量篩選出來參與最終的建模。
第28章 基于灰色神經網絡的預測算法研究——訂單需求預測258
根據灰色神經網絡原理，在MATLAB中編程實現基于灰色神經網絡的訂單需求預測。
第29章 基于Kohonen網絡的聚類算法——網絡入侵聚類268
根據Kohonen網絡原理，在MATLAB軟件中編程實現基于Kohonen網絡的網絡入侵分類算法。
第30章 神經網絡GUI的實現——基于GUI的神經網絡拟合、模式識别、聚類277
為了便于使用MATLAB編程的新用戶，快速地利用神經網絡解決實際問題，MATLAB提供了一個基于神經網絡工具箱的圖形用戶界面。考慮到圖形用戶界面帶來的方便和神經網絡在數據拟合、模式識别、聚類各個領域的應用，MATLAB R2009a提供了三種神經網絡拟合工具箱（拟合工具箱/模式識别工具箱/聚類工具箱）。
