MATLAB 神經網絡 43個案例分析
MATLAB技術論壇
買這商品的人也買了...
-
類神經網路與模糊控制理論入門與應用$350$315 -
$352Java 多線程編程核心技術 (Java Multi-thread Programming) -
$352實戰 Java 高並發程序設計 -
王者歸來：Python 在大數據科學計算上的最佳實作$860$731 -
演算法 -- 使用 C++ 虛擬碼, 5/e (Foundations of Algorithms, 5/e)$700$525 -
$505數據挖掘：實用機器學習工具與技術 (Data Mining : Practical Machine Learning Tools and Techniques, 4/e) -
Python GUI 程式設計：PyQt5 實戰$690$538 -
$280機器學習入門到實戰 — MATLAB 實踐應用 -
電磁學, 3/e$390$351 -
MATLAB 機器學習 (MATLAB for Machine Learning)$414$393 -
MATLAB 機器學習：人工智能工程實踐, 2/e$534$507 -
演算法入門圖解｜使用 Python$450$356 -
$403深度學習理論及實戰 (MATLAB 版) -
$602基於 MATLAB 的人工智能模式識別 -
$454MATLAB R2020a 神經網絡典型案例分析 -
$509人工智能算法大全 :基於 MATLAB -
MATLAB App Designer 從入門到實踐$479$455 -
C# 程式設計從入門到專業 (上)：完全剖析 C# 技術實務, 2/e$720$562 -
C# 程式設計從入門到專業 (下)：職場 C# 進階應用技術, 2/e$780$608 -
神經網絡與深度學習 — 基於 MATLAB 的模擬與實現$534$507 -
遷移學習導論, 2/e$714$678 -
PyTorch 深度學習入門與應用：必備實作知識與工具一本就學會$600$468 -
精通機器學習算法$1,014$963 -
先進 PID 控制 MATLAB 模擬, 5/e$1,014$963 -
時間序列與機器學習$600$570
相關主題
商品描述
本書是在《MATLAB神經網絡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—應用擴展”這一特色，幫助讀者更加直觀、生動地學習神經網絡。
本書共有43章，內容涵蓋常見的神經網絡（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相關智能算法（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優化算法（遺傳算法、蟻群算法等）與神經網絡的結合問題。此外，本書還介紹了MATLAB R2012b中神經網絡工具箱的新增功能與特性，如神經網絡並行計算、定製神經網絡、神經網絡高效編程等。
使用本書時，建議讀者按照“先通讀章節內容，後調試程序，再精讀章節內容”的順序學習。本書程序建議在MATLAB R2009a及以上版本環境下運行。若在程序調試過程中有任何疑問，建議先在論壇書籍答疑版塊搜索相關答案，然後再發帖與作者交流。
本書可作為高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書籍，亦可供相關專業教師教學參考。
隨書附贈的程序源代碼請到北京航空航天大學出版社網站的“下載專區”免費下載。也可登錄MATLAB技術論壇（www.matlabsky.com）到相應書籍答疑版塊免費下載。
目錄大綱
第1章BP神經網絡的數據分類——語音特徵信號分類
1.1案例背景
1.1.1 BP神經網絡概述
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函數
1.3. 2數據選擇和歸一化
1.3.3 BP神經網絡結構初始化
1.3.4 BP神經網絡訓練
1.3.5 BP神經網絡分類
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神經網絡的非線性系統建模——非線性函數擬合
2.1案例背景
2.2模型建立
2.3 MATLAB實現
2.3.1 BP神經網絡工具箱函數
2.3. 2數據選擇和歸一化
2.3.3 BP神經網絡訓練
2.3.4 BP神經網絡預測
2.3.5結果分析
2.4案例擴展
2.4.1多隱含層BP神經網絡
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節點轉移函數
2.4.5網絡擬合的局限性
參考文獻
第3章遺傳算法優化BP神經網絡——非線性函數擬合
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擬合函數
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適應度函數
3.3.2選擇操作
3.3.3交叉操作
3.3.4變異操作
3.3.5遺傳算法主函數
3.3.6遺傳算法優化的BP神經網絡函數擬合
3.3.7結果分析
3.4案例擴展
3.4.1其他優化方法
3.4.2網絡結構優化
3.4.3算法的局限性
參考文獻
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
4.1案例背景
4.2模型建立
4.3編程實現
4.3.1 BP神經網絡訓練
4.3.2適應度函數
4.3.3遺傳算法主函數
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神經元網絡解耦控制算法——多變量系統控制
6.1案例背景
6.1.1 PID神經元網絡結構
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神經網絡初始化
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神經元網絡權值優化
參考文獻
第7章RBF網絡的回歸——非線性函數回歸的實現
第8章GRNN的數據預測——基於廣義回歸神經網絡的貨運量預測
第9章離散Hopfield神經網絡的聯想記憶——數字識別
第10章離散Hopfield神經網絡的分類——高校科研能力評價
第11章連續Hopfield神經網絡的優化——旅行商問題優化計算
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——意大利葡萄酒種類識別
第15章SVM的參數優化——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的手寫字體識別
第20章LIBSVMFarutoUltimate工具箱及GUI版本介紹與使用
第21章自組織競爭網絡在模式分類中的應用——患者癌症發病預測
第22章SOM神經網絡的數據分類——柴油機故障診斷
第23章Elman神經網絡的數據預測——電力負荷預測模型研究
第24章概率神經網絡的分類預測——基於PNN的變壓器故障診斷
第25章基於MIV的神經網絡變量篩選——基於BP的神經網絡變量篩選
第26章LVQ神經網絡的分類——乳腺腫瘤診斷
第27章LVQ神經網絡的預測——人臉朝向識別
第28章決策樹分類器的應用研究——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應用研究——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章思維進化算法優化BP神經網絡——非線性函數擬合
第32章小波神經網絡的時間序列預測——短時交通流量預測
第33章模糊神經網絡的預測算法——嘉陵江水質評價
第34章廣義神經網絡的聚類算法——網絡入侵聚類
第35章粒子群優化算法的尋優算法——非線性函數極值尋優
第36章遺傳算法優化計算——建模自變量降維
第37章基於灰色神經網絡的預測算法研究——訂單需求預測
第38章基於Kohonen網絡的聚類算法——網絡入侵聚類
第39章神經網絡GUI的實現——基於GUI的神經網絡擬合、模式識別、聚類
第40章動態神經網絡時間序列預測研究——基於MATLAB的NARX實現
第41章定制神經網絡的實現——神經網絡的個性化建模與仿真
第42章並行運算與神經網絡——基於CPU/GPU的並行神經網絡運算
第43章神經網絡高效編程技巧——基於MATLAB R2012b新版本特性的探討
