模糊神经网络算法matlab,模糊神经网络算法原理

神经网络算法 遗传算法 模糊算法 哪个好

没有哪种算法更好的说法，因为每种算法都有自己的优势。只能说某种算法在处理某种问题时，效果更好更合适。神经网络不能说是一种算法，它是一种数学网络结构，各神经元的权值、阈值是用某种训练算法计算出来的。

神经网络适用于非线性系统，可用于难以用数学表达式来描述的系统。遗传算法在全局寻优问题上效果很好，因其收敛速度较快，且不易陷入局部极小点。其中实数编码法适合与神经网络结合，例如GA-BP神经网络。

模糊算法可将一些难以量化的参数模糊处理，并且算法较简单，尤其是适用于专家经验占主要地位的系统，因为添加一条专家经验只需往规则库里添加一条语句即可。用这种算法要注意区间不能划得太宽，否则算法太不精确。

谷歌人工智能写作项目：神经网络伪原创

matlab神经网络目前有什么具体的实际应用

MATLAB中文论坛2010年出过一本书，北航出版社的，叫《MATLAB神经网络30个案例分析(豆瓣)》写作猫。我觉得把它作为入门书挺好的，每一章配有视频和代码，可以依样画葫芦。

刚刚顺手还看到了另一本书《MATLAB智能算法30个案例分析》，看目录貌似内容也比较接近的。

《神经网络》包含的30个例子：P神经网络的数据分类——语音特征信号分类BP神经网络的非线性系统建模——非线性函数拟合遗传算法优化BP神经网络——非线性函数拟合神经网络遗传算法函数极值寻优——非线性函数极值寻优基于BP_Adaboost的强分类器设计——公司财务预警建模PID神经元网络解耦控制算法——多变量系统控制RBF网络的回归——非线性函数回归的实现GRNN的数据预测——基于广义回归神经网络的货运量预测离散Hopfield神经网络的联想记忆——数字识别离散Hopfield神经网络的分类——高校科研能力评价连续Hopfield神经网络的优化——旅行商问题优化计算SVM的数据分类预测——意大利葡萄酒种类识别SVM的参数优化——如何更好的提升分类器的性能SVM的回归预测分析——上证指数开盘指数预测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自组织竞争网络在模式分类中的应用——患者癌症发病预测SOM神经网络的数据分类——柴油机故障诊断Elman神经网络的数据预测——电力负荷预测模型研究概率神经网络的分类预测——基于PNN的变压器故障诊断神经网络变量筛选——基于BP的神经网络变量筛选LVQ神经网络的分类——乳腺肿瘤诊断LVQ神经网络的预测——人脸朝向识别小波神经网络的时间序列预测——短时交通流量预测模糊神经网络的预测算法——嘉陵江水质评价广义神经网络的聚类算法——网络入侵聚类粒子群优化算法的寻优算法——非线性函数极值寻优遗传算法优化计算——建模自变量降维基于灰色神经网络的预测算法研究——订单需求预测基于Kohonen网络的聚类算法——网络入侵聚类神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类。

神经网络算法是什么?

。

Introduction--------------------------------------------------------------------------------神经网络是新技术领域中的一个时尚词汇。

很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。

“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。

一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。

在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

Theneuron--------------------------------------------------------------------------------虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。

基本神经元包含有synapses、soma、axon及dendrites。

Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。

然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。

最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。如同生物学上的基本神经元，人工的神经网络也有基本的神经元。

每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。

然后，神经元会计算出权重合计值（netvalue），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。

相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

Learning--------------------------------------------------------------------------------正如上述所写，问题的核心是权重及临界值是该如何设定的呢？

世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation,deltarule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别-监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。

然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及deltarule。

非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。

Architecture--------------------------------------------------------------------------------在神经网络中，遵守明确的规则一词是最“模糊不清”的。

因为有太多不同种类的网络，由简单的布尔网络（