《MATLAB神经网络30个案例分析》学习笔记

《MATLAB神经网络30个案例分析》学习记录（待更新）：

1.      数据分类，分类——多个输出，向量表示 [1 0 0] [0 1 0] [0 0 1]这样

2.      分线性系统建模，拟合参数，用一定量的输入输出数据训练神经网络即可

3.      遗传算法优化BP神经网络——非线性函数的拟合，神经网络可以看成一个预测函数，而遗传算法优化BP神经网络可以看成是对预测函数的某些参数进行优化，种群的每个个体包含一个网络所有的权值和阈值，把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F

4.      神经网络遗传算法函数极值寻找——我的理解：只不过是优化遗传算法适应度函数的计算，先训练神经网络，训练好后，开始遗传算法部分，计算适应度时，将神经网络的输出结果作为该个体的适应度

5.      基于Ada_Boost的强分类器设计和强预测器设计，在强分类器中增加预测错类别样本的权重，在强预测器中增加预测误差超过阈值样本的权重

6.      PID神经元网络解耦控制算法，不是很懂，貌似是优化控制系统，减小控制偏差

7.      RBF网络的回归——非线性函数回归的实现，在已知数据，未知函数方程的情况下利用RBF神经网络进行回归拟合曲线，效果不错；RBF网络输入的是隐单元输出的线性加权和，网络学习速率快，但是需要比BP神经网络更多的隐含层神经单元来达到预期的训练目标

8.      GRNN的数据预测——基于广义神经网络的货运量预测。BP神经网络在用于函数逼近时，存在收敛速度慢和局部极小等缺点，在解决样本量少而且噪声较多问题时效果不理想。GRNN在逼近能力、分类能力和学习速度方面有优势，在数据缺乏时效果也较好，网络可以处理不稳定的数据。

9.      离散Hopfield神经网络的联想记忆——数字识别，识别数字0-9实际上也就是进行分类；主要是有联想记忆功能，在一定噪声的干扰下还能进行高准确率的识别。将一些优化算法与离散Hopfield神经网络相结合，可以使其联想记忆能力更强，应用效果更为突出。如用遗传算法应用到离散Hopfield神经网络，使其跳出伪稳定点。

10.  离散Hopfield神经网络的分类——高校科研能力评价。

11.  连续Hopfield神经网络的优化——旅行商问题优化计算。

12.  SVM的数据分类预测——意大利葡萄酒种类识别。像多层感知机器网络和径向基函数网络一样，可用于模式分类和分线性回归。

13.  SVM的参数优化——如何更好地提升分类器的性能。调节相关参数（主要是惩罚参数c和核函数参数g）才能得到比较理想的预测分类准确率。用网络法搜索c和g，模型预测的准确率作为评价标准，选取出最优的c和g。启发式算法参数寻优，遗传算法参数寻优，粒子群优化算法参数寻优。

14.  SVM的回归预测分析——上证指数开盘指数预测。拟合1990/12/19至2009/8/19期间内4579个交易日每日上证更综合指数的各种指标，超复杂曲线拟合？

15.  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。

16.  自组织竞争网络在模式分类中的应用——患者癌症发病预测。无监督学习。

17.  SOM神经网络的数据分类——柴油机故障诊断。神经网络可以学习输入数据的拓扑结构，进行分类，考虑到可以用SPSS，这个就先放一放= =。

18.  Elman神经网络的数据预测——电力符合预测模型研究。神经网络可以分为前馈式和反馈式两种基本类型，前馈式网络通过引入隐藏层以及非线性转移函数，具有复杂的非线性映射能力。但前馈式网络的输出仅有当前输入和权矩阵决定，而与网络先前的输出结果无关。反馈式的输入包括有延迟的输入或者输出数据的反馈。对历史数据具有敏感性，能够以任意精度逼近任意非线性映射。

19.  概率神经网络的分类预测——基于PNN的变压器故障诊断。PNN过程简单收敛速度快，BP网络的学习算法收敛速度慢，PNN隐藏层单元的选取要根据经验反复试算得到。

20.  神经网络变量筛选——基于BP的神经网络变量筛选。神经网络包含的自变量即网络输入特征难以预先确定，如果将一些不重要的自变量也引入神经网络，会降低模型的经度，因此选择有意义的自变量特征作为网络输入数据是非常有必要的。BP神经网络是一种前馈式神经网络系统。单层前馈式神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。神经网络使用MIV方法筛选出对结果有重要影响的自变量。

21.  LVQ神经网络的分类——乳腺肿瘤诊断。LVQ（学习向量量化）用于训练竞争层的有监督学习方法的输入前向神经网络。

22.  LVQ神经网络的预测——人脸朝向识别。

23.  小波神经网络的时间序列预测——短时交通流量预测。