《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