精东传媒VS天美传媒,国产成人综合亚洲色就色

　　《MATLAB神經(jīng)網(wǎng)絡43個案例分析》是在《MATLAB神經(jīng)網(wǎng)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(jīng)網(wǎng)絡。
　　本書共有43章，內容涵蓋常見的神經(jīng)網(wǎng)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(jié)也涉及了常見的優(yōu)化算法（遺傳算法、蟻群算法等）與神經(jīng)網(wǎng)絡的結合問題。此外，本書還介紹了MATLABR2012b中神經(jīng)網(wǎng)絡工具箱的新增功能與特性，如神經(jīng)網(wǎng)絡并行計算、定制神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡高效編程等。
　　使用本書時，建議讀者按照“先通讀章節(jié)內容，后調試程序，再精讀章節(jié)內容”的順序學習。本書程序建議在MATLABR2009a及以上版本環(huán)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，然后再發(fā)帖與作者交流。
　　本書可作為高等學校相關專業(yè)學生本科畢業(yè)設計、研究生課題研究的參考書籍，亦可供相關專業(yè)教師教學參考。

第1章　BP神經(jīng)網(wǎng)絡的數(shù)據(jù)分類——語音特征信號分類
1.1　案例背景
1.1.1　BP神經(jīng)網(wǎng)絡概述
1.1.2　語音特征信號識別
1.2　模型建立
1.3　MATLAB實現(xiàn)
1.3.1　歸一化方法及MATLAB函數(shù)
1.3.2　數(shù)據(jù)選擇和歸一化
1.3.3　BP神經(jīng)網(wǎng)絡結構初始化
1.3.4　BP神經(jīng)網(wǎng)絡訓練
1.3.5　BP神經(jīng)網(wǎng)絡分類
1.3.6　結果分析
1.4　案例擴展
1.4.1　隱含層節(jié)點數(shù)
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(jīng)網(wǎng)絡的非線性系統(tǒng)建�！蔷€性函數(shù)擬合
2.1　案例背景
2.2　模型建立
2.3　MATLAB實現(xiàn)
2.3.1　BP神經(jīng)網(wǎng)絡工具箱函數(shù)
2.3.2　數(shù)據(jù)選擇和歸一化
2.3.3　BP神經(jīng)網(wǎng)絡訓練
2.3.4　BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡
2.4.2　隱含層節(jié)點數(shù)
2.4.3　訓練數(shù)據(jù)對預測精度影響
2.4.4　節(jié)點轉移函數(shù)
2.4.5　網(wǎng)絡擬合的局限性
參考文獻
第3章　遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡——非線性函數(shù)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(shù)
3.2　模型建立
3.2.1　算法流程
3.2.2　遺傳算法實現(xiàn)
3.3　編程實現(xiàn)
3.3.1　適應度函數(shù)
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(shù)
3.3.6　遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡函數(shù)擬合
3.3.7　結果分析
3.4　案例擴展
3.4.1　其他優(yōu)化方法
3.4.2　網(wǎng)絡結構優(yōu)化
3.4.3　算法的局限性
參考文獻
第4章　神經(jīng)網(wǎng)絡遺傳算法函數(shù)極值尋優(yōu)——非線性函數(shù)極值尋優(yōu)
4.1　案例背景
4.2　模型建立
4.3　編程實現(xiàn)
4.3.1　BP神經(jīng)網(wǎng)絡訓練
4.3.2　適應度函數(shù)
4.3.3　遺傳算法主函數(shù)
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　基于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(tǒng)介紹
5.2　模型建立
5.3　編程實現(xiàn)
5.3.1　數(shù)據(jù)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(tǒng)計
5.3.4　結果分析
5.4　案例擴展
5.4.1　數(shù)據(jù)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(jīng)元網(wǎng)絡解耦控制算法——多變量系統(tǒng)控制
6.1　案例背景
6.1.1　PID神經(jīng)元網(wǎng)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(xiàn)
6.3.1　PID神經(jīng)網(wǎng)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(jīng)元系數(shù)
6.4.3　PID神經(jīng)元網(wǎng)絡權值優(yōu)化
參考文獻
第7章　RBF網(wǎng)絡的回歸——非線性函數(shù)回歸的實現(xiàn)
第8章　GRNN的數(shù)據(jù)預測——基于廣義回歸神經(jīng)網(wǎng)絡的貨運量預測
第9章　離散Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶——數(shù)字識別
第10章　離散Hopfield神經(jīng)網(wǎng)絡的分類——高�？蒲心芰υu價
第11章　連續(xù)Hopfield神經(jīng)網(wǎng)絡的優(yōu)化——旅行商問題優(yōu)化計算
第12章　初識SVM分類與回歸
第13章　LIBSVM參數(shù)實例詳解
第14章　基于SVM的數(shù)據(jù)分類預測——意大利葡萄酒種類識別
第15章　SVM的參數(shù)優(yōu)化——如何更好地提升分類器的性能
第16章　基于SVM的回歸預測分析——上證指數(shù)開盤指數(shù)預測
第17章　基于SVM的信息�；瘯r序回歸預測——上證指數(shù)開盤指數(shù)變化趨勢和變化空間預測
第18章　基于SVM的圖像分割——真彩色圖像分割
第19章　基于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(wǎng)絡在模式分類中的應用——患者癌癥發(fā)病預測
第22章　SOM神經(jīng)網(wǎng)絡的數(shù)據(jù)分類——柴油機故障診斷
第23章　Elman神經(jīng)網(wǎng)絡的數(shù)據(jù)預測——電力負荷預測模型研究
第24章　概率神經(jīng)網(wǎng)絡的分類預測——基于PNN的變壓器故障診斷
第25章　基于MIV的神經(jīng)網(wǎng)絡變量篩選——基于BP的神經(jīng)網(wǎng)絡變量篩選
第26章　LVQ神經(jīng)網(wǎng)絡的分類——乳腺腫瘤診斷
第27章　LVQ神經(jīng)網(wǎng)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　基于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(yōu)化BP神經(jīng)網(wǎng)絡——非線性函數(shù)擬合
第32章　小波神經(jīng)網(wǎng)絡的時間序列預測——短時交通流量預測
第33章　模糊神經(jīng)網(wǎng)絡的預測算法——嘉陵江水質評價
第34章　廣義神經(jīng)網(wǎng)絡的聚類算法——網(wǎng)絡入侵聚類
第35章　粒子群優(yōu)化算法的尋優(yōu)算法——非線性函數(shù)極值尋優(yōu)
第36章　遺傳算法優(yōu)化計算——建模自變量降維
第37章　基于灰色神經(jīng)網(wǎng)絡的預測算法研究——訂單需求預測
第38章　基于Kohonen網(wǎng)絡的聚類算法——網(wǎng)絡入侵聚類
第39章　神經(jīng)網(wǎng)絡GUI的實現(xiàn)——基于GUI的神經(jīng)網(wǎng)絡擬合、模式識別、聚類
第40章　動態(tài)神經(jīng)網(wǎng)絡時間序列預測研究——基于MATLAB的NARX實現(xiàn)
第41章　定制神經(jīng)網(wǎng)絡的實現(xiàn)——神經(jīng)網(wǎng)絡的個性化建模與仿真
第42章　并行運算與神經(jīng)網(wǎng)絡——基于CPU/GPU的并行神經(jīng)網(wǎng)絡運算
第43章　神經(jīng)網(wǎng)絡高效編程技巧——基于MATLAB R2012b新版本特性的探討

你還可能感興趣

我要評論