Directorio de redes neuronales MATLAB
Capítulo 1 Clasificación de datos de la red neuronal BP - Clasificación de señales de funciones de voz 1
Este caso selecciona cuatro tipos diferentes de música: canciones populares, guzheng, rock y pop, y utiliza BP Neural Red Para lograr una clasificación efectiva de estos cuatro tipos de música.
Capítulo 2 Modelado de sistemas no lineales de la red neuronal de BP: ajuste de funciones no lineales 11
La función no lineal ajustada en este capítulo es y=x21 x22.
Capítulo 3 Optimización del algoritmo genético de la red neuronal BP: ajuste de funciones no lineales 21
De acuerdo con el algoritmo genético y la teoría de la red neuronal BP, la programación basada en el algoritmo genético se implementa en el software MATLAB BP Algoritmo de ajuste de sistemas no lineales de redes neuronales.
Capítulo 4 Optimización del extremo de la función del algoritmo genético de la red neuronal - Optimización del extremo de la función no lineal 36
Para funciones no lineales desconocidas, solo se utilizan los datos de entrada y salida de la función. Es difícil determinar con precisión Encuentre el valor extremo de la función. Este tipo de problema se puede resolver mediante una red neuronal combinada con un algoritmo genético, utilizando la capacidad de ajuste no lineal de la red neuronal y la capacidad de optimización no lineal del algoritmo genético para encontrar el valor extremo de la función.
Capítulo 5 Diseño de clasificador fuerte basado en BP_Adaboost - Modelado de alerta temprana financiera corporativa 45
El modelo BP_Adaboost utiliza la red neuronal BP como un clasificador débil y entrena repetidamente la predicción de la red neuronal BP para En la salida de muestra, se obtiene un clasificador fuerte compuesto por múltiples clasificadores débiles de redes neuronales BP mediante el algoritmo Adaboost.
Capítulo 6 Algoritmo de control de desacoplamiento de la red de neuronas PID: control del sistema multivariable 54
De acuerdo con el principio del controlador de red de neuronas PID, programe la red de neuronas PID en MATLAB para controlar sistemas acoplados multivariables.
Capítulo 7 Regresión de la red RBF: Implementación de la regresión de funciones no lineales 65
En este ejemplo, la red RBF se utiliza para ajustar la función desconocida y se preestablece una función no lineal, como como se muestra en la ecuación y = 20 x21-10cos (2πx1) x22-10cos (2πx2), suponiendo que la fórmula analítica de la función no está clara, genere aleatoriamente x1, x2 e y obtenidos de estas dos variables de acuerdo con la fórmula anterior. . Utilizando x1 y x2 como datos de entrada de la red RBF e y como datos de salida de la red RBF, establezca redes RBF aproximadas y exactas respectivamente para el análisis de regresión y evalúe el efecto de ajuste de la red.
Capítulo 8 Predicción de datos GRNN: predicción del volumen de carga basada en la red neuronal de regresión generalizada 73
Basado en el análisis de los factores que afectan el volumen de carga, se toma respectivamente el producto interno bruto (PIB) , valor total de la producción industrial, longitud de las líneas de transporte ferroviario, proporción de kilometraje de doble vía, longitud de las líneas de transporte por carretera, proporción de carreteras niveladas, número de vagones de ferrocarril y número de camiones civiles como insumos de la red, con base en el volumen total de carga, volumen de carga por ferrocarril y carretera Los tres factores indicadores del volumen de carga se utilizan como salida de la red para construir GRNN. Dado que hay menos datos de entrenamiento, se utiliza un método de validación cruzada para entrenar la red neuronal GRNN y se utiliza un bucle para encontrar el. mejor DIFUSIÓN.
Capítulo 9 Memoria asociativa de la red neuronal de Hopfield discreta: reconocimiento de números 81
Con base en el conocimiento relevante de la red neuronal de Hopfield, diseñe una red neuronal de Hopfield discreta con función de memoria asociativa. Se requiere que la red identifique correctamente 10 números del 0 al 9. Cuando los números se ven interferidos por una cierta cantidad de ruido, aún tiene un buen efecto de reconocimiento.
Capítulo 10 Clasificación de redes neuronales de Hopfield discretas: evaluación de las capacidades de investigación científica de las universidades 90
Una organización realizó una encuesta y evaluación de las capacidades de investigación científica de 20 universidades con base en. Resultados de la encuesta: basado en los datos de 11 indicadores de evaluación más importantes, combinados con la capacidad de memoria asociativa de la red neuronal discreta de Hopfield, se estableció un modelo discreto de evaluación de la capacidad de investigación científica de la universidad de Hopfield.
Capítulo 11 Optimización de la red neuronal continua de Hopfield: cálculo de optimización del problema 100 del viajante
Ahora, para un problema de TSP con un número de 10 ciudades, se requiere diseñar una solución que puede combinarlos El modelo de red neuronal continua optimizada de Hopfield puede encontrar rápidamente la ruta óptima (o aproximadamente óptima).
Capítulo 12 Predicción de clasificación de datos SVM: identificación del tipo de vino italiano 112
Utilice 50 de estas 178 muestras como conjunto de entrenamiento y las otras 50 como conjunto de prueba. Utilice entrenamiento El modelo de clasificación. se puede obtener entrenando SVM en el conjunto, y luego el modelo obtenido se usa para predecir la etiqueta de categoría del conjunto de prueba.
Capítulo 13 Optimización de parámetros SVM: cómo mejorar mejor el rendimiento del clasificador 122
El problema a resolver en este capítulo es encontrar los mejores parámetros para la clasificación utilizando solo el entrenamiento conjunto, no solo puede predecir el conjunto de entrenamiento con alta precisión, sino también predecir razonablemente el conjunto de prueba, de modo que la precisión de clasificación del conjunto de prueba también se pueda mantener en un alto nivel, es decir, la capacidad de aprendizaje y la capacidad de generalización del conjunto. El clasificador SVM obtenido se puede mantener en equilibrio para evitar que se produzcan condiciones de sobreaprendizaje y subaprendizaje.
Capítulo 14 Análisis de predicción de regresión de SVM - Predicción del índice de apertura del índice compuesto de Shanghai 133
Análisis de regresión del número de apertura diario del índice compuesto de Shanghai desde 1990.12.20-2009.08.19.
Capítulo 15 Predicción de regresión de series de tiempo granular de información SVM: índice compuesto de Shanghai, tendencia de cambio de tendencia y predicción de espacio de cambio 141
En este caso usaremos SVM para llevar a cabo información difusa La granulada El índice de apertura diario de la Bolsa de Valores de Shanghai se utiliza para predecir el cambio de tendencia y el espacio de cambio.
Si tiene alguna pregunta sobre el contenido de este libro, puede iniciar sesión en el foro chino con la tarjeta de comunicación en línea para comunicarse con el autor.
Capítulo 16 Aplicación de una red de competencia autoorganizada en la clasificación de patrones: predicción de la incidencia de cáncer en pacientes 153
Este caso proporciona una muestra que contiene 60 niveles de expresión genética individuales. Se midieron 114 características genéticas en cada muestra, de las cuales las primeras 20 muestras son muestras de niveles de expresión genética de pacientes con cáncer (también puede haber subcategorías), las 20 muestras intermedias son muestras de información de expresión genética de personas normales y las 20 restantes Las muestras son muestras para analizar (se desconoce si son normales). Lo siguiente intentará descubrir la diferencia en los niveles de expresión genética entre muestras cancerosas y normales, y establecerá un modelo de red de competencia para predecir si la muestra a detectar es cancerosa o normal.
Capítulo 17 Clasificación de datos de la red neuronal SOM: diagnóstico de fallas del motor diésel 159
Este caso proporciona un conjunto de datos que contiene 8 muestras de fallas. Hay 8 características en cada muestra de falla, que se mencionan anteriormente: presión máxima (P1), presión submáxima (P2), amplitud de la forma de onda (P3), ancho del borde ascendente (P4), ancho de la forma de onda (P5), consecuencias máximas El ancho de onda (P6), el área de forma de onda (P7) y la presión de inyección (P8) se utilizan para el diagnóstico de fallas utilizando la red SOM.
Capítulo 18 Predicción de datos de la red neuronal de Elman - Investigación sobre el modelo de pronóstico de carga de energía eléctrica 170
Según los datos históricos de la carga, los nodos de entrada y salida de la red neuronal de retroalimentación se seleccionan para reflejar Las leyes inherentes de la operación de carga del sistema de energía se pueden usar para predecir la carga en períodos futuros.
Capítulo 19 Predicción de clasificación de redes neuronales probabilísticas: diagnóstico de fallas de transformadores basado en PNN 176
En este caso, después de un análisis en profundidad del método de análisis de gases disueltos en aceite, se tres mejorados Basado en el método de la relación, se establece un modelo de diagnóstico de fallas basado en una red neuronal probabilística.
Capítulo 20 Detección de variables de red neuronal: Detección de variables de red neuronal basada en BP 183
Este ejemplo se combinará con la red neuronal de BP para aplicar el valor de impacto medio (MIV, impacto medio Valor) método Para explicar cómo usar redes neuronales para filtrar variables, encontrar entradas que tengan un mayor impacto en los resultados y luego usar redes neuronales para filtrar variables.
Capítulo 21 Clasificación de la red neuronal LVQ - Diagnóstico de tumores de mama 188
Después de años de recopilación y organización, la Facultad de Medicina de la Universidad de Wisconsin ha establecido una microscopía nuclear del tejido tumoral de mama. base de datos. La base de datos contiene 10 características cuantitativas de imágenes del núcleo celular (radio nuclear, textura, perímetro, área, suavidad, tensión, depresión, número de puntos de depresión, simetría y fractura). Estas características están estrechamente relacionadas con la naturaleza de la relación del tumor. . Por lo tanto, es necesario establecer un modelo definido para describir la relación entre cada característica cuantitativa en la base de datos y la naturaleza del tumor, de modo que se pueda diagnosticar si el tumor de mama es benigno o maligno en función de las características cuantitativas del núcleo celular. imagen microscópica.
Capítulo 22 Predicción de la red neuronal LVQ: reconocimiento de orientación facial 198
Ahora hemos recopilado un conjunto de imágenes de rostros que miran desde diferentes ángulos. Las imágenes provienen de 10 personas diferentes. 5 imágenes para cada persona, y la orientación de la cara es: izquierda, frente izquierda, frente, frente derecha y derecha. Intente crear una red neuronal LVQ para predecir e identificar la orientación de cualquier imagen facial determinada.
Capítulo 23 Predicción de series de tiempo de la red neuronal wavelet: predicción del flujo de tráfico a corto plazo 208
De acuerdo con el principio de la red neuronal wavelet, la programación en el entorno MATLAB se implementa a corto plazo. Predicción del flujo de tráfico basada en la red neuronal wavelet Previsión del flujo de tráfico.
Capítulo 24 Algoritmo de predicción de la red neuronal difusa - Evaluación de la calidad del agua del río Jialing 218
De acuerdo con el principio de la red neuronal difusa, el algoritmo de evaluación de la calidad del agua basado en la red neuronal difusa está programado enMATLAB.
Capítulo 25 Algoritmo de agrupamiento de redes neuronales generalizadas: agrupamiento de intrusiones de red 229
Aunque el agrupamiento difuso puede extraer grupos de datos, debido a la dimensionalidad de los datos de las características de intrusión de la red Hay muchos, los datos Las diferencias entre las diferentes categorías de intrusión son pequeñas y muchos patrones de intrusión no pueden clasificarse con precisión. Este caso utiliza un algoritmo de agrupamiento que combina agrupamiento difuso y regresión de redes neuronales generalizada para clasificar los datos de intrusión.
Capítulo 26 Algoritmo de optimización del algoritmo de optimización de enjambre de partículas: optimización de valor extremo de función no lineal 236
De acuerdo con el principio del algoritmo PSO, programe la función según el algoritmo PSO en MATLAB Optimización de valor extremo algoritmo.
Capítulo 27 Cálculo de optimización de algoritmos genéticos: modelado de reducción de dimensiones de variables independientes 243
En el Capítulo 21, cada muestra (es decir, caso) de datos seleccionados al establecer el modelo incluye el promedio de 10 características cuantitativas (radio del núcleo, textura, perímetro, área, suavidad, estanqueidad, concavidad, número de puntos cóncavos, simetría, fractura), la desviación estándar de 10 características cuantitativas y el peor valor (promedio de los 3 datos más grandes para cada característica) * **30 datos. Obviamente, estas 30 variables independientes de entrada tienen una cierta relación entre sí y no son independientes entre sí. Por lo tanto, para acortar el tiempo de modelado y mejorar la precisión del modelado, es necesario incluir las variables independientes que son las principales influyentes. factores entre las 30 variables independientes de entrada seleccionadas para participar en el modelado final.
Capítulo 28 Investigación sobre el algoritmo de pronóstico basado en la red neuronal gris - Pronóstico de demanda de pedidos 258
De acuerdo con el principio de la red neuronal gris, programe en MATLAB para implementar el pronóstico de demanda de pedidos basado en gris red neuronal.
Capítulo 29 Algoritmo de agrupación basado en la red Kohonen - Agrupación de intrusiones en la red 268
De acuerdo con el principio de la red Kohonen, el algoritmo de clasificación de intrusiones en la red basado en la red Kohonen se programa en el software MATLAB. .
Capítulo 30 Implementación de la GUI de red neuronal: ajuste, reconocimiento de patrones y agrupación de redes neuronales basada en GUI 277
Para facilitar la programación de MATLAB a los nuevos usuarios, utilice rápidamente la resolución de redes neuronales problemas prácticos, y MATLAB proporciona una interfaz gráfica de usuario basada en la caja de herramientas de redes neuronales. Teniendo en cuenta la comodidad que aporta la interfaz gráfica de usuario y la aplicación de redes neuronales en diversos campos del ajuste de datos, el reconocimiento de patrones y la agrupación, MATLAB R2009a proporciona tres cajas de herramientas de ajuste de redes neuronales (caja de herramientas de ajuste/caja de herramientas de reconocimiento de patrones/Caja de herramientas de agrupación).