《MATLAB神經網路30個案例分析》學習記錄（待更新）：

1.      資料分類，分類——多個輸出，向量表示 [1 0 0] [0 1 0] [0 0 1]這樣

2.      分線性系統建模，擬合引數，用一定量的輸入輸出資料訓練神經網路即可

3.      遺傳演算法優化BP神經網路——非線性函式的擬合，神經網路可以看成一個預測函式，而遺傳演算法優化BP神經網路可以看成是對預測函式的某些引數進行優化，種群的每個個體包含一個網路所有的權值和閾值，把預測輸出和期望輸出之間的誤差絕對值和E作為個體適應度值F

4.      神經網路遺傳演算法函式極值尋找——我的理解：只不過是優化遺傳演算法適應度函式的計算，先訓練神經網路，訓練好後，開始遺傳演算法部分，計算適應度時，將神經網路的輸出結果作為該個體的適應度

5.      基於Ada_Boost的強分類器設計和強預測器設計，在強分類器中增加預測錯類別樣本的權重，在強預測器中增加預測誤差超過閾值樣本的權重

6.      PID神經元網路解耦控制演算法，不是很懂，貌似是優化控制系統，減小控制偏差

7.      RBF網路的迴歸——非線性函式迴歸的實現，在已知資料，未知函式方程的情況下利用RBF神經網路進行迴歸擬合曲線，效果不錯；RBF網路輸入的是隱單元輸出的線性加權和，網路學習速率快，但是需要比BP神經網路更多的隱含層神經單元來達到預期的訓練目標

8.      GRNN的資料預測——基於廣義神經網路的貨運量預測。BP神經網路在用於函式逼近時，存在收斂速度慢和區域性極小等缺點，在解決樣本量少而且噪聲較多問題時效果不理想。GRNN在逼近能力、分類能力和學習速度方面有優勢，在資料缺乏時效果也較好，網路可以處理不穩定的資料。

9.      離散Hopfield神經網路的聯想記憶——數字識別，識別數字0-9實際上也就是進行分類；主要是有聯想記憶功能，在一定噪聲的干擾下還能進行高準確率的識別。將一些優化演算法與離散Hopfield神經網路相結合，可以使其聯想記憶能力更強，應用效果更為突出。如用遺傳演算法應用到離散Hopfield神經網路，使其跳出偽穩定點。

10.  離散Hopfield神經網路的分類——高校科研能力評價。

11.  連續Hopfield神經網路的優化——旅行商問題優化計算。

12.  SVM的資料分類預測——義大利葡萄酒種類識別。像多層感知機器網路和徑向基函式網路一樣，可用於模式分類和分線性迴歸。

13.  SVM的引數優化——如何更好地提升分類器的效能。調節相關引數（主要是懲罰引數c和核函式引數g）才能得到比較理想的預測分類準確率。用網路法搜尋c和g，模型預測的準確率作為評價標準，選取出最優的c和g。啟發式演算法引數尋優，遺傳演算法引數尋優，粒子群優化演算法引數尋優。

14.  SVM的迴歸預測分析——上證指數開盤指數預測。擬合1990/12/19至2009/8/19期間內4579個交易日每日上證更綜合指數的各種指標，超複雜曲線擬合？

15.  SVM的資訊粒化時序迴歸預測——上證指數開盤指數變化趨勢和變化空間預測。

16.  自組織競爭網路在模式分類中的應用——患者癌症發病預測。無監督學習。

17.  SOM神經網路的資料分類——柴油機故障診斷。神經網路可以學習輸入資料的拓撲結構，進行分類，考慮到可以用SPSS，這個就先放一放= =。

18.  Elman神經網路的資料預測——電力符合預測模型研究。神經網路可以分為前饋式和反饋式兩種基本型別，前饋式網路通過引入隱藏層以及非線性轉移函式，具有複雜的非線性對映能力。但前饋式網路的輸出僅有當前輸入和權矩陣決定，而與網路先前的輸出結果無關。反饋式的輸入包括有延遲的輸入或者輸出資料的反饋。對歷史資料具有敏感性，能夠以任意精度逼近任意非線性對映。

19.  概率神經網路的分類預測——基於PNN的變壓器故障診斷。PNN過程簡單收斂速度快，BP網路的學習演算法收斂速度慢，PNN隱藏層單元的選取要根據經驗反覆試算得到。

20.  神經網路變數篩選——基於BP的神經網路變數篩選。神經網路包含的自變數即網路輸入特徵難以預先確定，如果將一些不重要的自變數也引入神經網路，會降低模型的經度，因此選擇有意義的自變數特徵作為網路輸入資料是非常有必要的。BP神經網路是一種前饋式神經網路系統。單層前饋式神經網路只能求解線性可分問題，能夠求解非線性問題的網路必須是具有隱層的多層神經網路。神經網路使用MIV方法篩選出對結果有重要影響的自變數。

21.  LVQ神經網路的分類——乳腺腫瘤診斷。LVQ（學習向量量化）用於訓練競爭層的有監督學習方法的輸入前向神經網路。

22.  LVQ神經網路的預測——人臉朝向識別。

23.  小波神經網路的時間序列預測——短時交通流量預測。