《MATLAB神經網絡43個案例分析》是在《MATLAB神經網絡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、生動地學習神經網絡。
　　本書共有43章，內容涵蓋常見的神經網絡（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）與神經網絡的結合問題。此外，本書還介紹了MATLABR2012b中神經網絡工具箱的新增功能與特性，如神經網絡并行計算、定制神經網絡、神經網絡高效編程等。
　　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。

《MATLAB神經網絡43個案例分析》詳細論述了在MATLAB環(huán)境下如何實現(xiàn)神經網絡，包括了常用的神經網絡及相關理論，以及各種優(yōu)化算法與神經網絡的結合�？紤]到MATLABR2012b版本中神經網絡工具箱作了更新，本書也新增了神經網絡并行運算、定制神經網絡、神經網絡高效編程等章節(jié)，非常適合中高級神經網絡研究人員參考�！　∽鳛楸姸嘈�講MATLAB家族產品叢書中的一個系列，該書的最大特點是接地氣，實用性強。四位作者都是長期活躍在MATLAB技術論壇的版主，每天都會在線解答MATLAB特別是針對神經網絡的問題，積累了豐富的使用經驗。本書所舉例的43個案例，部分來源于各大公司、院校的科研課題，也有一部分來源于MATLAB技術論壇的會員提問。這些案例代表了神經網絡在各個領域的相關應用，讀者可以根據自己研究問題的需要，第一時間找到適合自己學習的神經網絡章節(jié)，進行閱讀。

第1章　BP神經網絡的數據分類——語音特征信號分類
1.1　案例背景
1.1.1　BP神經網絡概述
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
1.3.2　數據選擇和歸一化
1.3.3　BP神經網絡結構初始化
1.3.4　BP神經網絡訓練
1.3.5　BP神經網絡分類
1.3.6　結果分析
1.4　案例擴展
1.4.1　隱含層節(jié)點數
1.4.2　附加動量方法

第1章　BP神經網絡的數據分類——語音特征信號分類
1.1　案例背景
1.1.1　BP神經網絡概述
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
1.3.2　數據選擇和歸一化
1.3.3　BP神經網絡結構初始化
1.3.4　BP神經網絡訓練
1.3.5　BP神經網絡分類
1.3.6　結果分析
1.4　案例擴展
1.4.1　隱含層節(jié)點數
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神經網絡的非線性系統(tǒng)建模——非線性函數擬合
2.1　案例背景
2.2　模型建立
2.3　MATLAB實現(xiàn)
2.3.1　BP神經網絡工具箱函數
2.3.2　數據選擇和歸一化
2.3.3　BP神經網絡訓練
2.3.4　BP神經網絡預測
2.3.5　結果分析
2.4　案例擴展
2.4.1　多隱含層BP神經網絡
2.4.2　隱含層節(jié)點數
2.4.3　訓練數據對預測精度影響
2.4.4　節(jié)點轉移函數
2.4.5　網絡擬合的局限性
參考文獻
第3章　遺傳算法優(yōu)化BP神經網絡——非線性函數擬合
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
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
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
3.3.6　遺傳算法優(yōu)化的BP神經網絡函數擬合
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　網絡結構優(yōu)化
3.4.3　算法的局限性
參考文獻
第4章　神經網絡遺傳算法函數極值尋優(yōu)——非線性函數極值尋優(yōu)
4.1　案例背景
4.2　模型建立
4.3　編程實現(xiàn)
4.3.1　BP神經網絡訓練
4.3.2　適應度函數
4.3.3　遺傳算法主函數
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　數據集選擇
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　數據集選擇
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神經元網絡解耦控制算法——多變量系統(tǒng)控制
6.1　案例背景
6.1.1　PID神經元網絡結構
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神經網絡初始化
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　神經元系數
6.4.3　PID神經元網絡權值優(yōu)化
參考文獻
第7章　RBF網絡的回歸——非線性函數回歸的實現(xiàn)
第8章　GRNN的數據預測——基于廣義回歸神經網絡的貨運量預測
第9章　離散Hopfield神經網絡的聯(lián)想記憶——數字識別
第10章　離散Hopfield神經網絡的分類——高�？蒲心芰υu價
第11章　連續(xù)Hopfield神經網絡的優(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參數實例詳解
第14章　基于SVM的數據分類預測——意大利葡萄酒種類識別
第15章　SVM的參數優(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——上證指數開盤指數預測
第17章　基于SVM的信息�；瘯r序回歸預測——上證指數開盤指數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神經網絡的數據分類——柴油機故障診斷
第23章　Elman神經網絡的數據預測——電力負荷預測模型研究
第24章　概率神經網絡的分類預測——基于PNN的變壓器故障診斷
第25章　基于MIV的神經網絡變量篩選——基于BP的神經網絡變量篩選
第26章　LVQ神經網絡的分類——乳腺腫瘤診斷
第27章　LVQ神經網絡的預測——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神經網絡——非線性函數擬合
第32章　小波神經網絡的時間序列預測——短時交通流量預測
第33章　模糊神經網絡的預測算法——嘉陵江水質評價
第34章　廣義神經網絡的聚類算法——網絡入侵聚類
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　基于灰色神經網絡的預測算法研究——訂單需求預測
第38章　基于Kohonen網絡的聚類算法——網絡入侵聚類
第39章　神經網絡GUI的實現(xiàn)——基于GUI的神經網絡擬合、模式識別、聚類
第40章　動態(tài)神經網絡時間序列預測研究——基于MATLAB的NARX實現(xiàn)
第41章　定制神經網絡的實現(xiàn)——神經網絡的個性化建模與仿真
第42章　并行運算與神經網絡——基于CPU/GPU的并行神經網絡運算
第43章　神經網絡高效編程技巧——基于MATLAB R2012b新版本特性的探討