小波神經網路預測matlab

㈠ 會matlab的幫個忙吧，就是用小波神經網路預測，數據從資料庫中讀取，我是新手，沒有辦法給予獎勵，非常感

比較復雜，建議你上這個網站http://www.ilovematlab.cn看看，裡面有圖像處理的教學

㈡ 小波分析神經網路的預測怎麼弄啊。小波分析神經網路的預測的matlab源程序是什麼給一個啊，有具體說明

小波的不必自己寫程序 用他的用戶界面就好，很強大！！ 當然你也可以自己寫，不過很麻煩。至於找他的源代碼 我沒找到。好像是點擊什麼那個生成或者編輯源代碼 就像那個用戶界面設計 和sumilink之類的，我平常也沒弄過他的源代碼

㈢ MATLAB神經網路的目錄

第1章 BP神經網路的數據分類——語音特徵信號分類1
本案例選取了民歌、古箏、搖滾和流行四類不同音樂，用BP神經網路實現對這四類音樂的有效分類。
第2章 BP神經網路的非線性系統建模——非線性函數擬合11
本章擬合的非線性函數為y=x21+x22。
第3章 遺傳演算法優化BP神經網路——非線性函數擬合21
根據遺傳演算法和BP神經網路理論，在MATLAB軟體中編程實現基於遺傳演算法優化的BP神經網路非線性系統擬合演算法。
第4章 神經網路遺傳演算法函數極值尋優——非線性函數極值尋優36
對於未知的非線性函數，僅通過函數的輸入輸出數據難以准確尋找函數極值。這類問題可以通過神經網路結合遺傳演算法求解，利用神經網路的非線性擬合能力和遺傳演算法的非線性尋優能力尋找函數極值。
第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模45
BP_Adaboost模型即把BP神經網路作為弱分類器，反復訓練BP神經網路預測樣本輸出，通過Adaboost演算法得到多個BP神經網路弱分類器組成的強分類器。
第6章 PID神經元網路解耦控制演算法——多變數系統控制54
根據PID神經元網路控制器原理，在MATLAB中編程實現PID神經元網路控制多變數耦合系統。
第7章 RBF網路的回歸——非線性函數回歸的實現65
本例用RBF網路擬合未知函數，預先設定一個非線性函數，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函數解析式不清楚的情況下，隨機產生x1,x2和由這兩個變數按上式得出的y。將x1,x2作為RBF網路的輸入數據，將y作為RBF網路的輸出數據，分別建立近似和精確RBF網路進行回歸分析，並評價網路擬合效果。
第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測73
根據貨運量影響因素的分析，分別取國內生產總值（GDP），工業總產值，鐵路運輸線路長度，復線里程比重，公路運輸線路長度，等級公路比重，鐵路貨車數量和民用載貨汽車數量8項指標因素作為網路輸入，以貨運總量，鐵路貨運量和公路貨運量3項指標因素作為網路輸出，構建GRNN，由於訓練數據較少，採取交叉驗證方法訓練GRNN神經網路，並用循環找出最佳的SPREAD。
第9章 離散Hopfield神經網路的聯想記憶——數字識別81
根據Hopfield神經網路相關知識，設計一個具有聯想記憶功能的離散型Hopfield神經網路。要求該網路可以正確地識別0~9這10個數字，當數字被一定的雜訊干擾後，仍具有較好的識別效果。
第10章 離散Hopfield神經網路的分類——高校科研能力評價90
某機構對20所高校的科研能力進行了調研和評價，試根據調研結果中較為重要的11個評價指標的數據，並結合離散Hopfield神經網路的聯想記憶能力，建立離散Hopfield高校科研能力評價模型。
第11章 連續Hopfield神經網路的優化——旅行商問題優化計算100
現對於一個城市數量為10的TSP問題，要求設計一個可以對其進行組合優化的連續型Hopfield神經網路模型，利用該模型可以快速地找到最優（或近似最優）的一條路線。
第12章 SVM的數據分類預測——義大利葡萄酒種類識別112
將這178個樣本的50%做為訓練集,另50%做為測試集,用訓練集對SVM進行訓練可以得到分類模型,再用得到的模型對測試集進行類別標簽預測。
第13章 SVM的參數優化——如何更好的提升分類器的性能122
本章要解決的問題就是僅僅利用訓練集找到分類的最佳參數，不但能夠高准確率的預測訓練集而且要合理的預測測試集，使得測試集的分類准確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡，避免過學習和欠學習狀況發生。
第14章 SVM的回歸預測分析——上證指數開盤指數預測133
對上證指數從1990.12.20-2009.08.19每日的開盤數進行回歸分析。
第15章 SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測141
在這個案例裡面我們將利用SVM對進行模糊信息粒化後的上證每日的開盤指數進行變化趨勢和變化空間的預測。
若您對此書內容有任何疑問，可以憑在線交流卡登錄中文論壇與作者交流。
第16章 自組織競爭網路在模式分類中的應用——患者癌症發病預測153
本案例中給出了一個含有60個個體基因表達水平的樣本。每個樣本中測量了114個基因特徵，其中前20個樣本是癌症病人的基因表達水平的樣本(其中還可能有子類), 中間的20個樣本是正常人的基因表達信息樣本, 餘下的20個樣本是待檢測的樣本(未知它們是否正常)。以下將設法找出癌症與正常樣本在基因表達水平上的區別，建立競爭網路模型去預測待檢測樣本是癌症還是正常樣本。
第17章SOM神經網路的數據分類——柴油機故障診斷159
本案例中給出了一個含有8個故障樣本的數據集。每個故障樣本中有8個特徵，分別是前面提及過的：最大壓力(P1)、次最大壓力(P2)、波形幅度(P3)、上升沿寬度(P4)、波形寬度(P5)、最大餘波的寬度(P6)、波形的面積(P7)、起噴壓力(P8)，使用SOM網路進行故障診斷。
第18章Elman神經網路的數據預測——電力負荷預測模型研究170
根據負荷的歷史數據，選定反饋神經網路的輸入、輸出節點，來反映電力系統負荷運行的內在規律，從而達到預測未來時段負荷的目的。
第19章 概率神經網路的分類預測——基於PNN的變壓器故障診斷176
本案例在對油中溶解氣體分析法進行深入分析後，以改良三比值法為基礎，建立基於概率神經網路的故障診斷模型。
第20章 神經網路變數篩選——基於BP的神經網路變數篩選183
本例將結合BP神經網路應用平均影響值（MIV，Mean Impact Value）方法來說明如何使用神經網路來篩選變數，找到對結果有較大影響的輸入項，繼而實現使用神經網路進行變數篩選。
第21章 LVQ神經網路的分類——乳腺腫瘤診斷188
威斯康星大學醫學院經過多年的收集和整理，建立了一個乳腺腫瘤病灶組織的細胞核顯微圖像資料庫。資料庫中包含了細胞核圖像的10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度），這些特徵與腫瘤的性質有密切的關系。因此，需要建立一個確定的模型來描述資料庫中各個量化特徵與腫瘤性質的關系，從而可以根據細胞核顯微圖像的量化特徵診斷乳腺腫瘤是良性還是惡性。
第22章 LVQ神經網路的預測——人臉朝向識別198
現採集到一組人臉朝向不同角度時的圖像，圖像來自不同的10個人，每人5幅圖像，人臉的朝向分別為：左方、左前方、前方、右前方和右方。試創建一個LVQ神經網路，對任意給出的人臉圖像進行朝向預測和識別。
第23章 小波神經網路的時間序列預測——短時交通流量預測208
根據小波神經網路原理在MATLAB環境中編程實現基於小波神經網路的短時交通流量預測。
第24章 模糊神經網路的預測演算法——嘉陵江水質評價218
根據模糊神經網路原理，在MATLAB中編程實現基於模糊神經網路的水質評價演算法。
第25章 廣義神經網路的聚類演算法——網路入侵聚類229
模糊聚類雖然能夠對數據聚類挖掘，但是由於網路入侵特徵數據維數較多，不同入侵類別間的數據差別較小，不少入侵模式不能被准確分類。本案例採用結合模糊聚類和廣義神經網路回歸的聚類演算法對入侵數據進行分類。
第26章 粒子群優化演算法的尋優演算法——非線性函數極值尋優236
根據PSO演算法原理，在MATLAB中編程實現基於PSO演算法的函數極值尋優演算法。
第27章 遺傳演算法優化計算——建模自變數降維243
在第21章中，建立模型時選用的每個樣本（即病例）數據包括10個量化特徵（細胞核半徑、質地、周長、面積、光滑性、緊密度、凹陷度、凹陷點數、對稱度、斷裂度）的平均值、10個量化特徵的標准差和10個量化特徵的最壞值（各特徵的3個最大數據的平均值）共30個數據。明顯，這30個輸入自變數相互之間存在一定的關系，並非相互獨立的，因此，為了縮短建模時間、提高建模精度，有必要將30個輸入自變數中起主要影響因素的自變數篩選出來參與最終的建模。
第28章 基於灰色神經網路的預測演算法研究——訂單需求預測258
根據灰色神經網路原理，在MATLAB中編程實現基於灰色神經網路的訂單需求預測。
第29章 基於Kohonen網路的聚類演算法——網路入侵聚類268
根據Kohonen網路原理，在MATLAB軟體中編程實現基於Kohonen網路的網路入侵分類演算法。
第30章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類277
為了便於使用MATLAB編程的新用戶，快速地利用神經網路解決實際問題，MATLAB提供了一個基於神經網路工具箱的圖形用戶界面。考慮到圖形用戶界面帶來的方便和神經網路在數據擬合、模式識別、聚類各個領域的應用，MATLAB R2009a提供了三種神經網路擬合工具箱（擬合工具箱/模式識別工具箱/聚類工具箱）。

㈣ matlab怎麼利用神經網路做預測

利用matlab做神經網路預測，可按下列步驟進行：

1、提供原始數據

2、訓練數據預測數據提取及歸一化

3、BP網路訓練

4、BP網路預測

5、結果分析

㈤ MATLAB神經網路30個案例分析的圖書目錄

第1章 P神經網路的數據分類——語音特徵信號分類
第2章 BP神經網路的非線性系統建模——非線性函數擬合
第3章 遺傳演算法優化BP神經網路——非線性函數擬合
第4章 神經網路遺傳演算法函數極值尋優——非線性函數極值尋優
第5章 基於BP_Adaboost的強分類器設計——公司財務預警建模
第6章 PID神經元網路解耦控制演算法——多變數系統控制
第7章 RBF網路的回歸——非線性函數回歸的實現
第8章 GRNN的數據預測——基於廣義回歸神經網路的貨運量預測
第9章 離散Hopfield神經網路的聯想記憶——數字識別
第10章 離散Hopfield神經網路的分類——高校科研能力評價
第11章 連續Hopfield神經網路的優化——旅行商問題優化計算
第12章 SVM的數據分類預測——義大利葡萄酒種類識別
第13章 SVM的參數優化——如何更好的提升分類器的性能
第14章 SVM的回歸預測分析——上證指數開盤指數預測
第15章 SVM的信息粒化時序回歸預測——上證指數開盤指數變化趨勢和變化空間預測
第16章 自組織競爭網路在模式分類中的應用——患者癌症發病預測
第17章SOM神經網路的數據分類——柴油機故障診斷
第18章Elman神經網路的數據預測——電力負荷預測模型研究
第19章 概率神經網路的分類預測——基於PNN的變壓器故障診斷
第20章 神經網路變數篩選——基於BP的神經網路變數篩選
第21章 LVQ神經網路的分類——乳腺腫瘤診斷
第22章 LVQ神經網路的預測——人臉朝向識別
第23章 小波神經網路的時間序列預測——短時交通流量預測
第24章 模糊神經網路的預測演算法——嘉陵江水質評價
第25章 廣義神經網路的聚類演算法——網路入侵聚類
第26章 粒子群優化演算法的尋優演算法——非線性函數極值尋優
第27章 遺傳演算法優化計算——建模自變數降維
第28章 基於灰色神經網路的預測演算法研究——訂單需求預測
第29章 基於Kohonen網路的聚類演算法——網路入侵聚類
第30章 神經網路GUI的實現——基於GUI的神經網路擬合、模式識別、聚類

㈥ 小波神經網路的matlab程序

你這個程序錯處較多，如fai,fnn,oxhp,沒有定義，不能運行。

㈦ 請問MATLAB中神經網路預測結果應該怎麼看求大神解答

從圖中Neural Network可以看出，你的網路結構是兩個隱含層，2-3-1-1結構的網路，演算法是traindm，顯示出來的誤差變回化為均方誤答差值mse。經過482次迭代循環完成訓練，耗時5秒。相同計算精度的話，訓練次數越少，耗時越短，網路結構越優秀。達到設定的網路精度0.001的時候，誤差下降梯度為0.0046，遠大於默認的1e-5，說明此時的網路誤差仍在快速下降，所以可以把訓練精度目標再提高一些，比如設為0.0001或者1e-5。

㈧ 如何利用matlab進行神經網路預測

matlab 帶有神經網路工具箱，可直接調用，建議找本書看看，或者MATLAB論壇找例子。回
核心調用語句如下：答
%數據輸入

%選連樣本輸入輸出數據歸一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP網路訓練
% %初始化網路結構
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%網路訓練
net=train(net,inputn,outputn);
%% BP網路預測
%預測數據歸一化
inputn_test=mapminmax('apply',input_test,inputps);
%網路預測輸出
an=sim(net,inputn_test);
%網路輸出反歸一化
BPoutput=mapminmax('reverse',an,outputps);
%% 結果分析

㈨ 想用小波神經網路Matlab編程，怎麼學一下子讓我看程序我一點都看不懂啊。。。。

你必須得了解神經網路吧，光那個訓練函數及newff就夠你琢磨半天的，然後在分析內小波吧，如果沒容學過的肯定也得下下功夫了，其實就這兩部分，建議單獨各自找個例子代碼運行一下，比較直觀的學習我覺的是matlab學好的捷徑，事在人為，沒有什麼好辦法，只要你下那麼一點點功夫，總比玩局dota要有成就感的多，放心這2部分的例子數不勝數，多看看沒壞處的！只是建議，還是那句事在人為，多學點沒壞處！